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：给出四阶段流程。第一阶段深度调研与规划，包括理解现代 MCP 设计（API 覆盖与工作流工具的取舍、工具命名与可发现性、上下文管理、可操作的错误信息），查阅 MCP 协议文档与框架文档，规划实现。推荐技术栈为 TypeScript（SDK 支持好、静态类型、生态广泛），远程服务器用 Streamable HTTP 与无状态 JSON，本地服务器用 stdio。第二阶段实现：搭建项目结构、实现核心基础设施（带认证的 API 客户端、错误处理、响应格式化、分页），逐个实现工具（用 Zod 或 Pydantic 定义输入模式、输出模式与 structuredContent、工具描述、异步 I/O、错误处理、注解如 readOnlyHint、destructiveHint、idempotentHint、openWorldHint）。第三阶段评审与测试：检查代码质量，TypeScript 用 npm run build 验证编译，Python 用 python -m py_compile your_server.py 验证语法，并用 MCP Inspector 测试：npx @modelcontextprotocol/inspector。第四阶段创建评估：编写 10 个独立、只读、复杂、真实、可验证且答案稳定的评估问题，输出为 XML 格式（evaluation 与 qa_pair 结构）。
使用方式：按阶段加载相应文档，MCP 协议从 https://modelcontextprotocol.io/sitemap.xml 开始并以 .md 后缀获取页面；Python SDK 见 https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md；TypeScript SDK 见 https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md。
适用场景：需要把外部 API 或服务封装成供 LLM 调用工具的开发者。
限制：资料未提供具体定价、部署平台支持范围或实际效果数据；评估问题的具体内容和运行脚本细节在资料中未完整给出。