用途：指导开发者创建高质量的 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。资料给出的流程分为四个阶段。
主要能力：阶段一为研究与规划，涉及理解现代 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、评估驱动迭代），研读 MCP 规范与 SDK 文档，规划工具选择。阶段二为实现，包含搭建项目结构、编写共享基础设施（带鉴权的 API 客户端、错误处理、响应格式化、分页），以及实现工具：用 Zod（TypeScript）或 Pydantic（Python）定义输入模式，尽量定义 outputSchema 并使用 structuredContent，编写工具描述与注解（readOnlyHint、destructiveHint、idempotentHint、openWorldHint）。阶段三为审查与测试，检查代码质量，TypeScript 用 npm run build 构建、Python 用 python -m py_compile your_server.py 校验语法，并用 MCP Inspector（npx @modelcontextprotocol/inspector）测试。阶段四为创建约 10 个独立、只读、复杂、真实、可验证、稳定的评估问题，输出为 XML 的 qa_pair 结构。
技术栈与用法：推荐 TypeScript（SDK 支持好、兼容 MCPB 等环境）配合 Streamable HTTP（远程，无状态 JSON）或 stdio（本地）；也可用 Python/FastMCP。规范全文见 https://modelcontextprotocol.io/llms-full.txt，索引见 https://modelcontextprotocol.io/sitemap.xml，SDK 文档见 https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md 与 https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md。
适用场景：为 AI 应用构建协议合规的工具与集成。限制：MCP 服务器为长驻进程，直接运行会阻塞等待请求，建议用评估工具或放在独立会话（如 tmux）中运行；具体价格、平台与效果资料暂未提供。