用途：指导创建高质量 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：分四阶段。一、深度研究与规划：理解现代 MCP 设计，平衡 API 覆盖与工作流工具，采用一致前缀与动作导向命名（如 github_create_issue），设计聚焦数据返回并支持过滤/分页，提供可操作的错误信息；研读 MCP 协议文档（从 https://modelcontextprotocol.io/sitemap.xml 开始，页面加 .md 后缀获取）与框架文档；规划要实现的端点。二、实现：搭建项目结构，实现共享基础设施（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，输入模式用 Zod（TypeScript）或 Pydantic（Python），定义输出模式与 structuredContent，编写工具描述与注解（readOnlyHint、destructiveHint、idempotentHint、openWorldHint）。三、审查与测试：检查 DRY、错误处理、类型覆盖与描述清晰度；TypeScript 用 npm run build 与 npx @modelcontextprotocol/inspector，Python 用 python -m py_compile your_server.py 并配合 MCP Inspector。四、创建评估：编写 10 个独立、只读、复杂、真实、可验证、稳定的评估问题，按指定 XML 格式输出。
推荐技术栈：TypeScript（SDK 质量高、利于 AI 生成代码），远程服务器用 Streamable HTTP，本地用 stdio。
限制与注意事项：Docker 场景下 FastMCP 会校验 Host 头，需通过 TransportSecuritySettings 配置 allowed_hosts（如 127.0.0.1:、localhost:、[::1]:、mcp-server:、0.0.0.0:*）；可通过中间件添加 /health 端点；运行 python3 scripts/verify.py 验证，预期输出 ✓ building-mcp-servers skill ready，失败时检查 references/ 目录及文件是否齐全。具体价格、平台支持等信息暂未提供。