使用说明（Markdown 格式）

项目简介
- GTM Wizard MCP 服务器是在本仓库实现的一个后端服务，按照 Model Context Protocol（MCP）的规范，为 AI 客户端提供结构化的上下文服务。它托管资源、注册并执行工具、定义并渲染提示模板，并通过 JSON-RPC 与客户端通信，支持会话管理、能力声明以及多种传输方式。
主要功能点
- 资源管理：提供 list_resources 与 read_resource 接口，列出并读取 GTM 基础资源（foundation resources），资源使用 gtm://foundations/ 路径前缀。
- 工具执行：提供 list_tools 与 call_tool 接口，包含诊断、打分、分类、路由和合规性等工具的定义与执行能力。
- 提示模板：提供 list_prompts 与 get_prompt 接口，定义并渲染 4 种 Prompts，用于 Lead Qualification、ICP 定义、外部 Campaign 设计和 scoring 校准。
- MCP 服务器能力：基于 mcp.server 实现，使用 stdio 指定传输通道，支持异步请求处理、JSON-RPC 风格的请求/响应以及初始化选项。
- 资源与知识库：将本仓库中的 Foundation 资源以 gtm://foundations/ 路径暴露，提供统一的只读文本资源（text/markdown）。
- 运行与测试友好：包含完整的 API 风格接口实现，且配套测试用例覆盖资源、 prompts、工具等核心组件。
安装步骤
- 需要 Python 3.10、3.11 或 3.12。
- 直接从源码安装并运行，示例步骤（不区分具体命令示例，按实际环境执行）：
  - 克隆仓库并安装开发依赖
  - 运行服务器：使用 Python 模块方式启动服务器，例如 python -m gtm_wizard.server（服务器将通过标准输入/输出进行通信）
- 运行后的默认通信形式基于标准输入输出（stdio），便于与 MCP 客户端（如 Claude/Cursor 等）进行整合测试。
- 额外说明：仓库 README 提供了兼容的启动方式，如 uvx 的快速启动路径；实际开发与测试中可按 README 的 Quick Start 指引使用。
服务器配置（MCP 客户端连接配置示例，供参考，不需要在代码中编写）下面给出一个用于 MCP 客户端配置的示例 JSON，描述如何启动并连接到该 MCP 服务器。请注意，该配置用于客户端侧的进程管理，不属于服务器端实现代码的一部分。 { "server_name": "gtm-wizard", "command": "python", "args": ["-m", "gtm_wizard.server"] } 说明：
- server_name 与仓库中的服务器名称保持一致，用于在客户端侧标识该 MCP 服务器。
- command 与 args 指定如何启动该服务器进程；在本仓库的实现中，推荐使用 python -m gtm_wizard.server 启动，以便通过 stdio 进行通信。
- 该配置仅用于客户端启动时的进程管理，实际 MCP 服务器端的功能与接口在代码中实现，客户端本身并不需要依赖此配置来执行具体 API 调用。
基本使用方法
- 启动服务器后，客户端通过 JSON-RPC 请求与服务器交互，调用诸如 list_resources、read_resource、list_tools、call_tool、list_prompts、get_prompt、etc。你可以先用 MCP Inspector 或对应的客户端示例来测试。
- 常用测试路径（在开发环境中已覆盖的测试用例方向）：
  - 列出基础资源：list_resources
  - 读取某个资源内容：read_resource（如 gtm://foundations/what-is-gtm-engineering）
  - 列出工具：list_tools
  - 调用工具：call_tool（如 diagnose_rate_limiting、score_lead 等）
  - 列出 Prompts：list_prompts
  - 获取具体 Prompt：get_prompt（如 lead-qualification-workflow, icp-definition 等）
- 服务器自身提供的资源、工具、提示均基于本仓库的实现和数据，利于构建基于 MCP 的 AI 助手工作流。
备注
- 服务器实现时序、端点和数据结构参照仓库中的实现：资源通过 URI（gtm://foundations/）进行定位；工具具有结构化的 inputSchema；Prompts 通过文本内容进行渲染。
- 客户端的具体调试与联调可结合 MCP Inspector、测试用例以及官方 MCP 客户端进行综合验证。
使用场景
- 用于构建基于模型上下文的 AI 助手工作流，支持知识资源访问、工具执行、以及与 LLM 的提示渲染协同，适用于需要统一上下文与能力的企业级 AI 应用。
关键词
- 自动化上下文、资源管理、工具执行、提示模板、AI 助手

关键词

信息