提示保存器-MCP

Name: 提示保存器-MCP
Author: davidhou17

作者：davidhou174 星标更新：2025-10-28

安装使用来源：spider==github.com

项目介绍

Prompt Saver MCP Server

将成功的对话线程转换为可用于未来任务的提示。

基于这样一个原则：您与大语言模型（LLM）交互中最重要的成果是您如何生成结果，而不是结果本身（参见新的代码）。同时考虑到LLMs可能已经比人类更擅长设计提示。

https://github.com/user-attachments/assets/d2e90767-c6f2-44b7-a216-1d9e103e968a

工具

`save_prompt`

总结、分类并转换对话历史记录为Markdown格式的提示模板。

在成功完成复杂任务后运行，以构建您的提示库。

参数：

conversation_messages (字符串)：包含对话历史记录的JSON字符串
task_description (可选字符串)：正在执行的任务描述
context_info (可选字符串)：关于对话的附加上下文信息

`search_prompts`

使用语义搜索（如果Voyage API密钥可用）或文本搜索作为备选方案从数据库中检索提示。返回最相关的提示供用户选择。

参数：

query (字符串)：需要帮助的问题或任务描述
limit (可选整数)：要返回的最大提示数量（默认值：3）

`improve_prompt_from_feedback`

总结对话中的反馈，并根据反馈和对话上下文更新提示。

参数：

prompt_id (字符串)：要改进的提示ID
feedback (字符串)：用户对提示有效性的反馈
conversation_context (可选字符串)：使用该提示时的对话上下文

`update_prompt`

手动更新现有提示。

参数：

prompt_id (字符串)：要更新的提示ID
change_description (字符串)：更改的内容和原因描述
summary (可选字符串)：更新后的摘要
prompt_template (可选字符串)：更新后的提示模板
history (可选字符串)：更新后的历史记录
use_case (可选字符串)：更新后的用例

`get_prompt_details`

获取特定提示的详细信息，包括其完整的模板、历史记录和元数据。用于在应用之前查看完整的提示。

参数：

prompt_id (字符串)：要检索的提示ID

`search_prompts_by_use_case`

按其用例类别（例如'code-gen'，'text-gen'，'data-analysis'）搜索提示。这是一种高效的基于类别的搜索，独立于嵌入服务工作。

参数：

use_case (字符串)：要搜索的用例类别
limit (可选整数)：要返回的最大结果数量（默认值：5）

提示工程最佳实践

生成的提示模板使用以下提示工程技术：

结构

模板按照以下顺序组织：

身份：定义助手的人格和目标
指令：提供明确的规则和约束
示例：展示期望的输入/输出模式（少量样本学习）
上下文：添加相关数据和文档

格式

使用Markdown标题（#）和列表（*）来创建逻辑层次结构
使用XML标签（<example>）来分隔内容部分
在适当的地方使用消息角色（开发者/用户/助手）
使用占位符（{variable}）进行可定制的输入

这确保保存的提示具有良好的结构、可重用性，并且对未来任务有效。

系统提示配置

为了最大化此MCP服务器的价值，请向您的LLM接口系统提示添加以下说明：

在开始任何大型或复杂任务之前，始终搜索相关提示。

在成功完成任务后，始终询问是否希望将对话保存为提示。

在成功完成带有提示的任务后，始终询问是否希望更新提示。

这有助于确保LLM在没有显式请求的情况下运行相关工具。

💡 提示：为了增强MongoDB管理，考虑与本提示保存器一起使用MongoDB MCP Server。它提供了直接的MongoDB操作，并可以帮助您更有效地管理提示数据库。

安装

克隆仓库：

git clone <仓库地址>
cd prompt-saver-mcp

安装依赖项：

uv sync
# 或者使用pip：
pip install -e .

设置MongoDB Atlas：
- 创建一个MongoDB Atlas集群
- 创建一个名为prompt_saver的数据库
- （可选）在embedding字段上创建一个向量搜索索引（2048维，点积相似度），用于语义搜索
配置环境变量：
```
cp .env.example .env
# 编辑.env文件，填写您的API密钥和MongoDB Atlas URI
```
所有配置都需要：
- MONGODB_URI：MongoDB Atlas连接字符串
可选：
- VOYAGE_AI_API_KEY：Voyage AI API密钥（启用语义搜索）
选择一个LLM提供商：
- Azure OpenAI：AZURE_OPENAI_API_KEY，AZURE_OPENAI_ENDPOINT
- OpenAI：OPENAI_API_KEY
- Anthropic：ANTHROPIC_API_KEY

配置

环境变量

核心配置

变量	描述	默认值
`MONGODB_URI`	MongoDB Atlas连接URI	必需
`MONGODB_DATABASE`	数据库名称	`prompt_saver`
`MONGODB_COLLECTION`	集合名称	`prompts`
`VOYAGE_AI_API_KEY`	Voyage AI API密钥（启用语义搜索）	可选
`VOYAGE_AI_EMBEDDING_MODEL`	嵌入模型	`voyage-3-large`

LLM提供商配置

变量	描述	默认值
`LLM_PROVIDER`	LLM提供商：`azure_openai`，`openai`，或`anthropic`	`azure_openai`

提供商选项：

Azure OpenAI：企业级，具备增强的安全性和合规性
OpenAI：直接访问最新模型，简单API密钥设置
Anthropic：Claude模型，具备强大的推理能力

Azure OpenAI（当LLM_PROVIDER=azure_openai）

变量	描述	默认值
`AZURE_OPENAI_API_KEY`	Azure OpenAI API密钥	必需
`AZURE_OPENAI_ENDPOINT`	Azure OpenAI端点	必需
`AZURE_OPENAI_MODEL`	模型部署名称	`gpt-4o`

OpenAI（当LLM_PROVIDER=openai）

变量	描述	默认值
`OPENAI_API_KEY`	OpenAI API密钥	必需
`OPENAI_MODEL`	模型名称	`g-4o`

Anthropic（当LLM_PROVIDER=anthropic）

变量	描述	默认值
`ANTHROPIC_API_KEY`	Anthropic API密钥	必需
`ANTHROPIC_MODEL`	模型名称	`claude-sonnet-4-20250514`

Claude Desktop集成

添加到您的Claude Desktop配置文件中。根据您首选的LLM提供商选择以下配置之一：

Azure OpenAI配置

{
  "mcpServers": {
    "prompt-saver": {
      "command": "uv",
      "args": ["run", "python", "-m", "prompt_saver_mcp.server", "stdio"],
      "cwd": "/path/to/your/prompt-saver-mcp",
      "env": {
        "MONGODB_URI": "mongodb+srv://username:password@cluster.mongodb.net/",
        "MONGODB_DATABASE": "prompt_saver",
        "VOYAGE_AI_API_KEY": "your_voyage_ai_api_key_here",
        "LLM_PROVIDER": "azure_openai",
        "AZURE_OPENAI_API_KEY": "your_azure_openai_api_key_here",
        "AZURE_OPENAI_ENDPOINT": "https://your-resource.openai.azure.com/",
        "AZURE_OPENAI_MODEL": "gpt-4o"
      }
    }
  }
}

OpenAI配置

{
  "mcpServers": {
    "prompt-saver": {
      "command": "uv",
      "args": ["run", "python", "-m", "prompt_saver_mcp.server", "stdio"],
      "cwd": "/path/to/your/prompt-saver-mcp",
      "env": {
        "MONGODB_URI": "mongodb+srv://username:password@cluster.mongodb.net/",
        "MONGODB_DATABASE": "prompt_saver",
        "VOYAGE_AI_API_KEY": "your_voyage_ai_api_key_here",
        "LLM_PROVIDER": "openai",
        "OPENAI_API_KEY": "your_openai_api_key_here",
        "OPENAI_MODEL": "gpt-4o"
      }
    }
  }
}

Anthropic配置

{
  "mcpServers": {
    "prompt-saver": {
      "command": "uv",
      "args": ["run", "python", "-m", "prompt_saver_mcp.server", "stdio"],
      "cwd": "/path/to/your/prompt-saver-mcp",
      "env": {
        "MONGODB_URI": "mongodb+srv://username:password@cluster.mongodb.net/",
        "MONGODB_DATABASE": "prompt_saver",
        "VOYAGE_AI_API_KEY": "your_voyage_ai_api_key_here",
        "LLM_PROVIDER": "anthropic",
        "ANTHROPIC_API_KEY": "your_anthropic_api_key_here",
        "ANTHROPIC_MODEL": "claude-sonnet-4-20250514"
      }
    }
  }
}

注意：对于Anthropic支持，安装anthropic包：pip install anthropic

使用示例

1. 保存提示

在完成复杂任务后，将对话保存为可重复使用的提示：

# 示例对话消息（JSON格式）
conversation = [
    {"role": "user", "content": "帮我创建一个解析CSV文件的Python函数"},
    {"role": "assistant", "content": "我将帮助您创建一个健壮的CSV解析器..."},
    # ... 更多对话
]

# 保存提示
save_prompt(
    conversation_messages=json.dumps(conversation),
    task_description="创建CSV解析器函数",
    context_info="成功创建了带错误处理的解析器"
)

2. 查找并使用提示

在开始新任务时查找相关提示：

# 搜索提示
result = search_prompts("我需要帮助在Python中处理数据")

# 工具将返回最相关的提示并要求您选择一个

3. 更新提示

在使用提示后，根据您的经验更新它：

update_prompt(
    prompt_id="prompt_id_here",
    change_description="增加了错误处理示例",
    prompt_template="更新模板，增加更好的错误处理..."
)

4. 获取提示详情

检索特定提示的全部细节：

# 获取完整的提示信息
result = get_prompt_details("prompt_id_here")
print(result["prompt"]["prompt_template"])  # 查看完整的模板

5. 使用反馈改进提示

利用AI自动根据反馈改进提示：

improve_prompt_from_feedback(
    prompt_id="prompt_id_here",
    feedback="该提示效果很好，但可以增加更多针对边缘情况的具体示例",
    conversation_context="用于调试复杂的API集成问题"
)

6. 按用例搜索

查找特定类型任务的提示：

# 查找所有代码生成提示
result = search_prompts_by_use_case("code-gen", limit=5)

# 查找数据分析提示
result = search_prompts_by_use_case("data-analysis", limit=3)

数据库模式

每个提示存储如下结构：

{
    "_id": ObjectId,
    "use_case": str,  # "code-gen", "text-gen", "data-analysis", "creative", "general"
    "summary": str,   # 提示及其用例的摘要
    "prompt_template": str,  # 普遍的问题解决提示模板
    "history": str,   # 执行步骤和最终结果的摘要
    "embedding": List[float],  # 摘要的向量嵌入
    "last_updated": datetime,
    "num_updates": int,
    "changelog": List[str]  # 对此提示所做的更改列表
}

许可证

MIT许可证 - 详见LICENSE文件。