prompts + cases + decisions：让提示词从聊天记录变成资产
到这一讲，你已经攒了六格东西：实验记录、结构化提示词、立场型提示词、防幻觉保险丝、测试与调试提示词、示例锚和祛魅记录。它们现在大概散落在你的文档和聊天记录里。
今天做最后一件事：把它们攒成一个资产库。不是收藏夹，是资产——以后你用 AI 就从这里取，每一条都经过你自己的实测。
问题一：资产库和收藏夹，差在哪？
收藏夹里躺着的提示词，是从别人那抄来的；资产库里的，是你自己验证过的。差别就在：每一条后面，都有一份你的实测记录。
我的课程案例库的结构就三样东西，直接抄走：
① prompts——”什么是对的”：提示词全文 + 用途 + 实测记录（哪天、哪个模型、效果怎样）；
② cases——”对和错差多远”：同一份材料，朴素 vs 工程化的对比（材料、双提示词、双输出）；
③ decisions——”为什么这样定”：每条设计决策的理由。三个月后的你，会感谢今天记了理由的你。
清单文给你 100 条提示词，你一条也用不住；自己实测过 7 条，条条都是你的。
问题二：库里最值钱的一条记录是什么？
你可能以为是”哪条提示词最好用”。不是，是你预期错的那几次。
我的案例库里最值钱的，就是三次预期翻车：以为它和稀泥（结果它敢选 Redis）、以为它会附和错误 API（结果它两次都纠正了）、以为 CoT 是咒语（结果两组一样）。这些记录告诉我们：别把你的直觉当事实，下次遇到类似说法，先测。
所以规矩只有一条：预期落空也入库。只挑符合预期的结果记，你的库就会变成另一种清单文。预期错了，也是知识——而且是只有你能得到的知识。
先问是不是，再问为什么。这是做技术的基本功，也是养库的基本功。
问题三：资产库还有第二个用法——让它教你
库里还有一类条目值得攒：学习者画像（learner profile）。你的 AI 焦虑，一大半可以用它解。
我实测过：同样问”MCP 是什么”，朴素版给你百科 + USB-C 类比（全网都在用的那句）；加上一句”我是十年 Java 后端，熟 API、JDBC”，它给你一张 JDBC 映射表（JDBC Driver ↔ MCP Server、DatabaseMetaData ↔ tools/list），还告诉你”不像在哪”（MCP 的工具调用由 LLM 决定，引入不确定性），最后附三个误区。
USB-C 版看完你觉得”哦”，JDBC 版看完你会想”那我的发布系统也能被 AI 调了”。学习发生的瞬间，是”和我有什么关系”被回答的那一刻。
所以把这条提示词也收进库里：”给我讲讲 X。我的背景是……。① 一句人话定义；② 用我熟悉的概念类比，像在哪、不像在哪；③ 给我一个工作里能用上的例子；④ 大家最容易误解的三个点。”
展开看实测原文（朴素 vs 工程化，沈剑2026-10-02实测：deepseek-flash，可复现，均为独立session以排除上下文影响）
朴素提示词
给我讲讲 MCP 是什么。朴素输出（百科+USB-C 通用类比）
你说的 **MCP** 通常指 **Model Context Protocol（模型上下文协议）**，由 Anthropic 在 2024 年底开源推动。它不是某个模型，也不是某个具体工具，而是一个**开放协议/标准**，用来让 AI 应用以统一方式连接外部数据源和工具。
一句话：**MCP 像是 AI 应用和外部世界之间的“USB-C 接口”**。AI 应用通过 MCP 连接文件、数据库、GitHub、Slack、浏览器等，让模型能读取上下文、调用工具、执行任务。
---
## 为什么需要 MCP？
在 MCP 之前，每个 AI 应用想接 GitHub，就要自己写一套 GitHub 集成；想接数据库，又要写一套数据库集成。如果有 N 个 AI 应用、M 个外部系统，就要做 N×M 次适配。
MCP 把这些集成标准化：
- 外部系统实现一次 **MCP Server**
- AI 应用实现一次 **MCP Client**
- 之后任何兼容 MCP 的 AI 应用都能连接这个 Server
于是 N×M 问题变成 N+M。
---
## MCP 的核心架构
MCP 采用客户端-服务器架构：
```text
AI 应用 / Host
└── MCP Client
│ JSON-RPC 2.0
▼
MCP Server
└── 外部系统：文件、数据库、GitHub、Slack...
```
三个关键角色：
1. **Host / 宿主**
- 运行大模型的应用，比如 Claude Desktop、Cursor、IDE、聊天机器人等。
- 负责展示界面、控制权限、决定是否执行工具调用。
2. **MCP Client**
- Host 内部与某个 MCP Server 通信的组件。
- 通常一个 Client 连接一个 Server。
3. **MCP Server**
- 一个轻量程序，把外部系统包装成 MCP 能力。
- 比如 Filesystem MCP Server、GitHub MCP Server、Postgres MCP Server。
通信通常基于 **JSON-RPC 2.0**。本地常用 `stdio` 传输，远程常用 HTTP/SSE 或后来提出的 Streamable HTTP。
---
## MCP Server 主要暴露三类能力
1. **Resources：资源**
- 只读上下文，比如文件内容、数据库表结构、日志、网页内容。
- 用 URI 标识，类似“模型可以读取的资料”。
2. **Tools：工具**
- 可执行函数，比如查天气、发 Slack 消息、搜索 GitHub issue、执行 SQL。
- 模型可以请求调用，但通常由 Host 决定是否允许执行。
3. **Prompts：提示模板**
- 服务端预定义的提示词或工作流。
- 比如“帮我做代码审查”“按公司规范写周报”。
此外，Client 侧也可能提供 Roots、Sampling 等能力，用来控制服务器能访问哪些目录，或让服务器请求模型生成内容。
---
## 一个典型工作流程
用户说：
> 帮我总结这个 GitHub 仓库最近的 issue。
大致过程是：
1. AI 应用已经配置了 GitHub MCP Server。
2. 模型看到可用工具：`list_issues`、`get_issue` 等。
3. 模型决定调用 `list_issues`。
4. MCP Client 向 GitHub MCP Server 发送 JSON-RPC 请求。
5. Server 调用 GitHub API，拿到 issue 列表。
6. 结果返回给 AI 应用。
7. 模型基于这些结果生成总结。
用户看到的可能是一次授权确认，或者完全无感的工具调用。
---
## MCP 和 Function Calling 有什么区别？
它们不是替代关系。
- **Function Calling / Tool Calling**：模型输出“我要调用某个函数”，由应用负责执行。它偏模型侧能力。
- **MCP**：应用和外部工具/数据源之间的连接标准。它偏集成协议。
MCP 里面可以包含 tools，所以一个 MCP Server 提供的工具，可以被模型通过 function calling 的方式触发。但 MCP 还管资源、提示模板、传输、权限、发现机制等。
也可以对比插件：
- 插件通常是某个平台私有的扩展机制。
- MCP 是开放协议，目标是跨应用复用。
---
## MCP 的价值
- **标准化**：不同 AI 应用和工具之间不用重复造轮子。
- **可复用**：一个 GitHub MCP Server 可被多个 AI 客户端使用。
- **解耦**：模型、应用、工具、数据源可以独立演进。
- **生态化**：开发者可以专门做 MCP Server，像做驱动一样。
- **更安全可控**：Host 可以决定哪些 Server 可用、哪些工具要确认。
---
## MCP 的风险和局限
MCP 很强，但不是魔法，也有安全问题：
- **提示注入**：恶意网页或文件可能诱导模型调用危险工具。
- **权限过大**：如果 MCP Server 能读写重要系统，风险很高。
- **工具投毒**：恶意 Server 可能伪装成正常工具。
- **数据泄露**：模型可能把敏感数据发到不该去的地方。
- **不是自动智能**：MCP 只是接口标准，不会让模型自动变聪明。
- **生态兼容性**：需要 AI 应用支持 MCP，Server 质量也参差不齐。
所以实际使用时要最小权限、用户确认、沙箱隔离、审计日志。
---
## 总结
MCP 是 **Model Context Protocol**，一个让 AI 应用连接外部数据和工具的开放标准。它用 Client/Server 架构，把文件、数据库、GitHub、Slack 等能力标准化成 Resources、Tools、Prompts，通过 JSON-RPC 通信。你可以把它理解成 **AI 世界的 USB-C 接口**：外部系统做一次 MCP Server，各种 AI 应用就能即插即用。
如果你是从开发者、产品经理或普通用户角度看，我可以再分别展开：怎么用、怎么写 MCP Server、或者它和 LangChain/OpenAI Tools 的区别。工程化提示词
给我讲讲 MCP 是什么。我的背景：十年 Java 后端，熟 API、JDBC、微服务，没用过 AI 应用框架。
要求：
1. 先用一句人话定义（不超过 30 字，不许堆术语）；
2. 用我熟悉的概念做类比（比如它像不像"给 AI 应用用的 JDBC 驱动"？像在哪、不像在哪）；
3. 给一个我在工作里能用上的例子（后端场景，别给聊天机器人玩具例）；
4. 最后告诉我：大家最容易误解它的三个点。工程化输出（JDBC 映射表+不像在哪+三误区）
**一句人话：**
让 AI 应用用统一方式接外部工具和数据。
MCP 全称 Model Context Protocol。你可以先把它理解成“AI 应用接外部系统的标准插口”。
---
## 2. 它像不像“给 AI 应用用的 JDBC 驱动”？
**像，但更像“JDBC 规范 + JDBC Driver + 面向 AI 的 BFF/网关”的混合体。**
最接近的映射：
| JDBC 世界 | MCP 世界 |
|---|---|
| JDBC 规范 | MCP 协议 |
| JDBC Driver | MCP Server |
| 使用 JDBC 的 Java 应用 | AI Host / AI Client |
| DatabaseMetaData | tools/list、resources/list |
| SQL + ResultSet | tool call + JSON 结果 |
| MySQL/Oracle/PG | GitLab、ES、发布系统、内部微服务、数据库 |
**像在哪：**
- JDBC 让你不用为 MySQL、Oracle、PG 各写一套访问代码；MCP 让 AI 应用不用为 GitLab、ES、发布系统、内部服务各写一套集成。
- JDBC Driver 适配具体数据库；MCP Server 适配具体系统。MCP Server 内部照样可以调 REST、JDBC、gRPC。
- JDBC 有元数据告诉你表结构；MCP 有 schema 告诉 AI 有哪些工具、参数是什么。
- 上层都通过统一接口访问异构后端。
**不像在哪：**
- JDBC 是 Java 强类型 API，编译期确定；MCP 是跨语言 JSON-RPC 风格协议，动态发现能力。
- JDBC 主要面向数据读写；MCP 还能暴露“动作”，比如创建工单、重启服务、回滚发布。
- JDBC 调用由你的代码决定；MCP 工具调用可能由 LLM 根据自然语言决定，引入不确定性。
- MCP 不替代 JDBC。MCP Server 内部完全可以用 JDBC 去查库。
- JDBC 不解决“该执行哪条 SQL”；MCP 也不解决“该调哪个工具、调得对不对”。
所以一句话：
**MCP 协议像 JDBC 规范，MCP Server 像 JDBC Driver；但它是给 AI Host 用的，调用方可能是 LLM，不是你的确定性业务代码。**
---
## 3. 一个后端工作里能用上的例子
假设你维护 `order-service`，公司已有：
- 订单服务 REST API
- 只读订单库
- ES/Loki 日志平台
- 发布系统 API
- OpenAPI 文档、DB schema、值班手册
你可以用 Java/Spring Boot 写一个 `order-ops-mcp-server`，把这些能力暴露给内部 AI 助手：
**Tools：可执行动作**
- `queryOrder(orderId)`：调订单服务或只读 JDBC
- `searchLogs(service, traceId, level, minutes)`：调 ES/Loki
- `getDeploy(service)`：查发布系统当前版本
- `rollback(service, version)`：触发回滚，但要求审批 token、只允许特定环境
**Resources：可读上下文**
- `order-service` 的 OpenAPI 文档
- 订单库 schema
- 值班排障手册
**Prompts：预置流程**
- “订单服务 500 排障模板”
然后内部 AI Host，比如 IDE 助手、Slack 机器人、自研运维助手，连上这个 MCP Server。工程师说：
> 查一下 order-service 最近 15 分钟 500 错误，看是否和 2025.10.3 发布有关，必要时回滚。
AI 可能依次调用：
1. `searchLogs`
2. `queryOrder`
3. `getDeploy`
4. `rollback`
但真正鉴权、参数校验、审计、限流、审批，都在你的 MCP Server 里做。AI 不直接拿生产数据库密码。
对你这种 Java 后端来说：
**MCP Server 很像一个“面向 LLM 的 BFF/网关”，它包装现有微服务和数据源，不要求你重写微服务。**
---
## 4. 大家最容易误解的三个点
1. **以为 MCP 是 AI 框架或模型能力。**
不是。它不推理、不规划、不训练模型，只定义 AI 应用怎么发现和调用外部能力。
2. **以为 MCP 要替代 REST、gRPC、JDBC 或 Function Calling。**
不是。MCP 通常是包装现有接口。Function Calling 是模型侧说“我要调这个函数”，MCP 是连接侧解决“有哪些工具、怎么调、返回什么”。
3. **以为接上 MCP 就自动安全、自动有权限。**
不是。权限、审计、最小暴露、防 prompt injection、人工确认，都要自己设计。别把生产数据库或危险操作裸暴露给模型。问题四：以后怎么养这个库？
① 每加一条，都过一遍实测协议：同材料、独立会话、看行为、记模型和日期；
② 每次换模型，把核心条目重测一遍：框架有保质期，你的提示词也有；
③ 每月回读一次 decisions：哪些判断还成立，哪些要推翻——库是活的，不是档案。
这门课到这里就讲完了。最后再回看一次咱们的地图：
L1 模型的脾气 → 会自助餐、会讨好，但"默认行为"不是定律
L2 四组招式 → 任务定义 / 结构约束 / 上下文投喂 / 验证与证据
L3 实测方法论 → 先实测再看规律，预期落空也入库详细版收在《提示词工程速查卡》里，存一份，以后写提示词时对着查。愿你的每一条提示词，都有实测背书。
实操演练
必做部分 + 一步加餐。
检验一下
①你的提示词资产库 v1：把前六讲的六格产出按 prompts/cases/decisions 整理归拢，附一页 README（库结构、实验协议、重测时机）。里面必须至少有一条”预期落空”的记录——没有的话，说明你的实验还不够诚实，回去找一个。
它不是作业本，是资产。下周开始，用 AI 就从这里取。
本讲实测来自沈剑的案例库 008（deepseek-flash，2026-10-02，独立会话，复现脚本和原始输出存档）；资产库结构来自课程项目 project/（prompts/cases/decisions 三部分）。
（沈剑注：这门课如果有哪句话值得带走，我选”先实测，再看规律”。）
知其然，知其所以然。思路比结论更重要。
现成的资产样板：DAIR.AI Prompting Guide · Prompt Hub——开源社区维护的分类提示词库，看看一个「提示词资产库」长什么样，再回来攒你自己的。
提示词工程速查卡
按知识地图画：L1 脾气 / L2 招式 / L3 方法论。写提示词时对着查。
L1 · 先懂模型的脾气
| 脾气 | 长什么样 | 怎么治 |
|---|---|---|
| 自助餐 | 你要 30 秒的答案，它给 3 分钟的内容（信噪比低） | 给输出结构，给量化验收（第 2 讲） |
| 讨好 | 恭维开场、八股模板、全绿测试 | 先说不要的，再说要的（第 1、3、5 讲） |
| “默认行为”漂移 | 网上说”模型默认会 X”，实测常不成立 | 先实测再看规律（第 1、6 讲） |
L2 · 四组招式
组 1 · 任务定义（让它知道干什么、什么算好）
- 说清任务类型：”解释”和”评审”是两个任务，不说清它选省力的
- 立场约束：必须二选一 + 理由必须扣背景（订单量、读写比、团队规模）
- 显式禁止默认模式：不许恭维、不许逐行翻译、不许硬凑、不许只测 happy path
- 给”可以说不”的出口：不确定就说需要核实、没信息就问——拒答也是正确答案
组 2 · 结构约束（让它知道长什么样）
- 给输出结构：一句话 / 关键路径 / 坑——结构即约束
- schema 管字段，示例管灵魂：few-shot 锚定粒度、职责、分寸，一个就够
- 量化验收：写成”从 X 到 Y”，禁”明显提升”
- 有取舍：关键决策 + 被否决备选——可评审 = 可验收 + 有取舍
组 3 · 上下文投喂（让它知道你的现场）
- 给足现场：日志 + 代码 + 期望行为——只给报错它能当老师，给了代码才能当同事
- 背景即约束：你不给背景，它就给你教科书
- 学习者画像：”我是十年 Java 后端”比”讲通俗点”有效得多
组 4 · 验证与证据（让它的话可验收）
- 要证据：引用原文、指到具体行
- 显式确定性：”我确定 X 存在”= 可核对的承诺
- 用例有仇家：每个测试在防什么 bug；failing test 也是成果
- 先定位 → 再验证 → 后修复：别上来就改代码
L3 · 实测方法论（渔）
| 规矩 | 一句话 |
|---|---|
| 先实测，再看规律 | 别人的经验只能当参考，你的模型自己测 |
| 对照实验 | 同材料、双提示词、看行为不看文笔 |
| 独立会话 | 每条提示词各跑全新会话，防历史污染 |
| 记模型和日期 | 框架有保质期，明年可能就不一样 |
| 预期落空也入库 | 只挑符合预期的记，库就成了另一种清单文 |
你的资产库三段式
prompts（什么是对的：提示词全文+实测记录）· cases（对和错差多远：材料+双提示词+双输出）· decisions（为什么这样定：决策理由）。
清单文给你 100 条提示词，你一条也用不住；自己实测过 7 条，条条都是你的。——沈剑