前面我們已經實際做過 MCP Tool 和 MCP Resource，Tool 可以讓 Agent 執行某些操作，而 Resource 可以讓 Agent 取得 MCP Server 提供的資料，不過 MCP 還有另一個功能：Prompt。

如果我們有一些常常重複使用的任務，每次都要重新輸入一大段指令其實很麻煩，所以今天就來實際建立一個 MCP Prompt，把常用的任務整理成可以重複使用的 Prompt。

建立 Prompt

首先建立 prompt_server.py，這次使用 @server.prompt() 建立 MCP Prompt，我們先做一個學習用的 Prompt：

這裡的 topic 就是 Prompt 的參數，只要輸入 study_prompt("MCP") 就會將 MCP 帶入原本設計好的 Prompt。

除了學習主題之外，我也另外建立了一個 code_review_prompt，讓它可以將程式碼套用到固定的 Code Review 格式。

使用 MCP Inspector 測試

先啟動 MCP Inspector 進行測試，進入 Inspector 後，可以在 Prompts 中看到：

先測試 study_prompt，在 topic 輸入 MCP 執行後，就可以看到 MCP Server 回傳我們預先設計好的 Prompt。

接著再測試 code_review_prompt，傳入一段程式碼，也可以得到對應的 Code Review Prompt。

這樣就完成了 MCP Prompt 的基本實作。

讓 Agent 使用 Prompt

前面的 Inspector 測試，是直接確認 Prompt 是否正常運作，接著也可以讓 MCP Client 取得 Prompt，再交給 Gemini 使用，在 Client 中透過：

prompt = await session.get_prompt(
    "study_prompt",
    arguments={
        "topic": "MCP"
    }
)

取得 MCP Server 提供的 Prompt，再將取得的內容交給 Gemini：

response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents=prompt_text
)

這樣就可以形成：

MCP Client
    ↓
取得 MCP Prompt
    ↓
Gemini
    ↓
產生回答

實際執行後，可以看到 Gemini 根據這個 Prompt 產生對應的回答。

Prompt 有什麼用？

如果只是偶爾使用一次，直接把指令輸入給 AI 就可以了，但如果某個任務會一直重複使用，就可以把它整理成 MCP Prompt，讓不同的 Client 都可以使用相同的任務模板。

因此 Prompt 可以理解成：

把常用的 AI 任務整理成可以重複使用的提示模板。

Prompt 和 Tool、Resource 的差別

到目前為止，我們已經實際接觸 MCP 的三種主要功能：

例如 Calculator 是使用 Tool 真的執行計算，Resource 則是提供資料，而 Prompt 則是提供一套預先設計好的任務指引。

另外要注意 Prompt 本身不會自動判斷使用者什麼時候需要它，如果希望 Agent 自己判斷「這是一般對話，還是需要使用某個 Prompt」，還需要由 Client 或 Agent 額外設計判斷邏輯。

總結

今天我們實際建立了 MCP Prompt，並透過 MCP Inspector 進行測試，也進一步讓 MCP Client 取得 Prompt 後交給 Gemini 使用。

透過這次實作，可以看到 Prompt 的主要用途，就是把常用的 AI 任務整理成可以重複使用的模板。加上前面做過的 Tool 和 Resource，目前已經實際接觸 MCP 中三種主要功能：

• Tool：執行操作
• Resource：提供資料
• Prompt：提供任務指引