用途
mcp-builder 是一份用于创建高质量 MCP（Model Context Protocol）服务器的开发指南技能。MCP 服务器提供工具，使 LLM 能够访问外部服务和 API。该技能的目标是帮助开发者构建出能让 LLM 有效完成真实世界任务的 MCP 服务器，其质量以 LLM 使用所提供工具完成实际任务的效果来衡量。
主要能力
该技能围绕四个阶段组织开发流程：
阶段一：深度研究与规划
- 理解以智能体为中心的设计原则：围绕工作流而非单纯 API 端点构建工具；为有限上下文优化，返回高信号信息而非数据堆砌，提供简洁与详细两种响应格式，默认使用人类可读标识符；设计可操作的错误信息，引导智能体正确使用；遵循自然任务划分，用一致前缀分组相关工具；采用评估驱动开发。
- 研读 MCP 协议文档（https://modelcontextprotocol.io/llms-full.txt）。
- 研读框架文档：MCP 最佳实践；Python 实现需加载 Python SDK 文档（https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md）；Node/TypeScript 实现需加载 TypeScript SDK 文档（https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md）。
- 详尽研究目标服务的 API 文档，包括认证授权、速率限制与分页、错误响应与状态码、端点与参数、数据模型与模式。
- 制定实现计划：工具选择、共享工具与辅助函数、输入输出设计（Pydantic 或 Zod 校验模型、一致响应格式、字符限制与截断策略）、错误处理策略。
阶段二：实现
- 搭建项目结构：Python 使用单 .py 文件或模块化，使用 MCP Python SDK 注册工具，用 Pydantic 模型做输入校验；Node/TypeScript 设置 package.json 与 tsconfig.json，使用 MCP TypeScript SDK，用 Zod 模式做输入校验。
- 先实现核心基础设施：API 请求辅助函数、错误处理工具、响应格式化函数（JSON 与 Markdown）、分页辅助、认证/令牌管理。
- 系统化实现工具：定义输入模式（含约束与示例）、编写完整文档字符串、实现工具逻辑（异步 I/O、错误处理、多响应格式、分页、字符限制）、添加工具注解（readOnlyHint、destructiveHint、idempotentHint、openWorldHint）。
- 遵循语言特定最佳实践，如 Python 的 Pydantic v2、类型提示、异步；TypeScript 的严格模式、无 any 类型、显式 Promise 返回类型、构建流程。
阶段三：审查与优化
- 代码质量审查：DRY 原则、可组合性、一致性、错误处理、类型安全、文档。
- 测试与构建：注意 MCP 服务器是长期运行进程，直接运行会导致主进程挂起；安全测试方式包括使用评估工具、在 tmux 中运行、使用超时（如 timeout 5s python server.py）。Python 可先验证语法（python -m py_compile your_server.py）；Node/TypeScript 运行 npm run build 并确认 dist/index.js 生成。
- 使用语言指南中的质量检查清单。
阶段四：创建评估
- 理解评估目的：测试 LLM 能否有效使用 MCP 服务器回答真实复杂问题。
- 创建 10 个评估问题：工具检查、内容探索（只读操作）、问题生成、答案验证。
- 评估要求：每个问题独立、只读、复杂、真实、可验证、稳定。
- 输出格式为 XML，包含 question 与 answer 的 qa_pair。
使用方式
该技能以指南形式提供，开发者在构建 MCP 服务器时按阶段加载相应参考文件：核心 MCP 文档、MCP 最佳实践、Python/TypeScript SDK 文档、语言特定实现指南、评估指南。技能中给出了具体的文档获取 URL 和测试命令。
适用场景
适用于需要为 LLM 构建与外部服务或 API 交互的 MCP 服务器的开发者，尤其是希望工具设计符合智能体使用习惯、具备良好错误处理与评估体系的场景。
限制
资料未提供该技能的具体安装方式、收费模式、支持平台等细节，暂未提供。