工具是模型上下文协议（MCP）中的强大原语，使服务器能够向客户端公开可执行功能。通过工具，LLM 可以与外部系统交互，执行计算，并在现实世界中采取行动。
工具被设计为模型控制的，这意味着工具从服务器公开给客户端，目的是让 AI 模型能够自动调用它们（在人类参与循环以授予批准的情况下）。

​
概述

MCP 中的工具允许服务器公开可由客户端调用并由 LLM 用于执行操作的可执行函数。工具的关键方面包括：
  • 发现：客户端可以通过 tools/list 端点列出可用工具
  • 调用：工具使用 tools/call 端点调用，服务器执行请求的操作并返回结果
  • 灵活性：工具可以从简单的计算到复杂的 API 交互不等
与资源一样，工具由唯一名称标识，并可包含描述以指导其使用。然而，与资源不同，工具代表可以修改状态或与外部系统交互的动态操作。

​
工具定义结构

每个工具的定义具有以下结构： 
{
  name: string;          // 工具的唯一标识符
  description?: string;  // 人类可读的描述
  inputSchema: {         // 工具参数的 JSON Schema
    type: "object",
    properties: { ... }  // 工具特定参数
  }
}

​
实现工具

以下是在 MCP 服务器中实现基本工具的示例： 
const server = new Server({
  name: "example-server",
  version: "1.0.0"
}, {
  capabilities: {
    tools: {}
  }
});

// Define available tools
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [{
      name: "calculate_sum",
      description: "Add two numbers together",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number" },
          b: { type: "number" }
        },
        required: ["a", "b"]
      }
    }]
  };
});

// Handle tool execution
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  if (request.params.name === "calculate_sum") {
    const { a, b } = request.params.arguments;
    return {
      content: [
        {
          type: "text",
          text: String(a + b)
        }
      ]
    };
  }
  throw new Error("Tool not found");
});

​
工具模式示例

以下是服务器可以提供的一些工具类型示例：

​
系统操作

与本地系统交互的工具： 
{
  name: "execute_command",
  description: "Run a shell command",
  inputSchema: {
    type: "object",
    properties: {
      command: { type: "string" },
      args: { type: "array", items: { type: "string" } }
    }
  }
}

​
API 集成

包装外部 API 的工具： 
{
  name: "github_create_issue",
  description: "Create a GitHub issue",
  inputSchema: {
    type: "object",
    properties: {
      title: { type: "string" },
      body: { type: "string" },
      labels: { type: "array", items: { type: "string" } }
    }
  }
}

​
数据处理

转换或分析数据的工具： 
{
  name: "analyze_csv",
  description: "Analyze a CSV file",
  inputSchema: {
    type: "object",
    properties: {
      filepath: { type: "string" },
      operations: {
        type: "array",
        items: {
          enum: ["sum", "average", "count"]
        }
      }
    }
  }
}

​
最佳实践

在实现工具时：
  1. 提供清晰、描述性的名称和描述
  2. 使用详细的 JSON Schema 定义参数
  3. 在工具描述中包含示例，以演示模型应如何使用它们
  4. 实现适当的错误处理和验证
  5. 对长时间操作使用进度报告
  6. 保持工具操作集中和原子化
  7. 记录预期的返回值结构
  8. 实现适当的超时
  9. 考虑对资源密集型操作进行速率限制
  10. 记录工具使用情况以进行调试和监控

​
安全考虑

在公开工具时：

​
输入验证

  • 根据模式验证所有参数
  • 净化文件路径和系统命令
  • 验证 URL 和外部标识符
  • 检查参数大小和范围
  • 防止命令注入

​
访问控制

  • 在需要时实现身份验证
  • 使用适当的授权检查
  • 审计工具使用
  • 限制请求速率
  • 监控滥用

​
错误处理

  • 不向客户端公开内部错误
  • 记录与安全相关的错误
  • 适当处理超时
  • 错误后清理资源
  • 验证返回值

​
工具发现和更新

MCP 支持动态工具发现：
  1. 客户端可以随时列出可用工具
  2. 服务器可以使用 notifications/tools/list_changed 通知客户端工具何时更改
  3. 工具可以在运行时添加或删除
  4. 工具定义可以更新（尽管应谨慎进行）

​
错误处理

工具错误应在结果对象内报告，而不是作为 MCP 协议级错误。这允许 LLM 查看并可能处理错误。当工具遇到错误时：
  1. 在结果中将 isError 设置为 true
  2. 在 content 数组中包含错误详情
以下是工具正确错误处理的示例： 
try {
  // Tool operation
  const result = performOperation();
  return {
    content: [
      {
        type: "text",
        text: `Operation successful: ${result}`
      }
    ]
  };
} catch (error) {
  return {
    isError: true,
    content: [
      {
        type: "text",
        text: `Error: ${error.message}`
      }
    ]
  };
}
这种方法允许 LLM 看到发生了错误，并可能采取纠正措施或请求人类干预。

​
测试工具

MCP 工具的全面测试策略应涵盖：
  • 功能测试：验证工具使用有效输入正确执行，并适当处理无效输入
  • 集成测试：使用真实和模拟依赖项测试工具与外部系统的交互
  • 安全测试：验证身份验证、授权、输入净化和速率限制
  • 性能测试：检查负载下的行为、超时处理和资源清理
  • 错误处理：确保工具通过 MCP 协议正确报告错误并清理资源