MCP 的 Tools、Resources、Prompts、Sampling 四大原语有什么区别:开发与选型怎么一眼分清

同样是给大模型提供能力,MCP 里的 Tools、Resources、Prompts 和 Sampling 到底差在哪?按官方架构规范讲清「谁决定触发、请求往哪边走」,附客户端支持度与开发选型建议。

NNathaniel bigo··原创首发·AI 辅助撰写
13 分钟读完
资料核对于 2026-11-18 · 依据官方文档与公开资料整理 免费账号 账号

结论先说

  1. 分清四个概念只要问一句话:「到底是谁拍板触发它?」——Tools 由大模型自主调用,Resources 由宿主应用或用户按需挂载,Prompts 由用户显式点选,Sampling 则由服务器反向向客户端借模型算力。
  2. 前三个是服务端原语(客户端去调服务器),第四个 Sampling 是客户端原语(服务器反过来调客户端),方向正好相反。
  3. 论跨客户端兼容性,Tools 是绝对主力:几乎所有支持 MCP 的软件都完整支持 Tools,而 Resources、Prompts 和 Sampling 在部分编辑器里支持不全或入口较深。
  4. 实战开发经验是「Tools 保底,其余增强」:核心读写逻辑优先做成 Tools,再把高频背景文档补成 Resources、把固定提问流程补成 Prompts。
  5. 主力模型订阅与账号配套入口:跑通 MCP 工具链与多文件智能体编码依赖稳定的底层大模型配额,国内免境外卡自助开通可见本站 Claude Code 订阅页、ChatGPT Plus 充值页 与 AI 会员充值总览。

MCP 四大核心原语控制权与方向对比

图:本站根据 MCP 官方文档:Architecture overview 整理的对比示意图

本文根据 MCP 官方文档《Architecture overview》及协议规范《Tools》《Resources》《Prompts》《Sampling》整理,资料核对于 2026-11-18。配图为本站整理的示意图,不是界面截图。本站(bigolab.com)不是 Anthropic 或 MCP 官方网站。

适用于谁

  • 看文档时被各种概念绕晕,搜「mcp resources prompts tools 区别」想快速理清关系的开发者;
  • 准备动手写自己的 MCP 服务器,拿不准「查数据库表结构」该做成 Resource 还是 Tool 的人;
  • 听说过 Sampling(采样),不确定为什么服务器还能反过来调用客户端大模型的人。

如果还不了解协议的整体角色划分,可以先读 MCP 是什么:Model Context Protocol 入门。

一、服务端暴露的三大原语:按控制权一眼分清

MCP 官方规范在每个原语章节的第一段都明确标出了它的控制模型(Control Model),这是理解设计初衷最准确的钥匙:

1. Tools(工具):模型主导(Model-controlled)

  • 协议方法:tools/list(发现工具列表)、tools/call(执行指定工具)。
  • 工作方式:客户端在对话开始时把工具的名称、描述和参数 JSON Schema 交给大模型。聊到一半模型觉得需要查订单、改配置或发通知时,自己决定发起调用并填好参数。
  • 类比后端接口:近似于带动作或动态参数的 POST 请求,允许产生外部副作用(因此客户端通常会弹出人工确认框)。

2. Resources(资源):应用与用户主导(Application-driven)

  • 协议方法:resources/list、resources/read、resources/subscribe(订阅变更)。
  • 工作方式:服务器用类似网址的自定义 URI(例如 file:///logs/app.log 或 postgres://db/users/schema)暴露只读文本或二进制数据。注意模型自己并不能主动去拉取 Resource,必须由用户在输入框里用 @ 引用、在附件菜单里勾选,或者由宿主程序自动拼进上下文。
  • 类比后端接口:近似于纯粹只读、无副作用的静态或模板化 GET 数据源。

3. Prompts(提示模板):用户主导(User-controlled)

  • 协议方法:prompts/list、prompts/get。
  • 工作方式:服务器预先写好带变量槽位的标准提问模板(例如「按团队规范审查指定提交」)。用户在客户端输入框敲斜杠命令(如 Claude Code 里的 /mcp__服务器名__模板名)或点菜单选中它、填入参数后,服务器把组装好的消息列表返回给客户端开启对话。
  • 和本地规则的区别:如果你想对比它和本地技能文件的边界,见 Skill 和 MCP 的区别是什么。

二、反向流动的客户端原语:Sampling 是干什么的

前三个原语都是「客户端向服务器要东西」,而 Sampling(采样) 属于客户端向服务器开放的能力,协议方法是 sampling/createMessage。

设想你在写一个复杂的代码静态分析 MCP 服务器,工具跑完规则扫描后,需要一段自然语言归纳修复建议:

  • 没有 Sampling 时:你的 MCP 服务器内部必须自己申请并配置一份 OpenAI 或 Claude 的 API Key,自己付账单去调大模型接口,别人装你的开源服务器也得跟着配一遍密钥。
  • 有了 Sampling 后:MCP 服务器直接顺着现有的连接,给宿主客户端发一条 sampling/createMessage 请求,说「请用你当前已登录的大模型帮我总结这段扫描结果」。按官方规范建议,客户端会在界面提示用户审核这条采样请求和返回结果,既省掉了服务端配密钥的麻烦,又让安全控制权留在用户手里。

顺带一提,客户端原语里还有两个常和 Sampling 一起出现的配角:Roots(客户端告诉服务器允许访问哪些本地目录边界)和 Elicitation(服务器执行到中途发现缺关键信息,反向弹窗请用户补填表单)。

三、自己开发 MCP Server 时怎么选型不返工

写 MCP Server 时该选哪种原语

图:本站根据 MCP 官方协议规范 整理的开发选型示意图

如果只看理论很容易把只读查询全写成 Resources,结果接进某些编辑器后发现模型根本读不到。结合目前主流客户端的实际支持度,按下面三条原则选型最稳妥:

  1. 需要模型自动按需查阅的数据,依然要提供对应的 Tool:比如「按表名查字段结构」,哪怕它是纯只读操作,也建议提供一个 get_table_schema 的 Tool(标上 readOnlyHint: true),同时再额外挂一份 Resource 供习惯手动 @ 引用的用户直接塞上下文。Python 代码里的具体装饰器写法见 MCP Server 开发入门(Python)。
  2. 用 Claude Code 体验完整的三原语联动:在终端工具里,Claude Code 对 Tools 自动调用、@ 引用 MCP Resources 以及 /mcp__ 斜杠触发 Prompts 都做了原生适配(配置细节见 Claude Code MCP 配置教程);如果你在网页或桌面端搭配多连接器高频使用,也可以开通 Claude Pro 解锁完整连接器配额。
  3. 写 Sampling 前必须做降级兼容:在初始化握手阶段检查客户端 capabilities 里是否声明了 sampling。很多轻量客户端暂未实现采样接口,服务端代码里应当在不支持时优雅退回返回原始结构化数据,并先用 MCP Inspector 怎么用 模拟测试请求。

常见问题

问:Resources 和直接让模型调 read_file 工具有什么本质差别?

答:调 read_file 工具是模型自己猜路径、多花一轮工具调用去读;而挂 Resource 是你在发消息那一刻就明确把指定资料钉进当前提问上下文里,零猜测、少一次往返,适合你很清楚模型必须看哪份文档的场景。

问:MCP 里的 Prompts 和我平时存的提示词片段有什么不同?

答:普通提示词只是纯文本粘贴;MCP 的 Prompts 运行在服务端,接收你填入的参数后,可以在服务端动态拉取最新代码 diff 或数据库日志,现场拼装成图文并茂的多条上下文消息再发给模型。

问:开启 Sampling 后,恶意的 MCP 服务器会不会在后台偷偷刷光我的模型额度?

答:MCP 官方《Sampling》规范明确要求客户端实现「人在回路(Human-in-the-loop)」控制:发起采样前应当让用户看到提示词内容并手动批准,同时允许用户限制最大输出 Token 数。遇到来路不明的服务器,拒绝采样请求即可。

问:配置好开发环境后,国内没有外币卡怎么开通 Claude 或 ChatGPT 编程订阅?

答:可在 本站充值中心 自助选购卡密开通 Claude Code(Pro / Max) 或 ChatGPT Plus / Pro,全程无需交出账号密码,支持开具增值税发票;实时价格与售后边界(封号不在质保范围)以对应商品页为准。

相关教程

参考资料

  • MCP 官方文档:Architecture overview — https://modelcontextprotocol.io/docs/learn/architecture
  • MCP 协议规范:Tools — https://modelcontextprotocol.io/specification/2025-11-25/server/tools
  • MCP 协议规范:Resources — https://modelcontextprotocol.io/specification/2025-11-25/server/resources
  • MCP 协议规范:Prompts — https://modelcontextprotocol.io/specification/2025-11-25/server/prompts
  • MCP 协议规范:Sampling — https://modelcontextprotocol.io/specification/2025-11-25/client/sampling

Nathaniel 的更多内容

  1. 01

    独立开发者用 ChatGPT + Codex 跑通产品全流程:市场验证、PRD、原型到代码上线复盘清单

    单人做独立产品最容易陷入「闭门写两个月代码上线零用户」或「AI 写到一半目录越改越崩」。本文整理「ChatGPT 负责市场验证、PRD 与复盘 + Codex 负责工程实现与测试」的五阶段双轨流程,附起手提示词与 7 项上线复盘清单。

    ChatGPTCodex0
  2. 02

    用 ChatGPT 批量生成规范文件命名规则、整理混乱目录树与合并零散发票抬头清单脚本

    面对满桌面的「新建文件夹」「最终版2」和上百张零散电子发票,手工改名抄台账耗时又容易漏重。本文分享先脱敏取样、再用 ChatGPT 生成带预演和回滚日志的本地 Python 脚本,离线安全完成目录整理与发票抬头合并去重的实战流程。

    ChatGPT0
  3. 03

    用 ChatGPT 做海外邮件营销(EDM)受众分层文案、A/B 主题行测试与防进垃圾箱自检

    做海外独立站或出海 SaaS 邮件营销(EDM),最怕千人一面群发被直接送进垃圾箱。本文结合 Gmail/Yahoo 批量发件人规范,梳理用 ChatGPT 设计受众分层文案、批量生成 A/B 主题行矩阵并开展发前垃圾词与合规自检的实战提示词。

    ChatGPT0
  4. 04

    用 ChatGPT 写 Notion Formula 2.0 公式、Obsidian Dataview 查询与 Airtable 自动化脚本

    给 Notion 数据库写多条件 Formula 2.0 公式、给 Obsidian 写 Dataview 动态看板,或在 Airtable 里写自动化脚本,经常因为一个小括号或类型不匹配报错半天。本文整理三大工具的通用上下文喂料规范与三套直接可复制的生成提示词。

    ChatGPT其他 AI 工具0
  5. 05

    用 ChatGPT 处理复杂 JSON / YAML / XML 字段映射、格式转换与校验规则编写实战

    对接第三方 API、迁移 Kubernetes 配置或解析政企 XML 报文时,手工对照几百行嵌套字段既慢又容易漏掉空值与类型边界。本文整理用 ChatGPT 完成字段映射表梳理、生成确定性转换脚本以及编写 JSON Schema / Pydantic / XSD 校验规则的实战流。

    ChatGPT其他 AI 工具0
  6. 06

    用 ChatGPT 准备本科/硕士毕业论文答辩:提炼答辩 PPT 结构、模拟导师犀利追问与 3 分钟自述稿

    毕业论文写完后,要在 3–5 分钟内讲清研究价值并顶住答辩评委的连环追问并不轻松。本文整理在严格遵守高校学术规范的前提下,用 ChatGPT 提炼答辩 PPT 结构、打磨 3 分钟口语自述稿并开展模拟导师犀利追问的排练流程与提示词。

    ChatGPT0

同产品的其他教程

  1. 01

    用 ChatGPT 速读英文产品手册、开源文档与 GitHub Issue 并沉淀团队中文内训手册

    团队引入海外 SaaS 工具或开源框架时,全英文文档晦涩冗长、真正的坑全藏在几十页 GitHub Issue 讨论里。本文分享速读拆解英文手册、归类 Issue 排障库以及重构团队中文内训 SOP 的完整实战流程。

    ChatGPT其他 AI 工具0
  2. 02

    用 ChatGPT 写油猴脚本(Tampermonkey)与浏览器书签小工具解决网页繁琐重复操作实战

    每天在后台系统里重复勾选几十个复选框、手工复制网页表格或清理遮挡阅读的侧边栏,既枯燥又浪费时间。本文分享不会写 JS 也能用 F12 配合 ChatGPT 写出油猴脚本与书签小工具的完整实战流程。

    ChatGPT其他 AI 工具0
  3. 03

    用 ChatGPT 写高质量 SQL 窗口函数(RANK / LAG / SUM OVER)做留存与漏斗分析实战

    做用户留存率、复购间隔与有序转化漏斗时,多层自连接既难读又拖垮数据库,窗口函数则是高效解法。本文整理数据库方言喂数规范、CTE 分层提示词以及用内置沙盒先验证再上线的完整实战流程。

    ChatGPT其他 AI 工具0
  4. 04

    ChatGPT 连接 Canva、Figma、Linear、Jira、Dropbox 等第三方应用搜不到数据或授权失效怎么办

    在 ChatGPT 接入 Canva、Figma、Linear、Jira 或 Dropbox 后,明明显示已连接却搜不到文件工单,或老提示授权失效怎么办?本文拆解账号错绑、OAuth 范围漏选、权限继承与管理员拦截 5 步排障法。

    ChatGPT其他 AI 工具0
  5. 05

    Anthropic Contextual Retrieval(上下文增强检索)是什么、怎么实现:给文档块自动补背景摘要结合缓存降失误率

    长文档切成小块后丢了公司名、年份和主语指代导致 RAG 频频搜错?本文按 Anthropic 官方技术文章详解 Contextual Retrieval 原理、官方公开评测失误率下降 49% 至 67% 的组合架构,以及用 Claude 提示词缓存低成本批量生成切片背景的完整 Python 代码。

    Claude其他 AI 工具0
  6. 06

    RAG 知识库回答不准怎么调优:切片大小(Chunking)、BM25 + 向量混合检索与 Rerank 重排序三步排查法

    搭好的 RAG 企业知识库一问具体型号、报错码或跨行表格就答非所问?本文按 OpenAI 与 Anthropic 官方检索文档,给出先隔离检索与生成故障、再按结构化切片(Chunking)、BM25 加向量混合召回(RRF)与 Rerank 重排序逐层调优的三步法。

    Claude其他 AI 工具0

0 条评论

登录 后参与评论

还没有评论,来抢沙发~