MCP（Model Context Protocol）与提示词撰写

随着大模型（LLM）在复杂任务中的普及，如何让模型高效调用外部工具和数据成为关键挑战。传统函数调用（Function Calling）依赖开发者手动封装 API，而 MCP（Model Context Protocol） 通过标准化协议，实现了模型与工具的无缝对接，成为新一代 Agent 开发的核心基础设施。

简言之，MCP 是 AI 的“万能接口”，类似 USB-C 的通用性，让开发者无需重复造轮子即可连接数据库、本地文件、第三方服务等资源。

一、MCP 的核心原理：从函数调用到协议层革新

1. 传统函数调用的局限性

工作流程复杂：需预定义函数、解析自然语言指令、手动处理参数与返回结果。
维护成本高：每新增一个工具需重新编码适配，难以动态扩展。
示例：调用股票查询工具需逐步解析用户指令 → 匹配函数 → 传参 → 返回结果。

2. MCP 的突破性设计

协议层标准化：工具功能通过 MCP Server 暴露，模型通过统一协议调用，无需感知底层实现。
自解释性：工具的描述、参数格式、返回值结构均以标准化 JSON Schema 定义，模型可零样本理解。
动态发现：客户端（如 ChatGPT）可自动加载已注册的 MCP 工具列表，用户即选即用。

MCP vs. 传统 API 集成对比

维度	传统函数调用	MCP 协议
工具接入成本	高（需代码适配）	低（声明式描述）
动态扩展性	弱	强（服务热注册）
跨模型兼容性	依赖模型适配	协议统一，通用性强
典型应用场景	简单工具调用	复杂 Agent 工作流

二、MCP 提示词撰写的核心技巧

MCP 的效能高度依赖提示词设计。以下是关键实践原则：

1. 结构化提示词模板（MCP Prompts）

定义清晰组件：

{"name": "股票查询工具","description": "获取指定股票代码的实时价格","arguments": [{ "name": "ticker", "description": "股票代码", "required": true }]
}

通过标准化字段声明工具功能，模型可自动生成调用逻辑。

动态参数注入：支持从上下文（如用户输入、前置工具输出）自动填充参数。

2. 上下文优化四要素

目标清晰化：明确任务目标（如“生成三条徒步路线”而非“推荐路线”）。
格式约束：指定输出结构（如表格、Markdown），提升结果可读性。
错误规避：添加验证逻辑（如“仅返回 AllTrails 可验证的路线”）。
背景信息：注入用户偏好（如“避免热门路线”“沿海步道优先”）。

3. 安全边界设计

风险提示：在工具描述中声明潜在风险（如“此操作将删除文件”）。
权限分级：敏感工具（如数据库写入）需显式用户授权。

三、MCP 提示词实战案例：徒步路线生成工具

场景需求

用户输入：“推荐旧金山周边 3 条中等难度徒步路线，车程<2小时，偏好冷门路线。”

优化后的 MCP 提示词设计

{"name": "hiking_route_recommend","description": "基于位置和偏好生成徒步路线","arguments": [{ "name": "location", "description": "中心位置（如城市名）" },{ "name": "max_drive_time", "description": "最大车程（分钟）" },{ "name": "difficulty", "description": "难度等级（easy/medium/hard）" },{ "name": "preference_tags", "description": "偏好标签（如 coastal, historic）" }],"output_format": "表格（路线名称、起点、距离、特色）","constraints": ["路线需在 AllTrails 可验证","避开用户近期已访问路线（见上下文）"]
}