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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00