Prompt Saver MCP

提示保护程序MCP服务器

MCP服务器，将成功的对话线程转换为可重用的提示，可用于未来的任务。基于这样一个原则，即LLM交互中最重要的工件是你为产生结果所做的工作，而不是结果本身。

特性

• 将对话另存为提示：将对话线程转换为可重用的markdown格式的提示模板
• 语义搜索：使用Voyage AI嵌入的矢量搜索查找相关提示
• 及时管理：根据反馈更新、检索和改进提示
• 用例分类：自动对提示进行分类（代码生成、文本生成、数据分析、创意、通用）
• 人工智能驱动的改进：使用GPT-4o-mini根据用户反馈自动改进提示

工具

save_prompt

对对话历史进行总结、分类，并将其转换为markdown格式的提示模板。

参数：

• conversation_messages （string，必填）：包含对话历史的JSON字符串
• task_description （字符串，可选）：正在执行的任务的描述
• context_info （字符串，可选）：关于对话的其他上下文

search_prompts

使用语义搜索从数据库中检索提示。

参数：

• query （字符串，必填）：搜索查询以查找相关提示
• limit （整数，可选）：最大结果数（默认值：5）

search_prompts_by_use_case

检索按用例类别筛选的提示。

参数：

• use_case （字符串，必填）：用例类别（代码生成、文本生成、数据分析、创意、通用）
• limit （整数，可选）：最大结果数（默认值：10）

update_prompt

用新信息更新现有提示。

参数：

• prompt_id （string，必填）：要更新的提示的ID
• change_description （string，必填）：更改内容的描述
• prompt_template （字符串，可选）：新建提示模板
• summary （字符串，可选）：新摘要（触发嵌入再生）
• use_case （字符串，可选）：新用例类别
• history （字符串，可选）：更新历史记录

get_prompt_details

检索特定提示的完整详细信息。

参数：

• prompt_id （string，必填）：要检索的提示的ID

improve_prompt_from_feedback

使用AI根据用户反馈自动改进提示。

参数：

• prompt_id （string，必填）：要改进的提示ID
• feedback （string，必填）：用户对提示的反馈
• conversation_context （string，可选）：关于如何使用提示的上下文

文档

• 入门指南 -逐步设置
• 团队设置指南 - 用于队友在Cursor中设置MCP服务器 ⭐
• 团队设置检查表 -快速参考清单
• 光标使用 -在Cursor中使用Python导入
• 自然语言工作流 -自然语言命令
• MCP专用工作流 -直接使用MCP工具

团队快速入门：

1. 从GitHub安装： pip install git+https://github.com/YOUR-ORG/prompt-saver-mcp.git
2. 复制 mcp.json.template 到 ~/.cursor/mcp.json 填写你的价值观
3. 跟随 团队_设置\_ ECKLIST.md

安装

1. 克隆存储库：

   git clone 
   cd prompt-saver-mcp

1. 安装依赖项：

   pip install -e .
   # or with uv:
   uv sync

1. 设置MongoDB Atlas：

- 创建MongoDB Atlas集群（免费层可用） - 创建一个名为的数据库 prompt_saver - 在上创建矢量搜索索引 embedding 字段： - 索引名称： vector_index - 尺寸： 2048 - 相似性： dotProduct - 路径： embedding

1. 配置环境变量：

   cp .env.example .env
   # Edit .env with your API keys and MongoDB Atlas URI

配置

环境变量

在游标中使用

此包旨在通过导入模块直接在Cursor中使用。无需设置MCP客户端！

快速开始

import asyncio
from prompt_saver_mcp.tools.search_prompts import handle_search_prompts
from prompt_saver_mcp.tools.save_prompt import handle_save_prompt

# Search for prompts
result = await handle_search_prompts("Python API client", limit=5)
print(result[0].text)

# Save a conversation
conversation_json = json.dumps([
    {"role": "user", "content": "Help me create..."},
    {"role": "assistant", "content": "Here's how..."}
])
result = await handle_save_prompt(conversation_json, "Creating API client")

助手脚本

我们在 scripts/ 目录以便于使用：

• prompt_helper.py -具有搜索、保存和其他功能的主要助手
• save_branch_prompt.py -保存GitHub分支中的提示

看 CURSOR_USAGE.md 查看详细的示例和工作流程。

用法示例

保存提示

在Cursor中完成复杂任务后，将对话另存为可重用的提示：

import asyncio
import json
from prompt_saver_mcp.tools.save_prompt import handle_save_prompt

# Example conversation messages (JSON format)
conversation = [
    {"role": "user", "content": "Help me create a Python function to parse CSV files"},
    {"role": "assistant", "content": "I'll help you create a robust CSV parser..."},
    # ... more conversation
]

# Save the prompt
async def save():
    result = await handle_save_prompt(
        conversation_messages=json.dumps(conversation),
        task_description="Creating a CSV parser function",
        context_info="Successfully created a parser with error handling"
    )
    print(result[0].text)

asyncio.run(save())

搜索提示

启动新任务时搜索相关提示：

import asyncio
from prompt_saver_mcp.tools.search_prompts import handle_search_prompts

async def search():
    result = await handle_search_prompts("I need help with data processing in Python", limit=5)
    print(result[0].text)

asyncio.run(search())

获取提示详细信息

检索特定提示的完整详细信息：

import asyncio
from prompt_saver_mcp.tools.get_prompt_details import handle_get_prompt_details

async def get_details():
    result = await handle_get_prompt_details("prompt_id_here")
    print(result[0].text)

asyncio.run(get_details())

更新提示

使用提示后，根据您的经验进行更新：

import asyncio
from prompt_saver_mcp.tools.update_prompt import handle_update_prompt

async def update():
    result = await handle_update_prompt(
        prompt_id="prompt_id_here",
        change_description="Added error handling examples",
        prompt_template="Updated template with better error handling..."
    )
    print(result[0].text)

asyncio.run(update())

通过反馈改进提示

使用AI自动改进提示：

import asyncio
from prompt_saver_mcp.tools.improve_prompt_from_feedback import handle_improve_prompt_from_feedback

async def improve():
    result = await handle_improve_prompt_from_feedback(
        prompt_id="prompt_id_here",
        feedback="The prompt worked well but could use more specific examples for edge cases",
        conversation_context="Used for debugging a complex API integration issue"
    )
    print(result[0].text)

asyncio.run(improve())

使用辅助脚本

为了便于使用，请使用辅助脚本：

# Search prompts
python scripts/prompt_helper.py search "Python API client"

# Save a prompt (will prompt for conversation JSON)
python scripts/prompt_helper.py save

数据库模式

每个提示都以以下结构存储：

{
    "_id": ObjectId,
    "use_case": "code-gen" | "text-gen" | "data-analysis" | "creative" | "general",
    "summary": "Summary of the prompt and its use case",
    "prompt_template": "Universal problem-solving prompt template (markdown)",
    "history": "Summary of steps taken and end result",
    "embedding": [0.1, 0.2, ...],  // 2048 dimensions
    "last_updated": ISODate,
    "num_updates": 0,
    "changelog": ["Change 1", "Change 2", ...],
    "created_by": "user123"  // Optional, for team sharing
}

MongoDB Atlas矢量搜索设置

1. 转到您的MongoDB Atlas集群
2. 导航到“搜索”选项卡
3. 点击“创建搜索索引”
4. 选择“JSON编辑器”
5. 使用以下配置：

{
  "fields": [
    {
      "type": "vector",
      "path": "embedding",
      "numDimensions": 2048,
      "similarity": "dotProduct"
    }
  ]
}

1. 命名索引 vector_index
2. 选择 prompts 收集

发展

运行测试

pytest

代码格式化

black prompt_saver_mcp/
ruff check prompt_saver_mcp/

许可证

MIT许可证-有关详细信息，请参阅许可证文件。

备注

• 使用 gpt-4o-mini 成本效益模型（比gpt-4o便宜得多，但仍然有能力）
• MongoDB Atlas免费版包括512MB存储空间和共享集群，足以供个人使用
• Voyage AI提供每月有限请求的免费套餐
• 矢量搜索索引需要在MongoDB Atlas UI中手动创建（一次性设置）