MCP（Model Context Protocol）协议定义了三类核心组件：资源（resource）、提示（prompt）和工具（tools）。在具体使用时经常有些混淆：资源可以搜索或API获得，也可以通过提示和工具进行调用；提示本身也可以对资源和工具提出要求；工具也可能对资源有一定的操作。它们并不是边界清晰和互斥的，这就给MCP的使用带来了复杂性，因此并不能依靠MCP市场中简单的说明进行调用。

1. 资源（Resource）🌐

定义：指 AI 模型可以读取的数据内容，如文档、图像、数据库表、API 返回值等，是“上下文原料”。

特点：

• 通常通过 URI 或 API 进行检索（像 HTTP GET）。
• 是只读的，不会被 AI 主动修改。
• 例如：数据库记录、文件系统里的 PDF、网页内容等。

作用：在生成提示（prompt）时，提供原始数据上下文，辅助模型理解任务背景。

例如，用于文档问答，AI 会先读取资源内容，再构建答案。

2. 提示（Prompt）

定义：即“预设的模板提示”或“交互流程定义”，由服务器提供，模型可以选择使用。

特点：

• 是结构化模板，可能带参数；
• 引导模型如何使用资源和工具；
• 相当于互动脚本或“建议用户话术”。

作用：

• 帮助模型在复杂业务场景中按步骤进行交互；
• 保证信息调用和上下文获取的流程标准化，避免遗漏。

3. 工具（Tool）🛠️

定义：AI 模型可以调用的可执行功能：如调用 API、运行脚本、写数据库、发送消息等。

特点：

• 是动态、可修改环境或执行动作的“函数”；
• 通常带有 JSON 模式定义参数；
• 模型可选择通过tools/call调用操作。

作用：

• 完成实际任务（如收集数据、发邮件、修改文件等）；
• 使 AI 能够主动参与而非仅被动回答。

三者的区别与联系

• 联系：AI 在使用资源获得上下文后，可能按提示模板构建任务流程，再调用工具完成操作。它们构成：资源 → 提示 → 工具 的链条。
• 区别：

• Resource 是“静态数据”，
• Prompt 是“交互结构模板”，
• Tool 是“可执行动作”。

🧠 工作流程示例

1. LLM 向 MCP Client 请求 list 支持的Prompts/Resources/Tools。
2. LLM 选择资源，比如获取某篇文档内容。
3. 根据Prompt 模板构建对话或提问流程。
4. 如需操作，如“发送报告”，调用对应Tool完成。

小结

• Resource：提供信息上下文，是模型的“原材料”。
• Prompt：提供逻辑框架或步骤，是模型的“脚本指导”。
• Tool：执行具体操作，是模型的“行动能力”。

三者相辅相成，共同构建了 MCP 的模块化、结构化和可扩展的上下文交互系统，使 AI 不仅善于“说”，还能“做”，并能有条理地组织这一过程。

应用中的问题：

在实际使用中还有个问题：三类核心组件搜是在MCP Server 端定义和提供的，也就是说，资源（Resource）、提示（Prompt）、工具（Tool）均是由服务器端注册和暴露，那么Client 端是如何发现、展示、选择与使用这些能力的呢？

🧩 1. MCP Server 与三类组件

• MCP Server是运行在目标系统（如文件系统、数据库、HTTP 服务等）一端的进程，它会通过 MCP 协议将可用的资源｜提示｜工具暴露给 Client。因此很多遗留系统要支持智能体调用，就需要开发MCP服务器接口，向MCP客户端暴露必要的能力。这是目前大多数现有系统能否升级成支持AI/大模型/智能体应用最简单的方式，也是最关键的一步。这一过程中原有系统的能力和MCP服务开发的丰富性与灵活性就成了升级后AI平台能力水平的关键。
• Server 端支持动态更新，能向 Client 通知新增或调整能力（如notifications/tools/listchanged）。

2. Client 如何建立能力列表（list）

Client 与连接的每个 MCP Server 之间建立会话后，会执行如下操作：

1. Capability discovery（能力发现）：Client 向每个 Server 发出listtools、listresources、listprompts请求。
2. 服务器回应可用组件列表，包括它们的名称、描述、URI、参数模板等。()
3. Client 将这些列表合并、缓存，借此构建一个“能力目录”，供 AI 模型在推理阶段自动或用户交互时调用。

简而言之，list操作完全由 Client 向 Server 请求，并由 Server 响应定义；Client 不会“自己构建”，只是汇总和展现。

3. 如何获得大量 MCP Server 的能力？

• 连接多个 MCP Server：Client 可以在启动时配置多个 Server 实例，支持本地（如文件系统 MCP Server）、远程（HTTP/SSE）等多种部署方式。
• 统一能力采集：每个 Server 都会被 “discovery” 阶段调用 list 系列接口，Client 会分别获取每个 Server 的工具、资源、提示。
• 动态监听能力更新：如果 Server 支持listChanged或 SSE 推送通知，这些新增或变化会被 Client 捕获，更新其能力缓存。

大量 Server 的使用场景：

• 多来源的文档知识库（GitHub、Google Drive、Postgres…），每个一个 MCP Server。
• 本地 IDE、操作系统、云服务等也可通过独立 MCP Server 接入。

例如，Windows 引入了MCP registry，Client 会自动发现并连接多个 MCP Server（如文件系统、WSL、应用），形成一个综合能力池。

• Client 发起list tools/resources/prompts，给所有已知 Server
• Server 分别反馈能力列表
• Client 聚合形成一个统一能力视图供 AI 使用

未来基于智能体的AI应用开发很大程度上取决于MCP Client的开发。在此基础上加上智能编排和工作流调用，就能形成非常智能、灵活的各类应用，传统应用系统/平台就能越来越多地升级成基于大模型智能体的应用。