用途：指导开发者构建 MCP（Model Context Protocol）服务器，使 LLM 能通过设计良好的工具与外部服务交互。服务器质量以能否帮助 LLM 完成真实任务来衡量。
主要能力与流程：分为四个阶段。阶段一为深度研究与规划，需理解现代 MCP 设计，包括 API 覆盖与工作流工具的平衡、工具命名与可发现性（如 github_create_issue、github_list_repos 等一致前缀与动作导向命名）、上下文管理（简洁描述、结果过滤与分页）、可操作的错误信息；查阅 MCP 规范，可从 https://modelcontextprotocol.io/sitemap.xml 开始，再以 .md 后缀获取 markdown 页面，重点看规范概览与架构、传输机制（streamable HTTP、stdio）、工具/资源/提示定义；并规划实现，梳理 API 文档、认证要求与数据模型，优先全面覆盖 API。
阶段二为实现：推荐 TypeScript（SDK 支持好），远程服务器用 Streamable HTTP，本地用 stdio。先建共享基础设施，包括带认证的 API 客户端、错误处理、响应格式化（JSON/Markdown）、分页支持。每个工具需定义输入模式（TypeScript 用 Zod，Python 用 Pydantic，含约束、清晰描述与示例）、输出模式（尽量定义 outputSchema，响应中用 structuredContent）、工具描述（功能摘要、参数说明、返回类型模式）以及注解（readOnlyHint、destructiveHint、idempotentHint、openWorldHint）。
阶段三为审查与测试：检查无重复代码、错误处理一致、类型覆盖完整、工具描述清晰。TypeScript 运行 npm run build 验证编译，用 npx @modelcontextprotocol/inspector 测试；Python 用 python -m py_compile your_server.py 验证语法，再用 MCP Inspector 测试。
阶段四为创建评估：实现后编写评估，测试 LLM 能否有效使用服务器回答真实复杂问题。先检查工具、用只读操作探索数据，再生成 10 个复杂真实问题并自行验证答案。每个问题需独立、只读、复杂（需多次工具调用与深入探索）、真实、可验证（单一明确答案可字符串比较）、稳定（答案不随时间变化）。
限制：资料未提供具体收费、价格、平台支持范围或效果数据；上述命令与流程为指南内容，实际实现细节需结合目标服务 API 文档。