用途：指导开发者构建高质量 MCP 服务器，使 LLM 能通过精心设计的工具与外部服务和 API 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：提供四阶段工作流。阶段一研究与规划，强调面向智能体的设计原则（为工作流而非单个 API 端点构建工具、优化上下文占用、设计可操作的错误信息、按自然任务细分工具、评估驱动开发），并要求阅读 MCP 协议文档、框架文档与完整 API 文档后制定实现计划。阶段二实现，包括搭建项目结构、先实现共享基础设施（请求助手、错误处理、响应格式化、分页、鉴权），再逐个实现工具，定义输入校验模型（Python 用 Pydantic，TypeScript 用 Zod）、编写完整文档字符串、添加工具注解（readOnlyHint、destructiveHint、idempotentHint、openWorldHint）。阶段三代码审查与构建。阶段四创建评估，编写 10 个独立、只读、复杂、真实、可验证且稳定的评测问题并输出为 XML。
使用方式：通过 WebFetch 读取 https://modelcontextprotocol.io/llms-full.txt 获取协议规范；Python 参考 https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md，TypeScript 参考 https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md。测试时 MCP 服务器为长驻进程，直接在主进程运行 python server.py 或 node dist/index.js 会挂起，建议使用评估工具、tmux 或 timeout 5s python server.py；Python 可用 python -m py_compile your_server.py 校验语法，Node/TypeScript 可运行 npm run build。
适用场景：需要为 LLM 封装外部服务或 API 的 MCP 服务器开发项目。
限制：资料未提供该技能本身的具体安装命令、支持平台、收费方式与效果数据，暂未提供。