把「二分定位缺陷」写成 MCP 服务：工具定义与客户端配置

开发团队经常要做「二分定位缺陷」这类事：用 git bisect 定位引入缺陷的提交。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	二分定位缺陷（`git-bisect-helper`）
作用	用 git bisect 定位引入缺陷的提交
输入	好坏版本与复现命令
输出	问题提交
形态	带脚本
风险	低
适用人群	开发团队

处理流程分四步：

确认好坏版本
编写自动判定脚本
运行二分
分析问题提交

这个技能需要运行本地脚本（解析文件、调用命令行工具等），要求运行环境允许执行代码；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("git-bisect-helper")

@mcp.tool()
def git_bisect_helper(content: str) -> str:
    """用 git bisect 定位引入缺陷的提交。content 为好坏版本与复现命令。"""
    # 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 git_bisect_helper_guide() -> str:
    """二分定位缺陷的标准流程提示"""
    return """确认好坏版本；编写自动判定脚本；运行二分；分析问题提交。输出：问题提交"""

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": {
    "git-bisect-helper": { "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」，让智能体在开发团队提出相关请求时能对上号；二是约束部分要写进「改写历史、删除分支类操作只给建议，不直接执行」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Git 仓库与代码托管平台中发出这样的请求（虚构示例）：

帮我做一下二分定位缺陷，材料是附上的好坏版本与复现命令。

智能体识别到任务与「二分定位缺陷」相关后，会依次确认好坏版本、编写自动判定脚本、运行二分、分析问题提交。最终交付问题提交，并在末尾列出需要人工确认的内容。你的工作是对照原始好坏版本与复现命令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好坏版本与复现命令，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，导致每次输出的问题提交结构不同。
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。