Langchain Prompts MCP Server

🚀 LangChain Prompts MCP Server

LangChain Prompts MCP Server 是一個 Model Context Protocol (MCP) 服務器，可無縫訪問 LangSmith 提示庫，該庫是全球最大的、經過社區審核的 AI 提示集合。藉助 1000 多個經過實戰檢驗的提示、高級搜索功能以及包含使用統計和版本歷史的豐富元數據，該服務器改變了您在 AI 工作流程中發現和集成提示的方式。通過自然語言查詢訪問專業級提示，使提示工程在 Claude Desktop、Claude Code 和其他 MCP 兼容客戶端中立即生效。

🚀 快速開始

本 MCP 服務器可直接連接到 LangSmith（LangChain 官方的提示管理和大語言模型應用開發平臺），為您提供智能訪問由 AI 社區創建、測試和完善的大量提示生態系統的能力。

✨ 主要特性

核心功能

• 提示發現：可按名稱、所有者、描述或標籤搜索和篩選數千個公共提示。
• 豐富元數據：可訪問下載次數、查看統計、點贊數和社區參與度指標。
• 版本控制：通過完整的版本歷史和提交信息跟蹤提示的演變。
• 模板智能：處理包含輸入/輸出模式的參數化提示。
• 高級分析：獲取庫範圍的統計信息、熱門提示和流行度指標。

大語言模型增強功能

• 智能補全：提供上下文感知的提示補全建議。
• 提示驗證：自動進行質量檢查和最佳實踐驗證。
• 相似性搜索：根據內容和結構查找相關提示。
• 比較分析：並排比較提示並提供詳細見解。

認證與訪問

• 公共庫：無需認證即可訪問數千個社區提示。
• 私有提示：使用 LangSmith API 密鑰進行認證以訪問私有提示。
• 用戶集合：按特定創作者和組織瀏覽提示。

📦 安裝指南

已知客戶端兼容性

• Claude Desktop
• Claude Code
• OpenAI ChatGPT（通過自定義連接器）
• Cursor IDE
• Continue.dev
• VS Code（使用 MCP 擴展）

Claude Desktop 配置

{
  "mcpServers": {
    "langchain-prompts": {
      "command": "npx",
      "args": ["-y", "mcp-remote", "https://mcp.prompts.mcpcentral.io/mcp"],
      "env": {
        "LANGSMITH_API_KEY": "your-api-key-optional"
      }
    }
  }
}

Claude Code 配置

claude mcp add langchain-prompts -s user --transport http https://mcp.prompts.mcpcentral.io/mcp

OpenAI ChatGPT（自定義連接器）配置

使用 MCP 端點 URL：https://mcp.prompts.mcpcentral.io/mcp

Cursor IDE 和 Continue.dev 配置

{
  "mcpServers": [
    {
      "name": "langchain-prompts",
      "url": "https://mcp.prompts.mcpcentral.io/mcp",
      "env": {
        "LANGSMITH_API_KEY": "your-api-key-optional"
      }
    }
  ]
}

💻 使用示例

基礎用法

以下是在不同場景下使用本服務器的示例代碼，以幫助您快速上手。

高級用法

在實際應用中，您可以根據具體需求組合使用不同的工具和資源，實現更復雜的功能。例如，在構建團隊提示庫時，您可以結合使用 get_popular_prompts、validate_prompt 和 get_prompt_versions 工具，確保提示的質量和可維護性。

📚 詳細文檔

MCP 版本兼容性

MCP 2025 - 06 - 18 合規性

• 協議版本：2025 - 06 - 18，完全符合規範。
• 結構化輸出：具有全面模式的增強工具。
• 資源支持：具有即時更新的動態集合。
• 提示模板：用於提示發現和分析的引導式工作流程。
• 標題字段：所有工具、資源和提示都包含描述性標題。
• 傳輸方式：標準輸入輸出 + 可流式傳輸的 HTTP 以及自定義 Workers 傳輸。

增強兼容性

• OpenAI 集成：與 ChatGPT 自定義連接器兼容。
• 企業就緒：內置速率限制和安全控制。
• 雲優化：部署在 Cloudflare Workers 上，實現全球可用。

提示管理工具（共 13 個）

動態資源（共 3 個）

引導式提示（共 4 個）

可用工具

可用資源

可用提示

🔧 技術細節

關鍵技術特性

• 雙傳輸設計：標準輸入輸出用於本地開發，HTTP 用於生產環境。
• 自定義 Workers 傳輸：針對 Cloudflare Workers 進行優化（比標準傳輸小 54%）。
• 類型安全：完全使用 TypeScript 實現，並進行運行時驗證。
• 智能緩存：多級緩存以實現最佳性能。
• 速率限制：內置保護，可配置限制。
• 安全至上：輸入驗證、注入保護和安全的錯誤處理。

性能優化

• 包大小：507KB 優化包，適用於無服務器部署。
• 冷啟動：通過針對 Worker 優化的初始化實現最小延遲。
• 緩存策略：具有 TTL 的 LRU 緩存，用於頻繁訪問的提示。
• 重試邏輯：具有抖動的指數退避，用於彈性 API 調用。

數據概述

主要數據源：LangSmith 提示中心

• 內容：來自 smith.langchain.com 的 1000 多個經過社區審核的提示。
• 元數據：下載次數、查看統計、點贊數、標籤和版本歷史。
• 模板：具有輸入/輸出模式的參數化提示。
• 更新：即時訪問最新的社區貢獻。
• 隱私：公共提示無需認證即可訪問，私有提示需使用 API 密鑰。

版本信息

• 版本：1.0.0
• 協議：MCP 2025 - 06 - 18
• SDK：@modelcontextprotocol/sdk 1.16.0
• 功能：完全符合規範，支持資源、提示和結構化輸出。
• 傳輸方式：
  • 標準輸入輸出：默認的 MCP 傳輸方式，用於直接客戶端集成。
  • HTTP：MCP 2025 - 06 - 18 可流式傳輸的 HTTP，帶有頭部驗證。

測試

您可以在 MCP Central Lab 上交互式地測試本服務器。

MCP 註冊表

本服務器已發佈在官方 Model Context Protocol Registry 中。註冊表配置支持：

• 服務器發現：由 MCP 兼容客戶端自動檢測。
• 遠程訪問：通過 https://mcp.prompts.mcpcentral.io/mcp 的 HTTP 傳輸端點。
• 包分發：可通過 npx 立即訪問。
• 客戶端兼容性：已驗證支持 Claude Desktop、Claude Code 等。
• 功能聲明：13 個工具、3 個資源、4 個提示，具有高級搜索功能。

支持

• 文檔：MCP 文檔
• LangSmith：LangSmith 平臺
• 健康檢查：通過 GET https://mcp.prompts.mcpcentral.io/health 進行狀態監控。

工作示例

示例 1：開發人員的提示發現

場景：開發人員希望找到用於代碼審查和文檔編寫的最佳提示。 使用工具：search_prompts、get_prompt_content、compare_prompts

1. 搜索代碼審查提示：使用 search_prompts 並查詢 "code review"。
2. 獲取模板詳細信息：檢索前幾個結果的完整內容。
3. 比較選項：使用 compare_prompts 分析差異。 預期結果：經過整理的代碼審查提示，包含模板、最佳實踐和社區評級。

示例 2：為團隊構建提示庫

場景：團隊負責人希望在組織內標準化提示。 使用工具：get_popular_prompts、validate_prompt、get_prompt_versions

1. 發現熱門提示：獲取所在領域的熱門提示。
2. 驗證質量：根據最佳實踐檢查提示。
3. 跟蹤更改：監控所選提示的版本歷史。 預期結果：經過驗證的高質量提示，具有版本控制，可用於團隊標準化。

示例 3：AI 助手增強

場景：AI 工程師希望提高其助手的響應質量。 使用工具：analyze-prompt、find-similar-prompts、improve-prompt

1. 分析當前提示：使用 analyze-prompt 工作流程。
2. 尋找更好的替代方案：發現類似的高性能提示。
3. 獲取改進建議：使用 improve-prompt 進行優化。 預期結果：增強後的提示，在響應質量和一致性方面有可衡量的改進。

示例 4：研究與實驗

場景：研究人員需要了解不同用例下的提示工程模式。 使用工具：get_prompt_statistics、list_prompts、get_user_prompts

1. 分析庫統計信息：瞭解整體趨勢和模式。
2. 按類別瀏覽：探索不同領域的提示。
3. 研究專家貢獻：檢查頂級創作者的提示。 預期結果：全面瞭解社區中的提示模式、趨勢和最佳實踐。