關於 MCP 伺服器以及我們如何為 Prisma 打造一個伺服器

了解 MCP

在深入探討我們如何建構 Prisma MCP 伺服器的技術細節之前，我們先退後一步，從頭開始了解什麼是 MCP 伺服器。

如果 LLM 需要存取專有資料或系統怎麼辦？

LLM 是透過網際網路上的資訊訓練而成的，即使是網路上曾經討論過的極其深奧的問題，它們也能提供準確的答案。

但是，如果您希望您的 LLM 根據專有資料或系統來回答問題？或者希望它代您執行某種操作呢？試想一下，您向 ChatGPT 發出以下指令：

• "Find all the invoices from last year on my file system."（「找出我檔案系統中去年的所有發票。」）
• "Create a new database instance in the us-west region for me."（「為我在 us-west 地區建立一個新的資料庫實例。」）
• "Open a new GitHub issue in a specific repo."（「在特定的儲存庫中開啟一個新的 GitHub Issue。」）

純粹經由網際網路訓練的 LLM 無法協助完成這些任務，因為它無法存取您的檔案系統、資料庫提供者或 GitHub API。

「工具存取」使 LLM 能夠與外部世界互動

在這種情況下，LLM 需要額外的能力來與「外部世界」互動——不僅要超越其網路知識，還要能在其他系統上執行操作。

LLM 提供商已透過實作所謂的工具（tool）存取來回應此需求。不同的提供商使用不同的名稱：OpenAI 稱之為 函式呼叫（function calling），Anthropic 將其稱為 工具使用（tool use），其他人則使用「插件（plugins）」或「動作（actions）」等術語。

這種方法很混亂，因為每個 LLM 與工具互動的介面都不同。

例如，如果您希望多個 LLM 都能存取您的檔案系統，您必須針對每個 LLM 分別實作相同的「檔案系統存取工具」。這看起來可能像這樣：

隨著新的 LLM 如雨後春筍般湧現，您可以想像，如果每個 LLM 都有自己專屬的介面來存取外部世界，將會變得多麼混亂。

介紹 MCP：為 LLM 的工具存取制定標準

2024 年 11 月，Anthropic 推出了模型內容協定（Model Context Protocol，簡稱 MCP），作為一種

全新的連接 AI 助理與資料所在系統的標準，這些系統包括內容儲存庫、商業工具和開發環境。

MCP 為連接 AI 系統與外部資料來源提供了一個通用的開放標準。所有實作 MCP 協定的 LLM，只要透過 MCP 伺服器公開功能，現在都能存取相同的工具。

回到之前的例子：有了 MCP，您只需要實作一次發票搜尋功能。然後，您就可以透過 MCP 伺服器將其提供給所有支援 MCP 協定的 LLM。以下是虛擬碼實作：

Anthropic 提出的這個標準顯然引起了廣大迴響。如果您當時在 X 上，大概每天都會看到多篇關於 MCP 的貼文。Google Trends 上關於「MCP」的搜尋趨勢也印證了這一點。

如何將 LLM 連接到 MCP 伺服器

要使用 MCP 伺服器功能來增強 LLM，您只需要一個啟動伺服器的 CLI 指令。大多數 AI 工具都接受如下所示的 JSON 設定：

AI 工具會執行該 command，傳遞 args，然後 LLM 便能獲得該伺服器工具的存取權。

建構 Prisma MCP 伺服器

在 Prisma，我們打造了最受歡迎的 TypeScript ORM，以及運行在 Unikernel 上、全球最高效的 Postgres 資料庫。

自然地，我們開始思考如何利用 MCP 來簡化開發者的資料庫工作流程。

為什麼要為 Prisma 建構 MCP 伺服器？

許多開發者在使用 Prisma 建構資料驅動的應用程式時，會使用像是 Cursor 或 Windsurf 等 AI 編碼工具。

這些 AI 編碼工具具有所謂的代理模式（agent modes），AI 會為您編輯原始碼檔案，您只需要審查並接受 AI 提出的建議。它也可以主動提出為您執行 CLI 指令，就像檔案編輯一樣，您需要確認該指令是否真的應該被執行。

由於與 Prisma Postgres 和 Prisma ORM 的許多互動都是由 Prisma CLI 驅動的，我們希望讓 LLM 能夠代您執行 Prisma CLI 指令，例如用於以下工作流程：

• 檢查資料庫遷移（migrations）的狀態
• 建立並執行資料庫遷移
• 使用 Prisma Console 進行身份驗證
• 配置新的 Prisma Postgres 實例

在 MCP 出現之前，我們必須為每個 LLM 分別實作支援。有了 MCP，我們只需要實作一個伺服器，就能同時支援所有 LLM。

@modelcontextprotocol/sdk 套件：「MCP 的 Express」

在推出 MCP 時，Anthropic 發布了適用於多種程式語言的 SDK。TypeScript SDK 位於 typescript-sdk 儲存庫中，它提供了實作 MCP 用戶端與伺服器所需的一切。

本地與遠端 MCP 伺服器

在建構 MCP 伺服器時，您必須決定它是本地（local）運行（與使用者在同一台機器上），還是遠端（remote）運行（在可透過網際網路存取的機器上）。

這取決於伺服器的功能。如果它需要存取使用者的檔案系統，它必須在本地運行。如果它只是呼叫 API，則可以在本地或遠端運行（因為 API 可以從本地和遠端機器呼叫）。

以 Prisma 為例，LLM 主要需要存取 Prisma CLI，以支援開發者的資料庫相關工作流程。Prisma CLI 可能會連接到本地或遠端資料庫實例。然而，因為 CLI 指令是在本地執行的，所以 Prisma MCP 伺服器也必須在本地執行。

賦予 LLM 呼叫 Prisma CLI 指令的能力

Prisma MCP 伺服器非常簡單且輕量——您可以在 GitHub 上瀏覽它的程式碼。它已作為 Prisma CLI 的一部分進行打包，並可透過以下指令啟動：

以下是其基本架構：

parse 函式會在呼叫 prisma mcp --early-access CLI 指令時執行。它會啟動一個使用 StdioServerTransport（相對於 StreamableHTTPServerTransport）的 MCP 伺服器，因為它是在本地執行的。

上述程式碼片段中未顯示 CLI 指令的實際實作，讓我們放大查看 parse 函式，並以 prisma migrate dev 和 prisma init --db 指令作為範例：

每個工具都是透過 server.tool() 註冊的，包含：

1. 一個 名稱（name）（以便 LLM 可以參照它）
2. 一個 說明（description）（協助 LLM 理解其用途）
3. 一個 參數架構（argument schema）（我們使用 zod）
4. 一個實作該邏輯的 函式（function）

我們所有工具的實作都遵循相同的模式，非常簡單：當呼叫工具時，我們只需生成一個新程序（透過使用 execa 的 runCommand 函式）來執行其對應的 CLI 指令。這就是賦予 LLM 代使用者執行指令能力所需的一切。

立即嘗試 Prisma MCP 伺服器

如果您想試用一下，請將此片段貼到您慣用的 AI 工具的 MCP 設定區中：

或者，您可以查看我們的文件，了解針對 Cursor、Windsurf、Claude 或 OpenAI Agents SDK 的具體說明。

新增完成後，您的 AI 工具將會顯示 MCP 伺服器的狀態以及可用工具。以下是它在 Cursor 中的顯示方式：

超越 MCP：為 VS Code 中的 Prisma 使用者帶來全新功能

接下來是什麼？雖然 MCP 功能強大，但它仍然需要在 AI 工具中進行手動設定。

我們的目標是協助開發者在他們原本的工作環境中作業。VS Code 是建構網頁應用程式的事實標準，多虧了它對 GitHub Copilot 和 LanguageModelTool API 的免費整合，我們將把 MCP 伺服器的能力帶給所有 Prisma VS Code 擴充套件的使用者 🎉。這意味著 Copilot 很快就能在您的資料庫工作流程中提供更多協助！

與我們分享您的意見

對於 MCP、AI 工具或 Prisma 有任何想法或疑問嗎？歡迎在 X 上與我們聯繫，或是加入我們的 Discord 社群——我們很樂意聽聽您的聲音！