ModelContextProtocol TypeScript SDK 1.11.1版本工具参数解析问题分析
在ModelContextProtocol TypeScript SDK的版本迭代过程中,1.11.1版本出现了一个值得注意的回归问题:当开发者使用server.tool方法定义工具时,工具参数无法正确地在MCP客户端显示。这个问题在1.10.2版本中表现正常,但在升级到1.11.1版本后出现了功能异常。
问题现象
开发者在使用server.tool方法定义工具时,通常会传入三个关键参数:工具名称、工具描述和一个Zod模式定义的对象参数。例如:
server.tool(
"searchMcpServers",
"工具描述文本...",
{
prompt: z.string().describe("LLM用户提示")
},
async ({ prompt }) => {
// 工具实现逻辑
}
);
在1.11.1版本中,虽然代码能够正常执行,但定义的参数(如上述例子中的prompt)不会出现在MCP客户端中,导致工具无法接收预期的输入参数。
技术分析
经过深入调查,发现问题根源在于SDK内部对Zod模式对象的类型检查逻辑。在1.11.1版本中,isZodRawShape函数的实现存在缺陷:
const isZodRawShape = (obj: unknown): obj is ZodRawShape => {
if (typeof obj !== "object" || obj === null) return false;
const isEmptyObject = z.object({}).strict().safeParse(obj).success;
return isEmptyObject || Object.values(obj as object).some(v => v instanceof ZodType);
};
该函数用于验证传入的对象是否符合ZodRawShape类型定义。问题出在Object.values(obj as object).some(v => v instanceof ZodType)这一判断条件上。在1.11.1版本中,这个条件在某些情况下会错误地返回false,导致系统认为传入的参数对象不是有效的Zod模式定义。
解决方案
开发团队迅速响应并修复了这个问题。在1.11.2版本中,通过优化类型检查逻辑,确保了Zod模式对象的正确识别。具体改进包括:
- 增强了类型检查的健壮性,确保各种形式的Zod模式定义都能被正确识别
- 优化了对象属性的验证逻辑,防止边缘情况下的误判
- 完善了测试用例,覆盖更多可能的参数定义场景
开发者建议
对于遇到类似问题的开发者,建议采取以下措施:
- 及时升级到最新稳定版本(1.11.2或更高)
- 在升级前,仔细阅读版本变更日志,了解可能的破坏性变更
- 对于关键功能,建议在测试环境中充分验证后再部署到生产环境
- 使用类型检查工具确保参数定义的正确性
总结
这个案例展示了TypeScript类型系统在实际开发中的重要性,也提醒我们在版本升级时需要关注类型检查逻辑的变化。ModelContextProtocol团队快速响应并修复问题的态度值得肯定,这也体现了开源社区协作的优势。开发者在使用此类工具时,保持对版本变化的敏感性,可以有效避免类似问题的发生。
kernelopenEuler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。C031
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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