Model Context Protocol (MCP) 中的 Prompt 通过提供明确的指令、上下文和约束来指导模型如何处理和生成响应，从而塑造模型行为。MCP 作为一个框架来组织输入，确保模型遵循特定的目标、格式或安全要求。通过将指令直接嵌入到 Prompt 中，开发者可以控制模型的焦点、语气和输出结构。例如，Prompt 可能指示模型“充当 Python 导师”并“使用代码片段解释概念”，这将响应范围缩小到包含技术示例的教育内容。这种方法减少了歧义，并使模型的输出与预定义的用例保持一致。
MCP 中特定的 Prompt 组件，例如系统消息、用户指令和示例，直接影响模型行为。例如，“您是一个输出 JSON 的 API 助手”这样的系统消息设定了模型的角色和格式预期。像“列出三个选项，然后推荐最佳选项”这样的用户指令强制执行结构化响应。在 Prompt 中包含示例（如样本输入和输出）可以训练模型模仿模式。例如，在 Prompt 中提供 JSON 模板可确保模型遵循精确的模式。像“避免讨论政治话题”这样的安全约束充当护栏，过滤掉不需要的内容。这些元素协同工作，共同塑造模型的推理和输出风格。
开发者通过设计结合了角色定义、任务要求和格式规则的 Prompt 来实现 MCP。例如，天气 API 集成可能会使用如下 Prompt：“您是一个天气机器人。以 Markdown 格式响应。以地点、温度和天气状况开头。答案不超过 100 字。”这使得模型的响应结构优先考虑简洁性和特定数据点。调整各个组件（例如收紧格式规则或添加验证步骤）可以在不重新训练模型的情况下进行微调。通过系统地组织 Prompt，MCP 确保一致性，减少错误，并使构建应用程序的开发者可以预测模型交互。