MCP prompts: как подготовить шаблоны командных сценариев

Команда регулярно просит AI разобрать обращение: выделить факты, найти пробелы и предложить следующий шаг. Перед публикацией такого сценария через MCP полезно согласовать сообщения и параметры шаблона. Подготовим локальную функцию, возвращающую содержимое prompt, и проверим обязательный аргумент. Готовый шаблон затем можно зарегистрировать в MCP-сервере.

Отделите шаблон задачи от бизнес-действия

Prompt — подготовленные сообщения для модели. Tool — вызываемая операция, resource — доступный контекст. Шаблон «разобрать обращение» может попросить модель использовать доступные сведения, но сам по себе не читает CRM и не отправляет ответ клиенту. Такое разделение помогает понять, какой частью работы управляет пользователь, а какую выполняет интеграция.

В интерфейсе клиент может показать список сценариев, например «Разбор обращения» и «Подготовка к встрече». Пользователь выбирает нужный и задаёт параметры. Способ отображения зависит от клиента: протокол не требует конкретной кнопки или slash-команды.

Опишите параметры понятным языком

Для разбора обращения достаточно ticket_id и цели анализа. Секреты и права доступа не передавайте через аргументы шаблона. Если сценарию нужен текст обращения, лучше получить его разрешённым способом и сохранить происхождение данных. Подстановка сырого содержимого в шаблон не превращает его в доверенную инструкцию.

Клиент получает список через prompts/list, а выбранный шаблон — через prompts/get с name и arguments. Сервер возвращает сообщения, из которых клиент составляет работу с моделью. Поддержку prompts сервер объявляет при инициализации. Эти операции удобно проверить отдельно от генерации ответа.

Сделайте шаблон проверяемым

Ниже локальная функция представляет серверную подготовку результата prompts/get. В ней проверяется наличие параметра и явно задаётся форма рабочего результата. В настоящем MCP-сервере функция регистрируется через SDK, который обслуживает JSON-RPC. Код помогает сначала согласовать смысл сообщений без привязки к конкретной библиотеке.

def get_prompt(arguments):
    ticket_id = arguments.get("ticket_id", "").strip()
    if not ticket_id:
        raise ValueError("ticket_id is required")
    return {"description": "Разбор обращения перед ответом", "messages": [
        {"role": "user", "content": {"type": "text", "text":
         f"Разбери обращение {ticket_id}. Раздели подтверждённые факты, "
         "недостающие сведения и следующий шаг сотрудника. Не отправляй ответ."}}
    ]}
prompt = get_prompt({"ticket_id": "T-17"})
assert "T-17" in prompt["messages"][0]["content"]["text"]
try:
    get_prompt({})
except ValueError:
    pass
else:
    raise AssertionError("Missing parameter accepted")
print(prompt)

Версионируйте сценарий вместе с проверками

Сохраните несколько обезличенных обращений и ожидаемые свойства разбора: перечислены подтверждённые факты, отмечены пробелы, нет обещания отправить сообщение без действия сотрудника. После изменения шаблона прогоните эти задачи снова. Красивый новый текст инструкции может ухудшить полезность результата.

Разделяйте параметры сценария и свободный пользовательский комментарий. Если цель анализа задаётся свободным текстом, обозначьте её границы: подготовить внутренний разбор, а не изменить статус заказа. Полномочия инструментов всё равно проверяются сервером при каждом действии.

Для команды полезно хранить владельца сценария, описание изменений и примеры результата. Пользователь должен понимать, какую задачу выбирает. Название вроде «Универсальный эксперт» не объясняет ни вход, ни пользу; «Разобрать обращение перед ответом» объясняет сразу.

Начните с одного часто повторяемого сценария и проверьте его в используемом клиенте. Некоторые клиенты показывают prompts иначе или поддерживают их частично. После согласования интерфейса можно расширять набор: подготовка встречи, сводка инцидента, проверка полноты заявки. Каждый шаблон получает собственные примеры и критерии полезного результата.

Продолжить проект на практике

Если команда хочет запускать такие сценарии из своего AI-клиента, в платном курсе AI Agent Integrations PRO: MCP вы соберёте сервер с prompt-шаблонами, resources и tools. Практика связывает шаблон задачи, внешний контекст и вызовы инструментов в итоговом AI-приложении; повторяемый пользовательский сценарий получает рабочую интеграцию.

Откройте программу курса и выберите следующий этап своего проекта.

По теме: Структурированный ответ MCP tool: как не потерять типы данных.