用途：指导创建高质量的 MCP（Model Context Protocol）服务器，让 LLM 通过工具访问外部服务与 API。服务器质量以能否帮助 LLM 完成真实任务来衡量。
主要流程分四阶段。一、研究与规划：遵循面向智能体的设计原则（为工作流而非单端点构建工具、优化有限上下文、设计可操作的错误信息、按自然任务划分工具、评估驱动开发）；阅读 MCP 协议文档（https://modelcontextprotocol.io/llms-full.txt）、最佳实践与 Python/TypeScript SDK 文档（https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md、https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md），并完整研究目标 API 文档；产出含工具选择、共享工具函数、输入输出设计与错误处理策略的实施计划。二、实现：Python 使用 MCP Python SDK 与 Pydantic 模型，Node/TypeScript 使用 MCP TypeScript SDK 与 Zod schema；先实现 API 请求、错误处理、响应格式化（JSON/Markdown）、分页辅助等共享基础设施，再逐一定义输入 schema、工具描述、逻辑与工具注解。三、审查与完善：检查 DRY、可组合性、类型安全与文档，构建并测试。注意 MCP 服务器是长期运行的进程，直接运行会挂起，建议用评测框架、tmux 或 timeout 5s python server.py 等方式测试；Python 可用 python -m py_compile 检查语法，Node 用 npm run build。四、创建评估：编写 10 个独立、只读、复杂、真实、可验证且稳定的问答对，输出为 XML 格式。
适用场景：为 LLM 开发可调用外部服务的 MCP 服务器。限制：具体安装与运行细节需参考各语言指南，资料未提供固定安装命令。