下面我会模拟三个“虚拟文件”，分别代表 Resources、Tools 和 Prompts，通过这些“文件”的内容来说明它们在 MCP 中的用法。每个文件都会有实际代码或伪代码，尽量贴近真实开发场景。
文件 1：Resources 用法展示
文件名：server_logs.txt
描述：假设这是一个服务器日志文件，通过 MCP 的 Resources 暴露给 LLM，让它分析错误。
内容：
[2025-02-22 10:00:01] ERROR: Database connection failed - Timeout
[2025-02-22 10:00:05] INFO: Retry attempt 1
[2025-02-22 10:00:10] ERROR: Database connection failed - Timeout
[2025-02-22 10:00:15] FATAL: System shutdownMCP 配置（伪代码）：
// 在 MCP 服务器上暴露日志文件作为 Resource
const server = new Server({
name: "log-server",
version: "1.0.0"
}, {
capabilities: { resources: {} }
});
// 列出可用资源
server.setRequestHandler("resources/list", async () => {
return {
resources: [{
uri: "file:///logs/server_logs.txt",
name: "Server Logs",
mimeType: "text/plain"
}]
};
});
// 读取资源内容
server.setRequestHandler("resources/read", async (request) => {
if (request.params.uri === "file:///logs/server_logs.txt") {
const logs = await readFile("server_logs.txt");
return {
contents: [{ uri: request.params.uri, mimeType: "text/plain", text: logs }]
};
}
throw new Error("Resource not found");
});用法解析：
- 实际操作：我在 Claude Desktop 里输入：“分析 server_logs.txt 的错误原因。” LLM 通过 MCP 访问这个 Resource，读取日志内容。
- 结果：LLM 可能会输出：“日志显示数据库连接多次超时，最终导致系统崩溃。建议检查网络延迟或数据库配置。
就像上传了一个日志文件，LLM 直接“看到”内容并处理。Resources 的作用就是把数据喂给 LLM，类似“上传原材料”。
文件 2：Tools 用法展示
文件名：weather_tool.py
描述：这是一个天气查询工具，通过 MCP 的 Tools 功能让 LLM 调用外部 API 获取实时天气。
内容：
# Python MCP 服务器定义工具
from mcp.server import Server
import requests
app = Server("weather-server")
定义天气查询工具
@app.tool("get_weather")
async def get_weather(city: str) -> str:
url = f"http://api.weatherapi.com/v1/current.json?key=YOUR_API_KEY&q={city}"
response = requests.get(url).json()
temp = response["current"]["temp_c"]
condition = response["current"]["condition"]["text"]
return f"{city} 当前温度: {temp}°C，天气: {condition}"
启动服务器
async def main():
async with app.stdio_server():
await app.run()用法解析：
- 实际操作：我在客户端输入：“告诉我上海的天气。” LLM 检测到需要实时数据，通过 MCP 调用 get_weather 工具，传入参数 city="上海"。
- 结果：工具返回：“上海当前温度: 15°C，天气: 多云。” LLM 再把这结果整合到回答里。
就像上传了一个“天气查询脚本”，LLM 不只是读，而是直接“执行”它获取结果。Tools 的核心是让 LLM 动手干活，而不是光看数据。
文件 3：Prompts 用法展示
文件名：error_report_template.md
描述：这是一个错误报告模板，通过 MCP 的 Prompts 功能提供给 LLM，生成标准化的报告。
内容：
错误报告
日志文件: {log_file}
错误概要
{summary}
详细分析
{analysis}
修复建议
{suggestions}MCP 配置（伪代码）：
const server = new Server({
name: "report-server",
version: "1.0.0"
}, {
capabilities: { prompts: {} }
});
// 定义 Prompt 模板
server.setRequestHandler("prompts/list", async () => {
return {
prompts: [{
id: "error_report",
name: "Error Report Generator",
template: await readFile("error_report_template.md"),
parameters: ["log_file", "summary", "analysis", "suggestions"]
}]
};
});用法解析：
- 实际操作：我输入：“根据 server_logs.txt 生成错误报告。” LLM 通过 MCP 获取这个 Prompt 模板，结合 Resources 里的日志数据，填充参数：
- log_file: "server_logs.txt"
- summary: "数据库连接超时导致系统崩溃"
- analysis: "多次重试失败，可能是网络问题"
- suggestions: "检查数据库端口和网络稳定性"
- 结果：LLM 输出一个格式化的 Markdown 报告。
就像上传了一个“报告模板”，LLM 按照模板填充内容，生成结构化输出。Prompts 的作用是给 LLM 一个现成的套路，提升效率。
三者如何协作：
假设我把这三个文件都“上传”到一个 MCP 支持的客户端（比如 Claude Desktop）：
- Resources (server_logs.txt)：LLM 先读取日志，获取上下文。
- Tools (weather_tool.py)：如果我顺便问了“今天天气如何影响服务器”，LLM 调用工具查天气。
- Prompts (error_report_template.md)：最后用模板把日志分析和天气数据整合成报告。
最终输出（模拟）：
错误报告
日志文件: server_logs.txt
错误概要
数据库连接超时导致系统崩溃
详细分析
日志显示多次超时，可能是网络问题。今日上海天气多云，温度15°C，未见极端情况。
修复建议
检查数据库端口和网络稳定性，排除硬件故障。写到最后
通过上面的例子，模拟了“上传文件”的直观体验，展示了 MCP 这仨概念怎么落地。现实中，MCP 需要服务器和客户端支持，但原理就是这么简单直接。
