工具

使LLM能够通过您的服务器执行操作

工具是model context protocol(MCP)中的一个强大原语，使服务器能够向客户端公开可执行的功能。通过工具，LLM可以与外部系统交互、执行计算并在现实世界中采取行动。

提示

工具被设计为模型控制的，这意味着工具从服务器暴露给客户端时，AI模型能够自动调用它们（在人工参与授权的情况下）。

概述

MCP中的工具允许服务器公开可执行的函数，这些函数可以被客户端调用并被LLM用来执行操作。工具的关键特性包括：

发现：客户端可以通过tools/list端点列出可用工具
调用：工具通过tools/call端点调用，服务器执行请求的操作并返回结果
灵活性：工具可以从简单的计算到复杂的API交互

与资源一样，工具由唯一的名称标识，并可以包含描述来指导其使用。但是，与资源不同，工具代表可以修改状态或与外部系统交互的动态操作。

工具定义结构

每个工具都使用以下结构定义：

json

{
  name: string;          // Unique identifier for the tool
  description?: string;  // Human-readable description
  inputSchema: {         // JSON Schema for the tool's parameters
    type: "object",
    properties: { ... }  // Tool-specific parameters
  }
}

实现工具

以下是在MCP服务器中实现基本工具的示例：

TypeScriptPython

typescript

const server = new Server({
  name: "example-server",
  version: "1.0.0"
}, {
  capabilities: {
    tools: {}
  }
});

// Define available tools
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [{
      name: "calculate_sum",
      description: "Add two numbers together",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number" },
          b: { type: "number" }
        },
        required: ["a", "b"]
      }
    }]
  };
});

// Handle tool execution
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  if (request.params.name === "calculate_sum") {
    const { a, b } = request.params.arguments;
    return {
      content: [
        {
          type: "text",
          text: String(a + b)
        }
      ]
    };
  }
  throw new Error("Tool not found");
});

python

app = Server("example-server")

@app.list_tools()
async def list_tools() -> list[types.Tool]:
    return [
        types.Tool(
            name="calculate_sum",
            description="Add two numbers together",
            inputSchema={
                "type": "object",
                "properties": {
                    "a": {"type": "number"},
                    "b": {"type": "number"}
                },
                "required": ["a", "b"]
            }
        )
    ]

@app.call_tool()
async def call_tool(
    name: str,
    arguments: dict
) -> list[types.TextContent | types.ImageContent | types.EmbeddedResource]:
    if name == "calculate_sum":
        a = arguments["a"]
        b = arguments["b"]
        result = a + b
        return [types.TextContent(type="text", text=str(result))]
    raise ValueError(f"Tool not found: {name}")

工具示例模式

以下是服务器可以提供的一些工具类型示例：

系统操作

与本地系统交互的工具：

json

{
  name: "execute_command",
  description: "Run a shell command",
  inputSchema: {
    type: "object",
    properties: {
      command: { type: "string" },
      args: { type: "array", items: { type: "string" } }
    }
  }
}

API集成

封装外部API的工具：

json

{
  name: "github_create_issue",
  description: "Create a GitHub issue",
  inputSchema: {
    type: "object",
    properties: {
      title: { type: "string" },
      body: { type: "string" },
      labels: { type: "array", items: { type: "string" } }
    }
  }
}

数据处理

转换或分析数据的工具：

json

{
  name: "analyze_csv",
  description: "Analyze a CSV file",
  inputSchema: {
    type: "object",
    properties: {
      filepath: { type: "string" },
      operations: {
        type: "array",
        items: {
          enum: ["sum", "average", "count"]
        }
      }
    }
  }
}

最佳实践

在实现工具时：

提供清晰、描述性的工具名称和描述
使用详细的JSON Schema定义参数
在工具描述中包含示例，以演示模型应如何使用它们
实现适当的错误处理和验证
对长时间运行的操作使用进度报告
保持工具操作的重点和原子性
记录预期的返回值结构
实现适当的超时机制
考虑资源密集型操作的速率限制
记录工具使用情况以进行调试和监控

安全注意事项

在公开工具时：

输入验证

根据schema验证所有参数
清理文件路径和系统命令
验证URL和外部标识符
检查参数大小和范围
防止命令注入

访问控制

在需要时实现身份验证
使用适当的授权检查
审计工具使用情况
限制请求速率
监控滥用行为

错误处理

不要向客户端暴露内部错误
记录与安全相关的错误
适当处理超时
错误后清理资源
验证返回值

工具发现和更新

MCP支持动态工具发现：

客户端可以随时列出可用工具
服务器可以使用notifications/tools/list_changed通知客户端工具变更
工具可以在运行时添加或删除
工具定义可以更新（但应谨慎进行）

错误处理

工具错误应在结果对象中报告，而不是作为MCP协议级别的错误。这允许LLM查看并可能处理错误。当工具遇到错误时：

在结果中将isError设置为true
在content数组中包含错误详细信息

以下是工具正确错误处理的示例：

TypeScriptPython

typescript

try {
  // Tool operation
  const result = performOperation();
  return {
    content: [
      {
        type: "text",
        text: `Operation successful: ${result}`
      }
    ]
  };
} catch (error) {
  return {
    isError: true,
    content: [
      {
        type: "text",
        text: `Error: ${error.message}`
      }
    ]
  };
}

python

try:
    # Tool operation
    result = perform_operation()
    return types.CallToolResult(
        content=[
            types.TextContent(
                type="text",
                text=f"Operation successful: {result}"
            )
        ]
    )
except Exception as error:
    return types.CallToolResult(
        isError=True,
        content=[
            types.TextContent(
                type="text",
                text=f"Error: {str(error)}"
            )
        ]
    )

这种方法允许LLM看到发生了错误，并可能采取纠正措施或请求人工干预。

测试工具

MCP工具的全面测试策略应涵盖：

功能测试：验证工具能够正确执行有效输入并适当处理无效输入
集成测试：使用真实和模拟的依赖项测试工具与外部系统的交互
安全测试：验证身份验证、授权、输入清理和速率限制
性能测试：检查负载下的行为、超时处理和资源清理
错误处理：确保工具通过MCP协议正确报告错误并清理资源

Server 开发

Client 开发

工具

概述

工具定义结构

实现工具

工具示例模式

系统操作

API集成

数据处理

最佳实践

安全注意事项

输入验证

访问控制

错误处理

工具发现和更新

错误处理

测试工具

Server 开发

工具 ​

概述 ​

工具定义结构 ​

实现工具 ​

工具示例模式 ​

系统操作 ​

API集成 ​

数据处理 ​

最佳实践 ​

安全注意事项 ​

输入验证 ​

访问控制 ​

错误处理 ​

工具发现和更新 ​

错误处理 ​

测试工具 ​

工具

概述

工具定义结构

实现工具

工具示例模式

系统操作

API集成

数据处理

最佳实践

安全注意事项

输入验证

访问控制

错误处理

工具发现和更新

错误处理

测试工具