MCP .NET SDK 中实现数据注解支持的JSON Schema生成方案
2025-07-08 23:34:07作者:尤辰城Agatha
在MCP .NET SDK开发中,JSON Schema生成是一个关键功能,它直接影响着工具参数的验证约束表达能力。当前版本存在一个明显的功能缺口——无法识别和处理System.ComponentModel.DataAnnotations命名空间下的标准验证属性。
现状分析
开发者在使用记录类型定义工具参数时,通常会应用各种数据注解属性来确保参数的有效性。例如,一个典型的参数定义可能如下:
public record SimulationSettings(
[Range(-1, 10, ErrorMessage = "必须在-1到10之间")]
decimal MarketROR
);
然而,当前生成的JSON Schema仅包含最基本的类型信息,完全忽略了这些精心设计的验证约束:
{
"marketROR": {
"type": "number"
}
}
这种局限性导致两个主要问题:首先,开发者被迫在运行时重复实现本应在Schema层面解决的验证逻辑;其次,大型语言模型(LLM)无法利用完整的Schema约束信息一次性生成合规的输入数据,导致需要多次迭代才能获得有效输入。
技术实现方案
核心设计思路
理想的解决方案应该将.NET生态中广泛使用的数据注解属性无缝映射到JSON Schema的验证关键字。这种映射关系包括但不限于:
- 范围约束:[Range] → minimum/maximum
- 必填字段:[Required] → required数组
- 字符串限制:[StringLength] → maxLength
- 格式验证:[EmailAddress] → format: "email"
- 正则匹配:[RegularExpression] → pattern
架构层级选择
经过技术团队深入讨论,这一功能的最佳实现位置存在几个候选方案:
- 最底层实现:在System.Text.Json(STJ)层面直接支持
- 中间层实现:在Microsoft.Extensions.AI.Abstractions的AIJsonUtilities中处理
- 应用层实现:在MCP SDK层面定制
考虑到STJ需要保持轻量级且不依赖DataAnnotations,而MCP层又过于具体,中间层实现成为平衡各方需求的最佳选择。
配置扩展方案
为保持灵活性,建议通过构建器模式提供配置选项:
builder.Services
.AddMcpServer()
.WithToolsFromAssembly(options =>
{
options.EnableDataAnnotationsSupport = true;
options.SchemaGenerationOptions = new() {
// 自定义转换规则
};
});
技术优势
实现这一增强后将带来多方面收益:
- 开发效率提升:开发者可以使用熟悉的.NET验证模式,减少重复代码
- 验证前移:客户端可以在调用工具前就完成参数验证
- LLM友好性:完整的约束信息帮助大型语言模型一次性生成合规输入
- 文档自描述:生成的Schema本身就是完善的API文档
- 生态一致性:与ASP.NET Core等主流框架保持相同的行为模式
实施路径
建议的技术实现分为三个阶段:
- 基础属性映射:首先支持最常用的5-6种核心验证属性
- 自定义扩展点:允许开发者注册特殊属性的处理逻辑
- 性能优化:对反射操作进行缓存,确保生成效率
总结
在MCP .NET SDK中完善数据注解到JSON Schema的转换能力,不仅解决了当前的验证约束表达问题,更是将.NET生态的验证体系与现代AI开发工具链进行了深度整合。这一改进将显著提升开发体验和工具可靠性,同时也为未来可能的底层支持积累了宝贵经验。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0152- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112
项目优选
收起
暂无描述
Dockerfile
733
4.75 K
Ascend Extension for PyTorch
Python
621
795
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
433
395
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.01 K
1.01 K
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.18 K
152
deepin linux kernel
C
29
16
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
146
237
暂无简介
Dart
983
252
昇腾LLM分布式训练框架
Python
166
198
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.68 K
989