Værktøjer, ressourcer og prompts i MCP
På denne side
Opdateret 2. november 2026 — MCP Python SDK v2. Dette kursus følger nu version 2 af
mcp-SDK’et (2.3.0 pr. 2. oktober 2026):MCPServererstatterFastMCP, transportindstillinger flyttes tilrun()ellerstreamable_http_app(), og en applikation, der eksponeres under et rigtigt værtsnavn, skal deklarere dette værtsnavn (transport_security). Dette er også den version, som Mistral SDK kræver: ekstrainstallationernemistralai[agents]krævermcp>=2.2.0,<3.0. Kilder: Hvad er nyt i v2 · Migrationsguide · Deploy & scale.
Tre funktioner, tre formål
En MCP-server kan eksponere tre typer funktioner over for sine klienter. De er ikke udskiftelige: hver enkelt dækker et specifikt behov, og hvis du blander dem sammen, ender du med servere, som modellen har svært ved at bruge. I denne lektion gennemgår vi dem én efter én, før vi tager fat på det spørgsmål, der afgør serverens kvalitet: hvor mange værktøjer, og med hvilken granularitet?
Værktøjer: eksekverbare funktioner
Værktøjer er protokollens mest anvendte funktion. Et værktøj er en funktion, som modellen kan vælge at kalde for at udføre en handling eller hente information. Definitionen hviler på fire elementer: et unikt og beskrivende navn (create_issue, get_weather), en tekstbeskrivelse, der fortæller modellen, hvornår den skal kaldes, et JSON-skema for inputparametre med deres typer og begrænsninger samt et returformat – oftest tekst eller JSON.
from mcp.server.mcpserver import MCPServer
app = MCPServer("My Server")
@app.tool()
def get_weather(latitude: float, longitude: float) -> str:
"""Retrieves current weather for the given coordinates.
Args:
latitude: Latitude in decimal degrees (-90 to 90)
longitude: Longitude in decimal degrees (-180 to 180)
Returns:
Text description of current weather
"""
# Weather API call logic
return f"Sunny, 22°C at ({latitude}, {longitude})"
Undervurder ikke beskrivelsen og typningen: modellen ser ikke andet. Den har ingen adgang til din kode, kan ikke gætte dine intentioner og kan ikke teste et kald for at se, hvad der sker. Vage beskrivelser eller dårligt typede parametre fører mekanisk til fejlagtige kald.
Nogle få vaner gør dine værktøjer markant mere pålidelige. Navngiv dem efter, hvad de gør – book_restaurant siger alt, process_request siger intet – og beskriv både handlingen og returindholdet, da modellen skal kunne forudse, hvad den får tilbage. Annotér altid parametre i Python og skriv strukturerede docstrings med Args og Returns: det er disse data, der fodrer det skema, modellen ser. Returnér endelig læsbare værdier frem for opaque identifikatorer; et værktøj, der returnerer "John Smith", lader modellen komponere en sætning, mens et værktøj, der returnerer en UUID, tvinger den til at gætte.
Ressourcer: læsbare data
Ressourcer eksponerer data, som klienten kan læse uden bivirkninger. Nuancen i forhold til værktøjer kan koges ned til ét verbum: et værktøj gør noget, en ressource indeholder noget. Indholdet af en konfigurationsfil, en vidensbase, API-dokumentation eller den aktuelle systemtilstand er alle naturlige ressourcer.
@app.resource("config://database")
def get_db_config() -> str:
"""Current database configuration."""
return json.dumps({
"host": "localhost",
"port": 5432,
"database": "production"
})
Hver ressource identificeres af en URI – config://database, file:///path/to/doc – som klienten kan liste og derefter læse on demand. I praksis bruges de sjældnere end værktøjer, da et simpelt værktøj, der returnerer data, dækker de fleste behov. De er dog nyttige, når du vil publicere statiske eller semi-statiske data uden eksekveringslogik bagved.
Prompts: genanvendelige skabeloner
MCP-Prompts er parametriserbare skabeloner, som serveren stiller til rådighed. De tjener til at dele velafprøvede instrukser til en given opgave i stedet for at lade alle genopfinde deres formuleringer.
@app.prompt()
def code_review(language: str, code: str) -> str:
"""Generates a code review prompt for the given language."""
return f"""You are an expert in {language}.
Analyze the following code and identify:
1. Potential bugs
2. Performance issues
3. Readability improvements
Code to analyze:
```{language}
{code}
```"""
Denne anvendelse giver mest mening i teamsammenhæng. En seniorudvikler kodificerer sine prompts til code review, fejlfinding eller arkitekturanalyse i en MCP-server, og hele teamet kan tilgå dem fra deres egen klient med samme instruktionskvalitet.
Forhandling af funktioner
Når en klient forbinder til en server, går en forhandlingsfase forud for enhver brug:
- Klienten anmoder om serverens funktioner
- Serveren svarer med sin liste over værktøjer, ressourcer og prompts
- Klienten præsenterer disse funktioner for sprogmodellen
- Modellen bruger beskrivelserne til at beslutte, hvad den skal kalde
Denne forhandling er dynamisk, og det er en egenskab, du kan udnytte: den samme server kan annoncere forskellige funktioner afhængigt af den forbundne bruger eller kaldkontekst – en administratorkonto ser værktøjer, som en skrivebeskyttet konto aldrig vil se.
Hvor mange værktøjer per server?
Spørgsmålet virker banalt, men det betinger din agents fejlrate. Hold dine servere fokuserede: tre til ti veldefinerede værktøjer virker bedre end halvtreds generiske. Ud over et vist volumen spredes modellens valg, og den ender med at kalde det forkerte værktøj eller stable unødvendige kald oven på hinanden.
Hvis dit funktionelle omfang er bredt, så del det op i flere specialiserede servere – én til Git-operationer, én til projektledelse, én til overvågning. Klienten ved, hvordan den forbinder til flere servere samtidigt og kun aktiverer dem, der kræves af den aktuelle opgave, hvilket svarer til at indlæse den nyttige kontekst frem for hele kataloget.
Én sidste afvejning fortjener din opmærksomhed: granularitet. Hvis du eksponerer tre værktøjer til at liste restauranter, tjekke tilgængelighed og derefter booke, tvinger du modellen til at orkestrere en sekvens med risiko for fejl ved hvert step. Et enkelt workflow-værktøj – book_restaurant – kapsler hele sekvensen ind, reducerer antallet af round trips og flytter forretningslogikken derhen, hvor den er testbar: ind i din kode.
Vigtige pointer
- Værktøjer = eksekverbare handlinger (90 % af use cases), kræver præcis beskrivelse og typning
- Ressourcer = læsbare data via URI, ingen bivirkninger
- Prompts = genanvendelige skabeloner, nyttige til teams
- Hold dine servere fokuserede (maksimalt 3–10 værktøjer)
- Foretræk workflow-værktøjer frem for alt for granulare værktøjer
- Beskrivelseskvaliteten bestemmer modellens effektivitet