Цель: Научиться создавать мощные серверы Model Context Protocol (MCP), масштабируя инструменты в повторно используемые агентные рабочие процессы (ADW, также известные как Prompts w/tools).

Быстрые данные

Quick-Data — это MCP-сервер, который предоставляет агенту произвольный анализ данных по .json и .csv файлам.

Мы используем быстрые данные как конкретный сценарий для экспериментов с элементами MCP Server, а именно с подсказками > инструментами > ресурсами.

См. quickdata-mcp для подробностей о сервере MCP

Ведущие вопросы

Мы экспериментируем с тремя ведущими вопросами:

1. Как мы можем максимально использовать пользу специально созданных MCP-серверов, используя инструменты, ресурсы и запросы ВМЕСТЕ?
2. Какая ЛУЧШАЯ архитектура кодовой базы для создания MCP-серверов?
3. Можем ли мы создать агентный рабочий процесс (запросы с инструментами), который можно использовать для быстрого создания MCP-серверов?

Понимание компонентов MCP

MCP-серверы имеют три основных строительных блока, расширяющие возможности моделей ИИ:

Инструменты

Что: функции, которые модели ИИ могут вызывать для выполнения действий.

Когда использовать: Когда вы хотите, чтобы ИИ СДЕЛАЛ что-то на низком или среднем атомарном уровне, исходя из конкретных сценариев вашей области.

Пример:

Ресурсы

Что: данные, которые модели ИИ могут читать и получать доступ.

MCP From Zero: Quick Data

Purpose: Learn to build Powerful Model Context Protocol (MCP) servers by scaling tools into reusable agentic workflows (ADWs aka Prompts w/tools).

Quick-Data

Quick-Data is a MCP server that gives your agent arbitrary data analysis on .json and .csv files.

We use quick-data as a concrete use case to experiment with the MCP Server elements specifically: Prompts > Tools > Resources.

See quick-data-mcp for details on the MCP server

Leading Questions

We experiment with three leading questions:

1. How can we MAXIMIZE the value of custom built MCP servers by using tools, resources, and prompts TOGETHER?
2. What’s the BEST codebase architecture for building MCP servers?
3. Can we build an agentic workflow (prompt w/tools) that can be used to rapidly build MCP servers?

Understanding MCP Components

MCP servers have three main building blocks that extend what AI models can do:

Tools

What: Functions that AI models can call to perform actions.

When to use: When you want the AI to DO something at a low to mid atomic level based on your domain specific use cases.

Example:

@mcp.tool()
async def create_task(title: str, description: str) -> dict:
    """Create a new task."""
    # AI can call this to actually create tasks
    return {"id": "123", "title": title, "status": "created"}

Resources

What: Data that AI models can read and access.

When to use: When you want the AI to READ information - user profiles, configuration, status, or any data source.

Example:

@mcp.resource("users://{user_id}/profile")
async def get_user_profile(user_id: str) -> dict:
    """Get user profile by ID."""
    # AI can read this data to understand users
    return {"id": user_id, "name": "John", "role": "developer"}

Prompts

What: Pre-built conversation templates that start specific types of discussions.

When to use: When you want to give the AI structured starting points for common, repeatable workflows for your domain specific use cases.

Example:

@mcp.prompt()
async def code_review(code: str) -> str:
    """Start a code review conversation."""
    # AI gets a structured template for code reviews
    return f"Review this code for security and performance:\n{code}"

Quick Decision Guide

• Need AI to take action? → Use Tools
• Need AI to read data? → Use Resources
• Need Reusable Agentic Workflows (ADWs)? → Use Prompts

Quick Setup

To use the Quick Data MCP server:

1. Navigate to the MCP server directory:

   cd quick-data-mcp/
   

2. Configure for your MCP client:

   # Copy the sample configuration
   cp .mcp.json.sample .mcp.json
   
   # Edit .mcp.json and update the --directory path to your absolute path