ModelContextProtocol C SDK中的JSON Schema兼容性问题解析
在ModelContextProtocol C# SDK开发过程中,我们遇到了一个关于工具输入模式(InputSchema)与MCP规范兼容性的重要技术问题。这个问题涉及到JSON Schema在工具定义中的正确使用方式,以及如何确保与不同客户端的互操作性。
问题背景
当开发者使用AIFunction生成JsonSchema时,会出现一些MCP规范未明确支持的额外属性。这些属性包括"title"、"description"等,虽然它们本身是JSON Schema标准的一部分,但在MCP规范中并未明确要求支持。
某些严格遵循规范的客户端(如某些版本的GitHub Copilot)会拒绝接受这些额外属性,导致即使是最简单的MCP服务器实现也会在这些客户端上运行失败。
技术分析
深入分析MCP规范中定义的元模式(meta-schema)后,我们发现规范并没有明确禁止额外属性的存在。规范中缺少"additionalProperties": false这样的声明,唯一明确的要求是必须包含"type": "object"关键字。
当前C# SDK已经实现了对type关键字的验证逻辑,确保所有输入模式都声明为对象类型。从技术角度来看,强制要求客户端只能处理type、properties或required关键字的做法实际上是不符合MCP规范的。
解决方案
基于上述分析,我们采取了以下技术路线:
-
保留JSON Schema中必要的关键字,如
items、additionalProperties、enum和anyOf等,这些关键字对于描述常见输入类型的模式是不可或缺的。 -
对于可能引起兼容性问题的冗余属性(如
title和description),我们进行了过滤处理。这些属性在包含它们的工具定义中已经存在,因此在输入模式中重复出现确实没有必要。 -
强化了SDK对MCP规范的遵循,确保核心功能严格符合规范要求,同时保持足够的灵活性以支持各种使用场景。
最佳实践建议
对于使用ModelContextProtocol C# SDK的开发者,我们建议:
-
在定义工具输入模式时,优先使用MCP规范明确支持的关键字。
-
避免在输入模式中包含冗余信息,特别是那些已经在工具定义中存在的属性。
-
在遇到客户端兼容性问题时,首先检查输入模式是否符合MCP规范的基本要求,特别是
type关键字的存在和正确性。 -
对于必须使用的JSON Schema高级特性,确保客户端确实支持这些特性,或者准备好适当的回退方案。
通过遵循这些实践,开发者可以构建出既符合MCP规范,又能与各种客户端良好互操作的MCP服务实现。
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