ModelContextProtocol C SDK 客户端连接问题分析与解决方案
问题背景
在使用 ModelContextProtocol C# SDK 开发过程中,开发者遇到了客户端连接服务器时出现的连接挂起问题。具体表现为在使用 McpClientFactory.CreateAsync 方法创建客户端时,SSE (Server-Sent Events) 传输层连接无法正常建立,导致客户端无法获取服务器响应。
问题现象
开发者尝试通过以下方式创建 MCP 客户端:
- 创建自定义的日志处理 Handler 包装默认的 HttpClientHandler
- 配置 SSE 客户端传输选项,包括端点 URL 和附加头信息
- 使用 McpClientFactory.CreateAsync 方法创建客户端
但在实际运行过程中,连接在 SSE 传输层建立阶段挂起,无法继续执行后续操作。
根本原因分析
经过深入排查,发现问题出在自定义的日志处理 Handler 实现上。具体原因包括:
-
内容读取逻辑缺陷:日志处理 Handler 中直接调用了 response.Content.ReadAsync 方法,而没有先检查响应内容是否为空。当响应没有内容时,这个方法会无限等待输入,导致连接挂起。
-
SSE 协议特性:SSE 协议依赖于分块传输编码(HTTP/1.1)或数据帧(HTTP/2/3),不需要预先确定 Content-Length。而原代码错误地依赖了 Content-Length 头来判断是否有内容。
-
异步处理流程:McpClientFactory.CreateAsync 方法需要等待服务器发送初始化响应(作为 SSE 事件),而如果自定义 Handler 没有及时返回响应,整个流程就会被阻塞。
解决方案
修正后的日志处理 Handler 实现应包含以下改进:
- 安全的内容读取检查:在读取响应内容前,先检查内容是否存在且长度大于0。
- 状态码过滤:只对非200/202状态码的响应进行详细日志记录。
- 响应头收集:独立记录所有响应头信息,便于调试。
修正后的代码示例:
public class LoggingHandler : DelegatingHandler
{
public List<string> ResponseLog { get; } = new();
public List<string> ResponseHeadersLog { get; } = new();
public LoggingHandler(HttpMessageHandler innerHandler)
: base(innerHandler) { }
protected override async Task<HttpResponseMessage> SendAsync(
HttpRequestMessage request, CancellationToken cancellationToken)
{
var response = await base.SendAsync(request, cancellationToken);
if (response.StatusCode != System.Net.HttpStatusCode.OK &&
response.StatusCode != System.Net.HttpStatusCode.Accepted)
{
ResponseLog.Add($"Status Code: {response.StatusCode}");
if (response.Content != null &&
response.Content.Headers.ContentLength.HasValue &&
response.Content.Headers.ContentLength.Value > 0)
{
var content = await response.Content.ReadAsStringAsync();
ResponseLog.Add(content);
}
}
foreach (var header in response.Headers)
{
ResponseHeadersLog.Add($"{header.Key}: {string.Join(", ", header.Value)}");
}
return response;
}
}
最佳实践建议
-
谨慎处理响应内容:在自定义 HTTP Handler 中,处理响应内容时要特别注意空内容的情况,避免阻塞。
-
理解协议特性:使用 SSE 等特定协议时,要充分了解其传输机制,不要假设传统的 HTTP 响应模式。
-
调试技巧:
- 对于中间层服务(如 API 管理服务),可以利用其提供的跟踪功能辅助调试
- 独立记录请求和响应的各个部分(状态码、头信息、内容等)
-
版本更新:及时更新到 SDK 的最新版本(如问题中提到的 preview.12),以获取最新的修复和改进。
总结
在 ModelContextProtocol C# SDK 的使用过程中,自定义 HTTP 处理程序需要特别注意与 SSE 协议的兼容性。正确处理响应内容和理解协议特性是避免类似连接问题的关键。通过遵循上述解决方案和最佳实践,开发者可以构建稳定可靠的 MCP 客户端连接。
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