MCP 实战：用工具和提示模板封装数据加工需求

数据分析师与运营经常要做「数据加工需求」这类事：把业务取数需求写成数据加工规格。每次都从头写提示词，结果时好时坏；把它做成智能体 Skill，就能让智能体每次按同一套步骤执行，输出结构也更稳定。

本文介绍如何在 MCP 服务 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。

这个技能做什么

项目	说明
技能	数据加工需求（`etl-spec`）
作用	把业务取数需求写成数据加工规格
输入	业务需求
输出	加工规格文档
形态	纯提示词
风险	低
适用人群	数据分析师与运营

处理流程分四步：

明确口径
列出来源表
写加工逻辑
定义输出与调度

这个技能纯指令型，不需要额外脚本或外部连接，复制到大多数平台都能用；风险较低，但输出仍需快速过目再使用。

在 MCP 服务中是什么形态

MCP（模型上下文协议）是一个开放协议，让智能体以统一方式调用外部工具、读取资源和使用提示模板。把技能中需要确定性执行的部分写成 MCP 工具，就能在支持 MCP 的多个客户端中复用。

MCP 服务可以本地运行（stdio），也可以部署为远程服务；在客户端的 MCP 配置中注册后，智能体即可发现其中的工具。

示例配置

# server.py —— 示意代码，需安装官方 MCP Python SDK
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("etl-spec")

@mcp.tool()
def etl_spec(content: str) -> str:
    """把业务取数需求写成数据加工规格。content 为业务需求。"""
    # 在这里做确定性的预处理：读取、解析、统计、校验
    lines = [x for x in content.splitlines() if x.strip()]
    return f"共 {len(lines)} 行有效内容，已完成预处理"

@mcp.prompt()
def etl_spec_guide() -> str:
    """数据加工需求的标准流程提示"""
    return """明确口径；列出来源表；写加工逻辑；定义输出与调度。输出：加工规格文档"""

if __name__ == "__main__":
    mcp.run()

客户端侧的注册配置通常类似下面这样（文件位置与字段以所用客户端文档为准）：

{
  "mcpServers": {
    "etl-spec": { "command": "python", "args": ["server.py"] }
  }
}

示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在数据分析师与运营提出相关请求时能对上号；二是约束部分要写进「结论要回到原始数据核对口径，避免把相关当因果」这类领域规矩，避免智能体自作主张。

安装与启用步骤

用官方 SDK（Python 或 TypeScript）新建一个 MCP 服务项目
把技能中可确定执行的步骤写成工具函数，docstring 写清用途与参数
把标准流程写成 prompt 模板，供客户端调用
在客户端配置中注册服务并重启
用调试工具或客户端调用一次，检查返回

实操：一次完整的运行

假设你在表格、数据库与 Notebook中发出这样的请求（虚构示例）：

用数据加工需求技能处理这份业务需求，输出加工规格文档。

智能体识别到任务与「数据加工需求」相关后，会依次明确口径、列出来源表、写加工逻辑、定义输出与调度。最终交付加工规格文档，并在末尾列出需要人工确认的内容。你的工作是对照原始业务需求抽查两三处关键信息，确认无误后再使用。

测试与验收

先用 MCP 官方调试工具单独调用每个工具，再在客户端中让智能体端到端完成一次任务。

针对这个技能，还建议额外准备：

一份信息齐全的标准业务需求，检查输出是否完整
一份缺少关键信息的输入，检查智能体是否先提问而不是编造
一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效

常见坑

工具描述太模糊，智能体不知道何时调用。
工具权限过大（如任意执行命令），一旦被提示注入就可能造成损失。
只写了步骤，没写交付格式，导致每次输出的加工规格文档结构不同。
没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。