MCP 的 Tools、Resources、Prompts、Sampling 四大原語有什麼區別:開發與選型怎麼一眼分清

同樣是給大模型提供能力,MCP 裏的 Tools、Resources、Prompts 和 Sampling 到底差在哪?按官方架構規範講清「誰決定觸發、請求往哪邊走」,附客戶端支持度與開發選型建議。

NNathaniel bigo··原創首發·AI 輔助撰寫
13 分鐘讀完
資料核對於 2026-11-18 · 依據官方文檔與公開資料整理 免費帳號 帳號

結論先說

  1. 分清四個概念只要問一句話:「到底是誰拍板觸發它?」——Tools 由大模型自主調用,Resources 由宿主應用或用戶按需掛載,Prompts 由用戶顯式點選,Sampling 則由伺服器反向向客戶端借模型算力。
  2. 前三個是服務端原語(客戶端去調伺服器),第四個 Sampling 是客戶端原語(伺服器反過來調客戶端),方向正好相反。
  3. 論跨客戶端兼容性,Tools 是絕對主力:幾乎所有支持 MCP 的軟件都完整支持 Tools,而 Resources、Prompts 和 Sampling 在部分編輯器裏支持不全或入口較深。
  4. 實戰開發經驗是「Tools 保底,其餘增強」:核心讀寫邏輯優先做成 Tools,再把高頻背景文檔補成 Resources、把固定提問流程補成 Prompts。
  5. 主力模型訂閱與帳號配套入口:跑通 MCP 工具鏈與多文件智能體編碼依賴穩定的底層大模型配額,國內免境外卡自助開通可見本站 Claude Code 訂閱頁、ChatGPT Plus 充值頁 與 AI 會員充值總覽。

MCP 四大核心原語控制權與方向對比

圖:本站根據 MCP 官方文檔:Architecture overview 整理的對比示意圖

本文根據 MCP 官方文檔《Architecture overview》及協議規範《Tools》《Resources》《Prompts》《Sampling》整理,資料核對於 2026-11-18。配圖為本站整理的示意圖,不是介面截圖。本站(bigolab.com)不是 Anthropic 或 MCP 官方網站。

適用於誰

  • 看文檔時被各種概念繞暈,搜「mcp resources prompts tools 區別」想快速理清關係的開發者;
  • 準備動手寫自己的 MCP 伺服器,拿不準「查數據庫表結構」該做成 Resource 還是 Tool 的人;
  • 聽說過 Sampling(採樣),不確定為什麼伺服器還能反過來調用客戶端大模型的人。

如果還不了解協議的整體角色劃分,可以先讀 MCP 是什麼:Model Context Protocol 入門。

一、服務端暴露的三大原語:按控制權一眼分清

MCP 官方規範在每個原語章節的第一段都明確標出了它的控制模型(Control Model),這是理解設計初衷最準確的鑰匙:

1. Tools(工具):模型主導(Model-controlled)

  • 協議方法:tools/list(發現工具列表)、tools/call(執行指定工具)。
  • 工作方式:客戶端在對話開始時把工具的名稱、描述和參數 JSON Schema 交給大模型。聊到一半模型覺得需要查訂單、改配置或發通知時,自己決定發起調用並填好參數。
  • 類比後端接口:近似於帶動作或動態參數的 POST 請求,允許產生外部副作用(因此客戶端通常會彈出人工確認框)。

2. Resources(資源):應用與用戶主導(Application-driven)

  • 協議方法:resources/list、resources/read、resources/subscribe(訂閱變更)。
  • 工作方式:伺服器用類似網址的自定義 URI(例如 file:///logs/app.log 或 postgres://db/users/schema)暴露只讀文本或二進制數據。注意模型自己並不能主動去拉取 Resource,必須由用戶在輸入框裏用 @ 引用、在附件選單裏勾選,或者由宿主程序自動拼進上下文。
  • 類比後端接口:近似於純粹只讀、無副作用的靜態或模板化 GET 數據源。

3. Prompts(提示模板):用戶主導(User-controlled)

  • 協議方法:prompts/list、prompts/get。
  • 工作方式:伺服器預先寫好帶變量槽位的標準提問模板(例如「按團隊規範審查指定提交」)。用戶在客戶端輸入框敲斜槓命令(如 Claude Code 裏的 /mcp__伺服器名__模板名)或點選單選中它、填入參數後,伺服器把組裝好的消息列表返回給客戶端開啟對話。
  • 和本地規則的區別:如果你想對比它和本地技能文件的邊界,見 Skill 和 MCP 的區別是什麼。

二、反向流動的客戶端原語:Sampling 是幹什麼的

前三個原語都是「客戶端向伺服器要東西」,而 Sampling(採樣) 屬於客戶端向伺服器開放的能力,協議方法是 sampling/createMessage。

設想你在寫一個複雜的代碼靜態分析 MCP 伺服器,工具跑完規則掃描後,需要一段自然語言歸納修復建議:

  • 沒有 Sampling 時:你的 MCP 伺服器內部必須自己申請並配置一份 OpenAI 或 Claude 的 API Key,自己付帳單去調大模型接口,別人裝你的開源伺服器也得跟着配一遍密鑰。
  • 有了 Sampling 後:MCP 伺服器直接順着現有的連接,給宿主客戶端發一條 sampling/createMessage 請求,說「請用你當前已登入的大模型幫我總結這段掃描結果」。按官方規範建議,客戶端會在介面提示用戶審核這條採樣請求和返回結果,既省掉了服務端配密鑰的麻煩,又讓安全控制權留在用戶手裏。

順帶一提,客戶端原語裏還有兩個常和 Sampling 一起出現的配角:Roots(客戶端告訴伺服器允許訪問哪些本地目錄邊界)和 Elicitation(伺服器執行到中途發現缺關鍵資訊,反向彈窗請用戶補填表單)。

三、自己開發 MCP Server 時怎麼選型不返工

寫 MCP Server 時該選哪種原語

圖:本站根據 MCP 官方協議規範 整理的開發選型示意圖

如果只看理論很容易把只讀查詢全寫成 Resources,結果接進某些編輯器後發現模型根本讀不到。結合目前主流客戶端的實際支持度,按下面三條原則選型最穩妥:

  1. 需要模型自動按需查閱的數據,依然要提供對應的 Tool:比如「按表名查字段結構」,哪怕它是純只讀操作,也建議提供一個 get_table_schema 的 Tool(標上 readOnlyHint: true),同時再額外掛一份 Resource 供習慣手動 @ 引用的用戶直接塞上下文。Python 代碼裏的具體裝飾器寫法見 MCP Server 開發入門(Python)。
  2. 用 Claude Code 體驗完整的三原語聯動:在終端工具裏,Claude Code 對 Tools 自動調用、@ 引用 MCP Resources 以及 /mcp__ 斜槓觸發 Prompts 都做了原生適配(配置細節見 Claude Code MCP 配置教學);如果你在網頁或桌面端搭配多連接器高頻使用,也可以開通 Claude Pro 解鎖完整連接器配額。
  3. 寫 Sampling 前必須做降級兼容:在初始化握手階段檢查客戶端 capabilities 裏是否聲明瞭 sampling。很多輕量客戶端暫未實現採樣接口,服務端代碼裏應當在不支持時優雅退回返回原始結構化數據,並先用 MCP Inspector 怎麼用 模擬測試請求。

常見問題

問:Resources 和直接讓模型調 read_file 工具有什麼本質差別?

答:調 read_file 工具是模型自己猜路徑、多花一輪工具調用去讀;而掛 Resource 是你在發消息那一刻就明確把指定資料釘進當前提問上下文裏,零猜測、少一次往返,適合你很清楚模型必須看哪份文檔的場景。

問:MCP 裏的 Prompts 和我平時存的提示詞片段有什麼不同?

答:普通提示詞只是純文本粘貼;MCP 的 Prompts 運行在服務端,接收你填入的參數後,可以在服務端動態拉取最新代碼 diff 或數據庫日誌,現場拼裝成圖文並茂的多條上下文消息再發給模型。

問:開啟 Sampling 後,惡意的 MCP 伺服器會不會在後台偷偷刷光我的模型額度?

答:MCP 官方《Sampling》規範明確要求客戶端實現「人在迴路(Human-in-the-loop)」控制:發起採樣前應當讓用戶看到提示詞內容並手動批准,同時允許用戶限制最大輸出 Token 數。遇到來路不明的伺服器,拒絕採樣請求即可。

問:配置好開發環境後,國內沒有外幣卡怎麼開通 Claude 或 ChatGPT 編程訂閱?

答:可在 本站充值中心 自助選購卡密開通 Claude Code(Pro / Max) 或 ChatGPT Plus / Pro,全程無需交出帳號密碼,支持開具增值稅發票;實時價格與售後邊界(封號不在質保範圍)以對應商品頁為準。

相關教學

參考資料

  • MCP 官方文檔:Architecture overview — https://modelcontextprotocol.io/docs/learn/architecture
  • MCP 協議規範:Tools — https://modelcontextprotocol.io/specification/2025-11-25/server/tools
  • MCP 協議規範:Resources — https://modelcontextprotocol.io/specification/2025-11-25/server/resources
  • MCP 協議規範:Prompts — https://modelcontextprotocol.io/specification/2025-11-25/server/prompts
  • MCP 協議規範:Sampling — https://modelcontextprotocol.io/specification/2025-11-25/client/sampling

Nathaniel 的更多內容

  1. 01

    獨立開發者用 ChatGPT + Codex 跑通產品全流程:市場驗證、PRD、原型到代碼上線覆盤清單

    單人做獨立產品最容易陷入「閉門寫兩個月代碼上線零用戶」或「AI 寫到一半目錄越改越崩」。本文整理「ChatGPT 負責市場驗證、PRD 與覆盤 + Codex 負責工程實現與測試」的五階段雙軌流程,附起手提示詞與 7 項上線覆盤清單。

    ChatGPTCodex0
  2. 02

    用 ChatGPT 批量生成規範文件命名規則、整理混亂目錄樹與合併零散發票抬頭清單腳本

    面對滿桌面的「新建文件夾」「最終版2」和上百張零散電子發票,手工改名抄台帳耗時又容易漏重。本文分享先脫敏取樣、再用 ChatGPT 生成帶預演和回滾日誌的本地 Python 腳本,離線安全完成目錄整理與發票抬頭合併去重的實戰流程。

    ChatGPT0
  3. 03

    用 ChatGPT 做海外電郵營銷(EDM)受眾分層文案、A/B 主題行測試與防進垃圾箱自檢

    做海外獨立站或出海 SaaS 電郵營銷(EDM),最怕千人一面群發被直接送進垃圾箱。本文結合 Gmail/Yahoo 批量發件人規範,梳理用 ChatGPT 設計受眾分層文案、批量生成 A/B 主題行矩陣並開展發前垃圾詞與合規自檢的實戰提示詞。

    ChatGPT0
  4. 04

    用 ChatGPT 寫 Notion Formula 2.0 公式、Obsidian Dataview 查詢與 Airtable 自動化腳本

    給 Notion 數據庫寫多條件 Formula 2.0 公式、給 Obsidian 寫 Dataview 動態看板,或在 Airtable 裏寫自動化腳本,經常因為一個小括號或類型不匹配報錯半天。本文整理三大工具的通用上下文喂料規範與三套直接可複製的生成提示詞。

    ChatGPT其他 AI 工具0
  5. 05

    用 ChatGPT 處理複雜 JSON / YAML / XML 字段映射、格式轉換與校驗規則編寫實戰

    對接第三方 API、遷移 Kubernetes 配置或解析政企 XML 報文時,手工對照幾百行嵌套字段既慢又容易漏掉空值與類型邊界。本文整理用 ChatGPT 完成字段映射表梳理、生成確定性轉換腳本以及編寫 JSON Schema / Pydantic / XSD 校驗規則的實戰流。

    ChatGPT其他 AI 工具0
  6. 06

    用 ChatGPT 準備本科/碩士畢業論文答辯:提煉答辯 PPT 結構、模擬導師犀利追問與 3 分鐘自述稿

    畢業論文寫完後,要在 3–5 分鐘內講清研究價值並頂住答辯評委的連環追問並不輕鬆。本文整理在嚴格遵守高校學術規範的前提下,用 ChatGPT 提煉答辯 PPT 結構、打磨 3 分鐘口語自述稿並開展模擬導師犀利追問的排練流程與提示詞。

    ChatGPT0

同產品的其他教學

  1. 01

    用 ChatGPT 速讀英文產品手冊、開源文檔與 GitHub Issue 並沉澱團隊中文內訓手冊

    團隊引入海外 SaaS 工具或開源框架時,全英文文檔晦澀冗長、真正的坑全藏在幾十頁 GitHub Issue 討論裏。本文分享速讀拆解英文手冊、歸類 Issue 排障庫以及重構團隊中文內訓 SOP 的完整實戰流程。

    ChatGPT其他 AI 工具0
  2. 02

    用 ChatGPT 寫油猴腳本(Tampermonkey)與瀏覽器書籤小工具解決網頁繁瑣重複操作實戰

    每天在後台系統裏重複勾選幾十個複選框、手工複製網頁表格或清理遮擋閱讀的側邊欄,既枯燥又浪費時間。本文分享不會寫 JS 也能用 F12 配合 ChatGPT 寫出油猴腳本與書籤小工具的完整實戰流程。

    ChatGPT其他 AI 工具0
  3. 03

    用 ChatGPT 寫高質素 SQL 窗口函數(RANK / LAG / SUM OVER)做留存與漏斗分析實戰

    做用戶留存率、復購間隔與有序轉化漏斗時,多層自連接既難讀又拖垮數據庫,窗口函數則是高效解法。本文整理數據庫方言喂數規範、CTE 分層提示詞以及用內置沙盒先驗證再上線的完整實戰流程。

    ChatGPT其他 AI 工具0
  4. 04

    ChatGPT 連接 Canva、Figma、Linear、Jira、Dropbox 等第三方應用搜不到數據或授權失效怎麼辦

    在 ChatGPT 接入 Canva、Figma、Linear、Jira 或 Dropbox 後,明明顯示已連接卻搜不到文件工單,或老提示授權失效怎麼辦?本文拆解帳號錯綁、OAuth 範圍漏選、權限繼承與管理員攔截 5 步排障法。

    ChatGPT其他 AI 工具0
  5. 05

    Anthropic Contextual Retrieval(上下文增強檢索)是什麼、怎麼實現:給文檔塊自動補背景摘要結合緩存降失誤率

    長文檔切成小塊後丟了公司名、年份和主語指代導致 RAG 頻頻搜錯?本文按 Anthropic 官方技術文章詳解 Contextual Retrieval 原理、官方公開評測失誤率下降 49% 至 67% 的組合架構,以及用 Claude 提示詞緩存低成本批量生成切片背景的完整 Python 代碼。

    Claude其他 AI 工具0
  6. 06

    RAG 知識庫回答不準怎麼調優:切片大小(Chunking)、BM25 + 向量混合檢索與 Rerank 重排序三步排查法

    搭好的 RAG 企業知識庫一問具體型號、報錯碼或跨行表格就答非所問?本文按 OpenAI 與 Anthropic 官方檢索文檔,給出先隔離檢索與生成故障、再按結構化切片(Chunking)、BM25 加向量混合召回(RRF)與 Rerank 重排序逐層調優的三步法。

    Claude其他 AI 工具0

0 條評論

登入 後參與評論

還沒有評論,來搶沙發~