# 2-2 三大核心機制：Tools、Resources、Prompts
回到白皮書首頁：[MCP 全方位技術白皮書](/@thc1006/mcp-whitepaper-home)
---
## MCP 的三位一體：工具、資源、提示的完美協作
如果把 MCP 比作一個智慧工廠，那麼 **Tools（工具）** 就是生產線上的機器設備，**Resources（資源）** 就是原料倉庫，而 **Prompts（提示）** 則是作業指導書。這三個核心機制相互配合，讓 AI 能夠像熟練的工程師一樣，知道用什麼工具、取什麼材料、按什麼步驟來完成複雜的任務。
## Tools（工具）：AI 的動手能力
### 工具的本質：可執行的功能單元
Tools 是 MCP 中最「主動」的組件，它們是 AI 可以調用的具體功能，能夠執行實際的操作和計算。
**工具的特徵：**
- **動作導向**：執行具體的操作（讀取、寫入、計算、調用 API）
- **參數化**：接受輸入參數，產生輸出結果
- **狀態改變**：可能會修改外部系統的狀態
- **即時執行**：被調用時立即執行
### 工具定義與發現機制
**標準工具定義格式：**
```json
{
"name": "analyze_sales_data",
"title": "銷售數據分析工具",
"description": "分析特定時間範圍內的銷售數據，生成趨勢報告",
"inputSchema": {
"type": "object",
"properties": {
"start_date": {
"type": "string",
"format": "date",
"description": "分析開始日期 (YYYY-MM-DD)"
},
"end_date": {
"type": "string",
"format": "date",
"description": "分析結束日期 (YYYY-MM-DD)"
},
"region": {
"type": "string",
"enum": ["north", "south", "central", "all"],
"description": "分析區域"
},
"metrics": {
"type": "array",
"items": {
"type": "string",
"enum": ["revenue", "units", "growth", "forecast"]
},
"description": "要分析的指標"
}
},
"required": ["start_date", "end_date"]
}
}
```
**工具發現流程：**
```python
class SalesAnalyticsMCPServer:
def __init__(self):
self.tools = self._register_tools()
def _register_tools(self):
"""註冊所有可用工具"""
return {
"analyze_sales_data": self._analyze_sales_data,
"generate_forecast": self._generate_forecast,
"compare_periods": self._compare_periods,
"export_report": self._export_report
}
async def list_tools(self):
"""回應工具列表請求"""
return [
{
"name": "analyze_sales_data",
"description": "分析銷售數據並生成報告",
"inputSchema": {...} # 完整的 JSON Schema
},
# ... 其他工具
]
async def call_tool(self, name: str, arguments: dict):
"""執行特定工具"""
if name not in self.tools:
raise ToolNotFoundError(f"Tool '{name}' not found")
return await self.tools[name](**arguments)
```
### 工具的執行模式
**1. 同步執行（適合快速操作）**
```python
async def get_customer_info(self, customer_id: str) -> dict:
"""同步獲取客戶資訊"""
customer = await self.db.query(
"SELECT * FROM customers WHERE id = ?",
customer_id
)
return {
"customer_id": customer.id,
"name": customer.name,
"email": customer.email,
"status": customer.status
}
```
**2. 異步執行（適合長時間操作）**
```python
async def generate_annual_report(self, year: int) -> dict:
"""異步生成年度報告"""
task_id = str(uuid.uuid4())
# 啟動背景任務
asyncio.create_task(self._background_report_generation(task_id, year))
return {
"task_id": task_id,
"status": "processing",
"estimated_completion": "15-20 minutes",
"progress_endpoint": f"/tasks/{task_id}/progress"
}
```
**3. 流式執行（適合即時回饋）**
```python
async def stream_log_analysis(self, log_file: str):
"""流式分析日誌檔案"""
async for line in self._read_log_file(log_file):
analysis_result = await self._analyze_line(line)
yield {
"line_number": line.number,
"timestamp": line.timestamp,
"severity": analysis_result.severity,
"message": analysis_result.message
}
```
## Resources（資源）：AI 的知識庫
### 資源的定義：上下文提供者
Resources 是 MCP 中的「被動」組件，它們提供 AI 需要的背景資訊和上下文數據，但不執行動作。
**資源的特徵：**
- **資訊導向**：提供數據、文件、配置等資訊
- **唯讀性質**：通常只能讀取，不能修改
- **上下文豐富**：為 AI 決策提供背景知識
- **結構化數據**：以標準格式提供資訊
### 資源的 URI 系統
MCP 使用 URI 來唯一標識資源，支援各種類型的數據來源：
**檔案系統資源：**
```
file:///home/user/documents/product_catalog.pdf
file:///etc/nginx/nginx.conf
file:///var/log/application.log
```
**資料庫資源：**
```
postgres://localhost:5432/sales/customers
mongodb://cluster.example.com/inventory/products
redis://cache.example.com/session/user_123
```
**API 資源：**
```
api://weather.example.com/current/taipei
api://stock.example.com/quotes/2330.TW
api://news.example.com/tech/latest
```
**自定義資源：**
```
screen://localhost/display1
sensor://factory/temperature/line_a
config://app/database/connection_string
```
### 資源實現範例
**配置資源：**
```python
class ConfigurationResource:
def __init__(self, config_path: str):
self.config_path = config_path
async def get_resource(self, uri: str) -> Resource:
"""獲取配置資源"""
if uri == "config://app/database":
config = await self._load_config(self.config_path)
return Resource(
uri=uri,
name="Database Configuration",
description="應用程式資料庫配置",
mimeType="application/json",
text=json.dumps(config.database, indent=2)
)
```
**動態資源：**
```python
class SystemMetricsResource:
async def get_resource(self, uri: str) -> Resource:
"""獲取系統指標"""
if uri == "metrics://system/current":
metrics = {
"cpu_usage": psutil.cpu_percent(),
"memory_usage": psutil.virtual_memory().percent,
"disk_usage": psutil.disk_usage('/').percent,
"load_average": os.getloadavg(),
"timestamp": datetime.now().isoformat()
}
return Resource(
uri=uri,
name="Current System Metrics",
description="即時系統效能指標",
mimeType="application/json",
text=json.dumps(metrics, indent=2)
)
```
### 資源的智能選擇
**上下文感知的資源推薦：**
```python
class IntelligentResourceManager:
def __init__(self):
self.resource_index = {}
self.usage_patterns = {}
def recommend_resources(self, task_context: str, user_context: dict) -> List[str]:
"""基於任務和用戶上下文推薦相關資源"""
# 分析任務需求
task_keywords = self._extract_keywords(task_context)
# 找出相關資源
relevant_resources = []
for resource_uri, metadata in self.resource_index.items():
if self._calculate_relevance(task_keywords, metadata) > 0.7:
relevant_resources.append(resource_uri)
# 根據用戶歷史使用模式排序
return self._rank_by_user_preference(relevant_resources, user_context)
```
## Prompts（提示）：AI 的作業指導書
### 提示的作用：標準化 AI 行為
Prompts 是預定義的指令模板，用來引導 AI 以一致和有效的方式執行特定任務。
**提示的特徵：**
- **範本化**：可重複使用的指令格式
- **參數化**：接受動態參數填入
- **標準化**：確保一致的輸出品質
- **專業化**：針對特定領域優化
### 提示定義與使用
**基礎提示定義：**
```json
{
"name": "analyze_customer_feedback",
"title": "客戶回饋分析提示",
"description": "分析客戶回饋並提供改善建議",
"arguments": [
{
"name": "feedback_text",
"description": "客戶回饋內容",
"type": "string",
"required": true
},
{
"name": "product_category",
"description": "產品類別",
"type": "string",
"required": true
},
{
"name": "analysis_depth",
"description": "分析深度",
"type": "string",
"enum": ["basic", "detailed", "comprehensive"],
"default": "detailed"
}
]
}
```
**提示模板內容：**
```python
class CustomerFeedbackPrompt:
def __init__(self):
self.template = """
你是一位專業的客戶體驗分析師。請分析以下客戶回饋：
**客戶回饋內容：**
{feedback_text}
**產品類別：** {product_category}
**分析要求：**
請根據以下架構進行{analysis_depth}分析：
1. **情感分析**
- 整體情感傾向（正面/中性/負面）
- 情感強度評分（1-10）
- 關鍵情感詞彙
2. **問題識別**
- 明確指出的問題
- 隱含的問題
- 問題嚴重程度評估
3. **改善建議**
- 短期改善措施
- 長期策略建議
- 實施優先級
4. **後續行動**
- 建議回應方式
- 內部溝通要點
- 追蹤指標建議
請確保分析客觀、具體，並提供可行的建議。
"""
async def generate(self, **kwargs) -> str:
"""生成具體的提示內容"""
return self.template.format(**kwargs)
```
### 動態提示組合
**情境感知的提示選擇：**
```python
class AdaptivePromptManager:
def __init__(self):
self.prompt_library = {}
self.context_analyzer = ContextAnalyzer()
async def get_optimal_prompt(self, task: str, context: dict) -> str:
"""根據任務和上下文選擇最佳提示"""
# 分析任務類型
task_type = self.context_analyzer.classify_task(task)
# 評估上下文複雜度
complexity = self.context_analyzer.assess_complexity(context)
# 選擇合適的提示模板
if task_type == "analysis" and complexity == "high":
prompt_name = "comprehensive_analysis"
elif task_type == "analysis" and complexity == "medium":
prompt_name = "standard_analysis"
else:
prompt_name = "basic_analysis"
# 生成個性化提示
base_prompt = self.prompt_library[prompt_name]
return await self._customize_prompt(base_prompt, context)
```
## 三大機制的協作模式
### 場景一：智慧客服系統
**工作流程：**
```
1. 客戶詢問產品問題
↓
2. AI 使用 Resource 獲取產品資料庫資訊
↓
3. AI 使用 Prompt 模板分析客戶需求
↓
4. AI 使用 Tool 查詢庫存和價格
↓
5. AI 基於 Prompt 生成個性化回應
```
**實際實現：**
```python
async def handle_customer_inquiry(inquiry: str, customer_id: str):
# 1. 獲取客戶歷史資料 (Resource)
customer_history = await mcp_client.get_resource(
f"customer://profile/{customer_id}"
)
# 2. 獲取產品資訊 (Resource)
product_catalog = await mcp_client.get_resource(
"catalog://products/current"
)
# 3. 分析客戶意圖 (Tool)
intent_analysis = await mcp_client.call_tool(
"analyze_customer_intent",
{"text": inquiry, "customer_context": customer_history}
)
# 4. 查詢相關產品 (Tool)
relevant_products = await mcp_client.call_tool(
"search_products",
{"query": intent_analysis.keywords, "category": intent_analysis.category}
)
# 5. 生成回應 (Prompt)
response_prompt = await mcp_client.get_prompt(
"customer_service_response",
{
"customer_type": customer_history.tier,
"inquiry_type": intent_analysis.type,
"products": relevant_products,
"tone": "friendly_professional"
}
)
return response_prompt
```
### 場景二：數據分析報告生成
**協作流程：**
```python
async def generate_business_report(report_type: str, date_range: dict):
# 1. 獲取數據源配置 (Resource)
data_sources = await mcp_client.get_resource("config://data_sources")
# 2. 提取原始數據 (Tool)
raw_data = await mcp_client.call_tool(
"extract_business_data",
{
"sources": data_sources.databases,
"start_date": date_range.start,
"end_date": date_range.end,
"metrics": ["revenue", "customers", "orders"]
}
)
# 3. 數據清洗和處理 (Tool)
processed_data = await mcp_client.call_tool(
"process_data",
{"raw_data": raw_data, "cleaning_rules": "standard"}
)
# 4. 獲取分析模板 (Resource)
analysis_template = await mcp_client.get_resource(
f"template://analysis/{report_type}"
)
# 5. 執行分析 (Tool)
analysis_results = await mcp_client.call_tool(
"perform_analysis",
{
"data": processed_data,
"template": analysis_template,
"analysis_type": report_type
}
)
# 6. 生成最終報告 (Prompt)
final_report = await mcp_client.get_prompt(
"business_report_generation",
{
"report_type": report_type,
"data_summary": analysis_results.summary,
"key_insights": analysis_results.insights,
"recommendations": analysis_results.recommendations,
"format": "executive_summary"
}
)
return final_report
```
## 台灣企業應用最佳實踐
### 製造業 IoT 監控系統
**Tools 設計：**
```python
# 設備控制工具
tools = [
"read_sensor_data", # 讀取感測器數據
"adjust_machine_speed", # 調整機器速度
"trigger_maintenance", # 觸發維護程序
"generate_alarm" # 產生警報
]
```
**Resources 配置：**
```python
# 生產線資源
resources = [
"config://factory/production_lines", # 生產線配置
"manual://equipment/operation", # 設備操作手冊
"schedule://maintenance/weekly", # 維護排程
"specs://quality/standards" # 品質標準
]
```
**Prompts 模板：**
```python
# 異常處理提示
prompts = [
"equipment_failure_analysis", # 設備故障分析
"quality_deviation_response", # 品質偏差處理
"maintenance_scheduling", # 維護排程建議
"production_optimization" # 生產最佳化建議
]
```
### 金融業風險管控
**整合範例：**
```python
async def assess_credit_risk(application_id: str):
# 獲取申請人資料 (Resource)
applicant_data = await get_resource(f"customer://application/{application_id}")
# 查詢信用紀錄 (Tool)
credit_history = await call_tool("query_credit_bureau", {
"customer_id": applicant_data.customer_id,
"scope": "comprehensive"
})
# 執行風險評估 (Tool)
risk_score = await call_tool("calculate_risk_score", {
"applicant_data": applicant_data,
"credit_history": credit_history,
"model": "latest_ml_model"
})
# 生成風險報告 (Prompt)
risk_report = await get_prompt("credit_risk_assessment", {
"applicant_info": applicant_data,
"risk_score": risk_score,
"recommendations": risk_score.recommendations,
"compliance_notes": "金管會規範"
})
return risk_report
```
## 開發最佳實踐
### 工具設計原則
1. **單一職責**：每個工具只做一件事，做好一件事
2. **參數驗證**：嚴格驗證輸入參數，提供清晰的錯誤訊息
3. **錯誤處理**：優雅地處理各種異常情況
4. **效能最佳化**：避免不必要的計算和 I/O 操作
5. **文件完整**：提供詳細的描述和使用範例
### 資源管理策略
1. **快取機制**：對靜態資源實施智能快取
2. **版本控制**：追蹤資源版本變化
3. **權限控制**：確保資源訪問安全
4. **監控告警**：監控資源使用情況和效能
### 提示最佳化技巧
1. **A/B 測試**：測試不同提示模板的效果
2. **動態調整**：根據回饋調整提示內容
3. **領域專精**：為不同領域設計專門的提示
4. **多語言支援**：提供多語言版本的提示
## 小結：三位一體的智能協作
Tools、Resources、Prompts 三大機制的設計體現了 MCP 的核心理念：**讓 AI 具備真正的實用性和專業性**。
- **Tools** 賦予 AI 「動手能力」，讓它能夠執行實際操作
- **Resources** 提供 AI 「背景知識」，讓它擁有豐富的上下文
- **Prompts** 指導 AI 「工作方式」，確保輸出的專業性和一致性
這三者的完美結合，讓 AI 從「會聊天的機器人」進化成「專業的工作夥伴」，這正是 MCP 技術的革命性價值所在。
---
**下一頁：** [2-3 上下文管理與持久化技術](/s/mcp-context-management)
Sign in with Wallet
Connect another wallet