ModelContextProtocol C SDK 中实现长运行操作进度通知的技术解析
在开发基于 ModelContextProtocol (MCP) 规范的服务器端应用时,长运行操作(Long Running Operation)是一个常见需求。本文将深入探讨如何在 C# SDK 中实现这一功能,特别是如何通过进度令牌(progress token)向客户端发送进度通知。
背景与需求
MCP 规范定义了一种标准化的远程过程调用机制,其中长运行操作需要特殊的处理方式。当服务器端执行耗时操作时,客户端需要能够实时了解操作进度,而不是被动等待最终结果。
在 C# SDK 的实现中,开发者发现当前版本无法直接访问请求中的进度令牌(_meta.progressToken),这阻碍了长运行操作通知功能的实现。
技术实现方案
请求元数据解析
MCP 规范在 JSON-RPC 请求中定义了 _meta 字段,其中包含 progressToken 等重要元信息。正确的实现需要:
- 在请求反序列化时保留 _meta 字段
- 通过适当的方式向工具方法暴露这些元数据
C# SDK 的改进
通过分析请求处理流程,我们发现需要在 CallToolRequestParams 类中添加对 _meta 字段的支持。具体实现包括:
public class CallToolRequestParams
{
[JsonProperty("_meta")]
public RequestMeta? Meta { get; set; }
// 其他现有属性...
}
public class RequestMeta
{
[JsonProperty("progressToken")]
public string? ProgressToken { get; set; }
// 其他可能的元数据字段...
}
长运行操作实现示例
基于上述改进,我们可以实现一个完整的长运行操作工具:
[McpServerToolType]
public static class LongRunningTool
{
[McpServerTool]
public static async Task<string> ExecuteLongOperation(
IMcpServer server,
RequestContext<CallToolRequestParams> requestParams,
int totalDuration = 10,
int progressSteps = 5)
{
var stepDuration = totalDuration / progressSteps;
var progressToken = requestParams?.Params?.Meta?.ProgressToken;
for (int currentStep = 1; currentStep <= progressSteps; currentStep++)
{
await Task.Delay(stepDuration * 1000);
if (!string.IsNullOrEmpty(progressToken))
{
await server.SendMessageAsync(new JsonRpcNotification
{
Method = "notifications/progress",
Params = new
{
progressToken,
total = progressSteps,
progress = currentStep
}
});
}
}
return $"操作完成,总耗时{totalDuration}秒,分为{progressSteps}个步骤";
}
}
关键点解析
-
进度通知机制:通过 progressToken 唯一标识每个长运行操作,服务器可以定向发送进度更新
-
通知格式:遵循 MCP 规范,使用 notifications/progress 方法发送结构化进度信息
-
线程安全:异步方法确保不会阻塞服务器主线程
-
错误处理:在实际应用中应添加适当的异常处理和超时机制
最佳实践建议
-
合理设置进度更新频率,避免过于频繁的通知影响性能
-
对于极短时间的操作(秒级以下),可以考虑不实现进度通知
-
在进度通知中包含有意义的描述信息,而不仅仅是百分比
-
考虑实现取消机制,允许客户端中止长运行操作
总结
通过对 C# SDK 的适当扩展,我们能够完整支持 MCP 规范中的长运行操作模式。这种实现既保持了与规范的一致性,又提供了良好的开发者体验。进度通知机制的加入使得构建响应式、用户友好的 MCP 服务成为可能。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00