MCP 怎麼把 Claude 接到外部工具和資料？它用 tools、resources、prompts
三種原語，搭配 MCP client 與 server 把整合責任拆開；本篇涵蓋 Model Context
Protocol 的第 47–56 堂與 Quiz 6，實作以 Python SDK 和本機 stdio
為主，資源注入的錯誤處理仍有明確邊界。

前幾篇把 Claude API 的工具使用、RAG 和提示快取一路接起來。到了 MCP，問題換成了另一個角度：如果每一個外部服務都要自己寫 schema、函式和維護流程，應用程式很快就會長成一團整合程式碼，這些工具能不能被整理成可重複使用的介面？

這次打開 Claude Academy 的 Building with the Claude API，也回到 Claude Platform 對照 API 的位置。本篇涵蓋官方 Model Context Protocol 的第 47–56 堂，共 10 堂課與 Quiz 6；課程用同一個 CLI 聊天機器人專案，同時建立 MCP server 和 client，走過 tools、resources、prompts 三條路徑。

章節課程地圖

Model Context Protocol 的第 47–56 堂，沿著同一個 CLI 聊天機器人專案，同時修改 mcp_server.py、mcp_client.py 和 main.py，把三種 MCP primitives 逐步接起來。

Model Context Protocol

47. Introducing MCP（介紹 MCP）

MCP（Model Context Protocol）是一層通訊協定，讓 Claude 取得外部工具與上下文。它處理的重點，是把工具的定義與執行責任交給專門的 MCP server，應用程式可以透過 client 使用這些能力。

官方用 GitHub 做了一個很容易理解的例子：使用者想問「我所有 repository 裡有哪些開放中的 pull request？」。如果每一項 GitHub 功能都直接塞進聊天應用程式，儲存庫、PR、issue、project 都要各自寫 schema、函式、測試和維護邏輯。MCP 把這些能力放在專用 server 裡，應用程式透過標準介面使用它們。

課程把三個常見問題整理成這張表：

我會把它記成「工具的供應鏈重組」：Claude 仍然可以提出工具請求，但工具怎麼被定義、放在哪裡執行，以及由誰長期維護，被拆到另一個可以獨立演進的 server。

48. MCP clients（MCP 客戶端）

MCP client 是你的應用程式和 MCP server 之間的橋。它負責處理訊息傳遞與協定細節，讓主程式不必自己拼裝每個外部服務的通訊格式。

MCP 的傳輸層與應用程式邏輯分開。client 和 server 可以透過不同方式溝通；最常見的設定是兩者在同一台機器上，透過標準輸入／輸出（stdio）通訊，也可以使用 HTTP、WebSockets 或其他網路協定。

最基本的兩組訊息是：

完整流程可以先畫成這樣：

使用者 → 你的伺服器 → MCP client → MCP server（真的打 GitHub）→ 原路送回
            ↑
        Claude 只跟你的伺服器講話

假設使用者問「我有哪些 repository？」：你的伺服器先從 MCP client 取得工具清單，再把問題和工具送給 Claude。Claude 判斷要用哪個工具後，你的伺服器把請求交給 client，client 再交給 MCP server。GitHub 的結果沿著原路回來，最後由你的伺服器把結果交給 Claude 整理。

這張圖的重點是責任邊界：Claude 不直接碰 GitHub；它只和你的伺服器溝通，伺服器再透過 MCP client 使用外部能力。

49. Project setup（專案設定）

課程接著建立一個 CLI 聊天機器人，讓使用者透過命令列和一組文件互動。專案裡有兩個元件：處理使用者互動的 MCP client，以及管理文件操作的自訂 MCP server。文件先放在記憶體裡，不使用資料庫。

這個範例同時實作 client 和 server，主要是為了把完整流程走過一次。實際專案通常會依角色選擇其中一邊：做 server，是把自己的服務公開給其他開發者；做 client，則是連到已經存在的 MCP server。

設定完成後，課程提供兩種啟動方式：

uv run main.py      # 建議
python main.py      # 標準 Python

這堂最值得留下來的習慣，出現在真正開始加工具之前。先問一個你能立刻驗證的問題，例如「1+1 等於多少？」確認回覆確實是 2，再問「文件裡寫了什麼？」。第二個問題在文件工具還沒建立以前，不可能真的讀到文件；模型回什麼，都是之後加入工具前可以對照的基準。

這個步驟很小，卻把驗證成本和出錯代價接在一起：如果金鑰、相依套件或聊天迴圈一開始就有問題，後面每一堂都會被錯誤拖著走。先用已知答案建立基準，後續每加一層就有東西可以比較。

50. Defining tools with MCP（使用 MCP 定義工具）

Python SDK 把定義工具的工作縮短到 decorator、type hints 和 Field。你不必手寫完整的 JSON schema，SDK 會從函式簽名和參數描述產生 Claude 需要的結構。

初始化 MCP server：

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("DocumentMCP", log_level="ERROR")

文件先用一個 dictionary 放在記憶體裡，key 是文件 ID，value 是文件內容。

讀取工具的定義如下：

@mcp.tool(
    name="read_doc_contents",
    description="Read the contents of a document and return it as a string."
)
def read_document(doc_id: str = Field(description="Id of the document to read")):
    if doc_id not in docs:
        raise ValueError(f"Doc with id {doc_id} not found")
    return docs[doc_id]

另一個 edit_document 工具則要求 doc_id、要尋找的文字，以及要替換成的新文字；完整實作可以直接看 第 50 堂的 commit。

這段設計有三個實用細節：函式名稱和 description 讓 Claude 知道工具用途，Field 描述參數的意義，ValueError 則把「找不到文件」這件事變成模型可以理解的錯誤訊息。相較於只回傳一個模糊的 server error，具體錯誤讓 Claude 有機會修正下一次呼叫的參數。

51. The server inspector（伺服器檢查工具）

MCP server 還沒接進完整應用程式前，可以先用 Python MCP SDK 內建的瀏覽器版 inspector 單獨測試：

mcp dev mcp_server.py

它會啟動一個開發伺服器，預設使用 port 6277，並提供本機 URL 開啟 MCP Inspector。操作流程是先按 Connect 啟動 server，再到 Tools → List Tools，選取工具、填入參數，最後按 Run Tool 看回傳結果。

Inspector 也能把操作串起來驗證：先用 edit_document 修改文件，再用 read_doc_contents 讀回來，確認兩個工具之間真的共享同一份資料。

官方提醒 Inspector 仍在積極開發，畫面可能和課程截圖不同。這個提醒很重要：可依賴的是它提供獨立測試 tools、resources、prompts 的能力，畫面配置和細節則要以目前版本為準。

52. Implementing a client（實作客戶端）

MCP client 可以拆成兩層：

多包一層自訂類別的理由，是把 session 的資源清理集中管理。CLI 對 MCP server 的核心工作只有兩件事：取得工具清單，以及在 Claude 要求時呼叫工具。

async def list_tools(self) -> list[types.Tool]:
    result = await self.session().list_tools()
    return result.tools

async def call_tool(self, tool_name: str, tool_input: dict) -> types.CallToolResult | None:
    return await self.session().call_tool(tool_name, tool_input)

把完整流程接起來後，資料會依序經過：取工具清單、把使用者問題送給 Claude、Claude 決定呼叫 read_doc_contents、client 執行工具、結果回到 Claude，最後才產生回覆。這個 client 的程式碼比我原本預期的小：兩個 async 方法，加上一個負責清理的 context manager，連線與協定的複雜度大多由 SDK 處理。

53. Defining resources（定義資源）

工具適合執行動作；資源則適合向 client 公開資料。課程用 HTTP 的 GET handler 來類比 resources：你想取得資訊時讀取資源，需要改變狀態時才呼叫工具。

文件提及功能就是一個好例子。使用者輸入 @ 時，需要先拿到所有可用文件供自動完成；選定文件後，再依 URI 取得特定文件內容。資源的 URI 就像資料的位址。

MCP 有兩種資源：

Python SDK 會從範本化 URI 解析參數，再以關鍵字引數傳給函式：

@mcp.resource("docs://documents", mime_type="application/json")
def list_docs() -> list[str]:
    return list(docs.keys())


@mcp.resource("docs://documents/{doc_id}", mime_type="text/plain")
def fetch_doc(doc_id: str) -> str:
    if doc_id not in docs:
        raise ValueError(f"Doc with id {doc_id} not found")
    return docs[doc_id]

mime_type 是給 client 的提示，告訴它回傳內容應該如何理解。SDK 會依回傳型別自動序列化，程式碼不用自己把資料轉成 JSON 字串。

54. Accessing resources（存取資源）

client 這一側要加上 read_resource：

import json
from pydantic import AnyUrl

async def read_resource(self, uri: str) -> Any:
    result = await self.session().read_resource(AnyUrl(uri))
    resource = result.contents[0]

回應裡有一個 contents 清單，通常先取第一個元素，再依 MIME type 決定解析方式：

if isinstance(resource, types.TextResourceContents):
    if resource.mimeType == "application/json":
        return json.loads(resource.text)
    return resource.text

使用者輸入 @report.pdf 這份文件在講什麼？ 時，client 會先完成文件選擇，再把資源內容放進送給 Claude 的提示。這和讓 Claude 另外呼叫一個讀檔工具的流程不同：文件已經在提示裡，模型收到上下文後就能直接回答。

一次提及多份文件時，也能把比較資料一併注入：

You: @report.pdf 這份文件在講什麼？
     @financials.docx 跟 @outlook.pdf 有什麼差異？

多份文件注入後，文件內容會直接進入提示，Claude 不需要再透過另一輪工具呼叫取回它們。

55. Defining prompts（定義提示）

MCP 的 prompts 是 server 作者預先寫好、測試過的高品質指令。使用者仍然可以自己輸入「把 report.pdf 轉成 Markdown」，但如果 server 已經把格式、結構和輸出要求整理成一份可重複呼叫的 prompt，結果比較容易維持一致。

這個 prompt 會回傳一組 user／assistant 訊息，client 取得後可以直接送給 Claude。完整的 format prompt 與 edit_document 呼叫方式放在 第 55 堂的 commit，文章保留它的設計重點就好：資源提供內容，prompt 提供經過測試的任務指令，工具負責真的修改文件。

這段的關鍵在於 prompt 會明確告訴 Claude 下一步可以使用 edit_document。提示、工具和資源因此形成一組設計。

Inspector 的 Prompts 區段可以選擇 prompt、填入參數，直接查看展開後要送給 Claude 的訊息。測試不同輸入時，這個畫面能確認變數真的插入指令，也能確認 prompt 和 server 的工具是否配得起來。

56. Prompts in the client（客戶端中的提示）

client 需要實作兩個方法，分別列出可用的 prompts，以及依名稱和參數取得某一個 prompt：

async def list_prompts(self) -> list[types.Prompt]:
    result = await self.session().list_prompts()
    return result.prompts

async def get_prompt(self, prompt_name, args: dict[str, str]):
    result = await self.session().get_prompt(prompt_name, args)
    return result.messages

伺服器端 prompt 函式的參數，會對應到 client 呼叫 get_prompt 時傳入的 dictionary key。CLI 裡的使用者體驗則像 slash command：輸入斜線，看到可用指令，選取 prompt，再填入文件 ID，完整 prompt 就會送給 Claude。

以 /format financials.docx 為例，使用者只選一個指令和文件，剩下的工具順序由 Claude 依 prompt 內容完成。

走到這裡，我會把 /指令 記成 get_prompt：server 把一段測過的對話開場白交給 client，Claude 再從這個起點繼續使用工具。

Course Quiz 6（課程測驗）

有 6 題。官方頁面本身是繁中，以下保留實際題目與正確答案。

1. 您想為您的 MCP 伺服器建立一個讀取文件內容的工具。使用 Python SDK，定義此工具最簡單的方法是什麼？

答案：在函式上使用 @mcp.tool 裝飾器

2. 您正在建立一個文件系統，使用者可以輸入 @document_name 來引用檔案。哪個 MCP 功能最適合用於公開文件內容？

答案：Resources

3. 您想為使用者提供一個高品質、經過預先測試的文件格式化指令。您應該使用哪個 MCP 功能？

答案：Prompts

4. 您正在建立一個需要存取 GitHub 資料的聊天機器人。使用 MCP 而不是自行編寫 GitHub 整合的主要好處是什麼？

答案：MCP 會為您處理工具定義和執行

5. 您已經建立了一個 MCP 伺服器，並想在將工具連接到 Claude 之前測試您的工具。最好的測試方式是什麼？

答案：在瀏覽器中使用 MCP Inspector

6. 您的 MCP 伺服器和客戶端需要進行通訊。在開發過程中，它們最常見的連接方式是什麼？

答案：透過同一台機器上的標準輸入/輸出

實作地圖：每堂課一個 commit

完整程式碼放在 claude-academy-api-app。

小結

這堂課最像在看一個 MCP 專案慢慢長出來：先把 client 和 server 的骨架接起來，再一個功能一個功能往上疊，從 tools 到 resources、prompts，讓我看懂 MCP 接進 CLI 之後，兩邊的訊息怎麼流動。

我覺得更值得留下來的是課程的開發順序。它採用交叉開發：先在 server 加上一個能力，再用 MCP Inspector 單獨測試，確認可以運作後，回到 client 把它串起來，接著才進下一個功能。一次只走完一條完整路徑，出了問題比較容易知道是哪一段造成的，也能理解為什麼這一堂先改 server，下一堂再回 client。

上到前面幾堂時，我一度覺得這些內容好像已經學過了。回頭和第八天的〈Model Context Protocol 簡介：從零打造 MCP 客戶端與伺服器〉比對，我粗略估計重疊程度大概有 90%。但跟著課程章節一路開發，把整個流程實際跑通，直到 client 和 server 真的串通，理解會深很多，也更有感。

所以我會建議至少跟著這門 MCP 課程完整走過一次。它適合邊看邊寫；把每一段實際接起來之後，才會比較清楚每個元件各自負責什麼。

Building with the Claude API｜GitHub Source Code

我是 Jasper，從事軟體開發，目前專注打造 AI 工作流程。
官方圖解與完整表格在 Blog 版，和我一起探討更多 AI 議題 🚀