MCP node tasks 02 - primitives

Dette projekt er anden del af vores praktiske introduktion til Model Context Protocol, forkortet MCP.

I del 1 havde vi en almindelig Node.js-applikation, der læste tasks fra en JSON-fil.

I denne del laver vi projektet om til en MCP-server.

Serveren udstiller:

Formål

Efter denne del skal du kunne forklare:

• Hvad resources, tools og prompts er

• Hvorfor resources normalt er read-only

• Hvorfor tools kræver mere omtanke

• Hvordan en lokal MCP-server kan køre med stdio

• Hvorfor console.log() kan give problemer i en stdio-baseret MCP-server

• Hvordan serveren kan testes med MCP Inspector

• Hvordan serveren kan kobles på Claude Desktop eller Cursor

Related MCP server: task-mcp-node

Projektstruktur

mcp-node-tasks-02-primitives/
├── data/
│   └── tasks.json
├── docs/
│   └── images/
│       ├── Screenshot-2025-05-28-182048-1.png
│       └── lifecyclemcp-1.svg
├── src/
│   ├── server.js
│   └── taskStore.js
├── package.json
└── README.md

Billeder

Kopier disse billeder fra zip-filen til projektet:

docs/images/Screenshot-2025-05-28-182048-1.png
docs/images/lifecyclemcp-1.svg

MCP primitives

En MCP-server kan udstille capabilities.

I dette projekt bruger vi tre centrale capabilities:

Den vigtigste huskeregel er:

Resources giver AI'en noget at vide.
Tools får AI'en til at gøre noget.
Prompts giver AI'en en arbejdsform.

Resource: tasks://all

En resource er data, som kan læses uden at ændre noget.

I dette projekt er resource:

tasks://all

Den læser alle tasks fra:

data/tasks.json

Resource-koden ændrer ikke filen. Den giver kun AI’en kontekst.

Tool: add_task

Et tool er en funktion, der udfører en handling.

I dette projekt er tool:

add_task

Det opretter en ny task i:

data/tasks.json

Tool’et tager to input:

Eksempel på input:

{
  "title": "Lav demo til undervisning",
  "priority": "high"
}

Fordi tool’et ændrer data, er det mere følsomt end en resource.

Prompt: analyze_tasks

En prompt er en genbrugelig promptskabelon eller arbejdsgang.

I dette projekt er prompten:

analyze_tasks

Den beder AI’en om at læse tasklisten og analysere, hvilke opgaver der bør prioriteres først.

Prompten ændrer ikke data. Den giver modellen en arbejdsform.

Resource, tool og prompt i samme case

Hvordan hænger Claude, MCP og koden sammen?

flowchart TD
    A["Claude Desktop<br>MCP host"]
    B["claude_desktop_config.json<br>Starter serveren"]
    C["src/server.js<br>MCP-server"]
    D["Resource: tasks://all<br>Læs alle tasks"]
    E["Tool: add_task<br>Opret ny task"]
    F["Prompt: analyze_tasks<br>Fast analyse"]
    G["src/taskStore.js<br>Node.js fil-logik"]
    H["data/tasks.json<br>Projektets data"]

    A --> B
    B -->|"node src/server.js"| C
    C --> D
    C --> E
    C --> F
    D --> G
    E --> G
    G --> H
    F --> A

Diagrammet viser, at Claude ikke læser tasks.json direkte.

Claude starter først vores MCP-server ud fra claude_desktop_config.json.

src/server.js er MCP-laget. Her definerer vi, hvad Claude må bruge:

• tasks://all som resource

• add_task som tool

• analyze_tasks som prompt

src/taskStore.js indeholder den almindelige Node.js-logik til at læse og skrive tasks.

data/tasks.json er kun datafilen.

Det vigtige er opdelingen af ansvar:

Claude taler altså med MCP-serveren. MCP-serveren bruger derefter vores Node.js-kode til at læse eller ændre data.

Lifecycle

Et typisk MCP-flow kan forklares i fire faser:

Discovery er vigtig, fordi clienten kan spørge serveren, hvad den kan, i stedet for at alt er hardcoded.

Installation

Kør:

npm install

Vigtig pointe om npm start

Du kan godt køre:

npm start

Men serveren vil se ud som om, den ikke gør noget.

Det er normalt.

En MCP-server med stdio venter på, at en MCP-client taler med den. Derfor tester vi den med MCP Inspector, Claude Desktop eller Cursor.

Test med MCP Inspector

Kør:

npm run inspect

I Inspector kan du teste:

1. Resource: tasks://all

2. Tool: add_task

3. Prompt: analyze_tasks

Denne server bruger stdio

Stdio betyder, at MCP-clienten og MCP-serveren kommunikerer via standard input og standard output.

Derfor må serveren ikke skrive almindelige logs med:

console.log("Server startet");

Det kan ødelægge MCP-kommunikationen, fordi stdout bruges til MCP-beskeder.

Brug i stedet:

console.error("Server startet");

console.error() skriver til stderr og forstyrrer ikke MCP-kommunikationen.

Claude eller Cursor konfiguration

Når projektet virker i MCP Inspector, kan det kobles på Claude Desktop eller Cursor.

Eksempel:

{
  "mcpServers": {
    "mcp-node-tasks-02": {
      "command": "node",
      "args": [
        "C:\\Users\\mikc\\IdeaProjects\\mcp-node-tasks-02-primitives\\src\\server.js"
      ]
    }
  }
}

Ret stien, så den passer til din egen computer.

På Windows skal du enten bruge dobbelt backslash:

C:\\Users\\mikc\\IdeaProjects\\mcp-node-tasks-02-primitives\\src\\server.js

eller forward slashes:

C:/Users/mikc/IdeaProjects/mcp-node-tasks-02-primitives/src/server.js

Miniøvelse

Åbn src/server.js.

Find:

1. Resource-koden

2. Tool-koden

3. Prompt-koden

Svar derefter på:

1. Hvad er resource i projektet?

2. Hvad er tool i projektet?

3. Hvad er prompt i projektet?

4. Hvorfor er add_task mere risikabel end tasks://all?

5. Hvorfor er det en god idé at starte med stdio?

Forslag til svar

tasks://all er en resource, fordi den kun læser data.

add_task er et tool, fordi det ændrer data.

analyze_tasks er en prompt, fordi den giver AI’en en fast arbejdsgang.

add_task er mere risikabel end tasks://all, fordi den skriver til data/tasks.json.

Stdio er godt til lokal undervisning, fordi det ikke kræver port, Express-server eller deployment.

Ekstra øvelse

Tilføj en ny task med MCP Inspector.

Kontroller bagefter, at filen er ændret:

data/tasks.json

Spørgsmål:

• Hvor kan du se side effect?

• Hvorfor er det vigtigt, at tool’et har tydelige input?

• Hvad kunne gå galt, hvis priority ikke blev valideret?

Næste trin

I næste del bygger vi en custom MCP-client i Node.js.

Den skal kunne:

1. Starte MCP-serveren via stdio

2. Lave discovery

3. Liste tools, resources og prompts

4. Kalde tasks://all

5. Kalde add_task

6. Hente prompten analyze_tasks