MCP Builder：Anthropic 官方出品的 MCP 服务器构建指南

你有没有这种感觉——每次给 AI Agent 接新工具，都像在写一次性的适配代码？

GitHub Copilot 写一个插件，Cursor 接一个 API，Claude Code 再来一套自己的工具链……每接一个平台就得重新学一遍「怎么写工具」，协议不同、参数不同、认证方式也不同。

这像极了 USB-C 之前的手机充电线混乱时期——每家都有自己的接口。

MCP（Model Context Protocol）就是 AI 工具界的 USB-C。而 MCP Builder，是 Anthropic 官方出品的技能包，手把手教你怎么把你的 API 封装成高质量的 MCP 服务器。

🚀 Phase 1：先做调研，别急着写代码

很多开发者一上来就撸袖子开干，结果工具命名混乱、错误提示毫无信息量、返回数据结构不一致——这些问题在上线之后代价很高。

MCP Builder 的第一步就告诉你：先去 MCP 官方文档摸清楚协议设计理念，搞清楚 streamable HTTP 和 stdio 两种传输方式的取舍，理解「工具命名要有什么规律」「错误消息怎么写才有用」。

这一步还要求你研究清楚目标 API 的端点、认证方式、数据模型，列出工具清单再动手。

⚡ Phase 2：TypeScript 还是 Python，都有最佳实践

官方推荐 TypeScript（MCP 官方 SDK 支持最好，AI 生成代码质量也高），但 Python FastMCP 也有完整指南。

具体到：

• 怎么用 Zod（TS）或 Pydantic（Python）定义输入 Schema，带约束、带示例
• 工具描述怎么写，AI 才能正确选择和调用
• 错误消息怎么给「下一步行动指引」，而不是甩一个 HTTP 状态码
• readonlyHint / destructiveHint / idempotentHint 这些注解怎么用

🧪 Phase 3 和 Phase 4：测试 + 评估，缺一不可

Build 完还不算完——要跑 MCP Inspector 验证工具行为，最后还要写 10 个 QA 对来评估 LLM 是否真能用好你的服务器。

这个评估框架很有意思：问一个复杂问题，需要调用多个工具、跨多个步骤才能答对的那种。答对了，说明工具设计合格；答不上来，说明工具抽象有问题。

谁应该用？

你要给团队封装内部 API，想让 AI Agent 能操作数据库、查日志、触发 CI——MCP Builder 一步一步带着你做，从调研到评估交付。

不是玩具，是工程级的 MCP 服务器构建指南。

GitHub 官方技能库：https://github.com/anthropics/skills（⭐ 170k），子技能 mcp-builder 入口在 `skills/mcp-builder/`。

GitHub: https://github.com/anthropics/skills