阅读指南
上一节学习了 Tools，让 AI 能够执行动态操作。本节学习 MCP 的第三大核心能力：Prompts（预制的使用模板），它能把常见的操作流程标准化。
Resources 和 Tools 都学会了，但用户每次都要"从零开始"描述需求：
场景：数据分析需求
━━━━━━━━━━━━━━━━━
用户A："帮我分析2024年的订单趋势，按月统计金额，生成图表描述"
用户B："能不能看下去年每个月的订单金额变化？"
用户C："分析订单数据，时间维度是月份，指标是金额总和"
问题：
× 三个用户其实想要同样的分析
× 但表述不同，AI 可能理解有偏差
× 每次都要完整描述需求，很繁琐
Prompts 就是为了标准化常见的使用场景。
Prompts = 预制的 Prompt 模板 + 参数
示例：
━━━━━━━━━━━━━━━━━
Prompt 名称：monthly_order_analysis
模板内容：
"分析 {year} 年的订单数据，按月统计 {metric} 指标，
生成趋势描述和关键发现"
参数：
- year: 年份
- metric: 指标（金额/数量/用户数）
使用：
→ 用户只需选择这个 Prompt
→ 填写参数：year=2024, metric=金额
→ AI 自动生成完整的分析流程
示例：天气查询 MCP Server 的 Prompts（伪代码）
# 注意：以下为伪代码示意，不可直接运行
class WeatherMCPServer:
def list_prompts(self):
# ▸ 返回所有可用的 Prompts
return [
{
"name": "daily_weather_summary",
"description": "生成指定城市的每日天气摘要",
"arguments": [
{
"name": "city",
"description": "城市名称",
"required": True
},
{
"name": "date",
"description": "日期（默认今天）",
"required": False
}
]
},
{
"name": "weather_travel_advice",
"description": "基于天气给出旅行建议",
"arguments": [
{
"name": "city",
"description": "目的地城市",
"required": True
},
{
"name": "days",
"description": "旅行天数",
"required": True
}
]
}
]
def get_prompt(self, name, arguments):
# ▸ 生成具体的 Prompt 内容
if name == "daily_weather_summary":
city = arguments["city"]
date = arguments.get("date", "今天")
return {
"messages": [
{
"role": "user",
"content": f"""
请为{city}生成{date}的天气摘要报告，包括：
1. 温度范围和体感温度
2. 天气状况（晴/雨/阴等）
3. 空气质量指数
4. 出行建议（是否需要带伞、注意防晒等）
请使用温暖友好的语气，就像天气预报员一样。
"""
}
]
}
elif name == "weather_travel_advice":
city = arguments["city"]
days = arguments["days"]
return {
"messages": [
{
"role": "user",
"content": f"""
我计划去{city}旅行{days}天。
请根据未来{days}天的天气预报，给我以下建议：
1. 最佳出行时间段
2. 需要准备的衣物和装备
3. 天气可能影响的活动安排
4. 特别需要注意的事项
请结合天气数据给出具体、实用的建议。
"""
}
]
}
使用流程
方式1：传统方式（用户自己写）
━━━━━━━━━━━━━━━━━━━━━━━━
用户："帮我看看上海今天的天气，告诉我要不要带伞"
↓
AI 自己理解需求，查询天气，生成回复
方式2：使用 Prompt 模板（标准化）
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
用户：选择 "daily_weather_summary" Prompt
填参数：city="上海", date="今天"
↓
1. AI 应用调用 get_prompt("daily_weather_summary", {city:"上海"})
2. Server 返回完整的 Prompt 模板
3. AI 使用这个模板，查询天气，生成标准化的摘要
使用 Prompt 模板不仅能确保输出格式的一致性（总是包含温度、空气质量等关键信息），还能统一 AI 的语气（如维持温暖友好的播报风格），并显著提升用户体验，因为用户不再需要绞尽脑汁描述复杂的查询需求。
可能会有人疑问：AI的优势不就是理解自然语言吗？为什么还要让用户填表单选模板？
实际上，Prompts 有两种不同的使用方式：
模式1：AI背后自动调用（对用户透明）
用户："我要退货，订单号 12345"
↓
AI应用智能分析：
1. 识别意图 → 这是退货需求
2. 提取参数 → order_id=12345
3. 自动选择 "handle_refund_request" Prompt
4. 自动填充参数
↓
执行退款流程（用户感觉在自然对话）
优势：
✓ 用户无感知，纯自然语言交互
✓ AI自动选择最合适的Prompt
✓ 对话体验流畅
适用场景：
→ 日常查询、咨询类需求
→ 对话式客服
→ 智能助手
模式2：用户主动选择（显式交互）
用户：点击 "退款处理" 按钮
↓
系统弹出表单：
+-------------------------
| 退款处理流程
+-------------------------
| 订单号：[12345____]
| 退货原因：[质量问题▼]
| 退款方式：[原路退回▼]
|
| [取消] [提交]
+-------------------------
↓
执行退款流程
优势：
✓ 用户明确知道在做什么
✓ 可以修改、确认参数
✓ 更可控，适合关键操作
适用场景：
→ 敏感操作（退款、删除数据）
→ 需要用户确认的流程
→ 批量操作、复杂表单
两种模式的选择依据
| 维度 | 模式1（AI自动） | 模式2（用户选择） |
|---|---|---|
| 交互方式 | 纯对话 | 点击+填表单 |
| 用户体验 | 更自然流畅 | 更明确可控 |
| 适用操作 | 查询、咨询 | 敏感、关键操作 |
| 错误风险 | AI可能误判 | 用户手动确认 |
| 实现复杂度 | 需要NLU能力 | 相对简单 |
NLU(Natural Language Understanding)，自然语言理解的缩写
实际项目中往往是混合使用。比如一个智能客服系统：
智能客服系统示例：
━━━━━━━━━━━━━━
场景1：简单查询（模式1）
用户："我的订单到哪儿了？"
→ AI自动识别，调用"order_inquiry" Prompt，直接回答
场景2：敏感操作（模式2）
用户："我要退款"
AI："好的，请确认以下信息："
→ 弹出退款表单，用户填写确认后执行
场景3：复杂需求（混合）
用户："帮我分析一下最近的销售情况"
AI："我找到了几个分析模板，您需要哪种？"
→ 推荐Prompt列表，用户选择后填参数
学会了 Resources、Tools、Prompts 各自的用途后，下一节将把它们三者组合起来，通过一个完整的智能客服系统场景，展示 MCP 三大能力如何协同工作，搞定真实世界中的复杂业务需求。
| 中文 | English | 音标 | 说明 |
|---|---|---|---|
| 预制模板 | Predefined Template | /ˌpriːdɪˈfaɪnd ˈtemplət/ | 将常见操作流程标准化的预设Prompt模式 |
| 占位符 | Placeholder | /ˈpleɪshoʊldər/ | Prompt模板中预留的变量位置{{}}，用户传入具体参数 |
| 标准化场景 | Standardized Scenario | /ˈstændərdaɪzd sɪˈnærioʊ/ | 用模板统一常见需求的处理方式和输出格式 |
| 模板参数填充 | Template Parameter Binding | /ˈtemplət pəˈræmɪtər ˈbaɪndɪŋ/ | 用户传入参数替换模板中占位符的过程 |