ModelContextProtocol C SDK 中工具调用与进度令牌的深度解析
背景与现状
在ModelContextProtocol C# SDK的使用过程中,开发者们发现了一个值得探讨的技术点:如何在通过IChatClient接口调用工具时,灵活地添加进度令牌(ProgressToken)等元数据信息。当前SDK提供了两种主要的工具调用方式:
-
底层直接调用:通过SendRequestAsync方法直接发送JsonRpcRequest请求,这种方式可以完全控制请求参数,包括添加Meta信息如ProgressToken。
-
高级封装调用:通过IChatClient接口和ListToolsAsync获取的工具实例进行调用,这种方式更加简洁但缺乏对调用参数的细粒度控制。
技术挑战
核心问题在于高级封装调用方式中,McpClientTool类的设计没有提供足够的扩展点来定制工具调用行为。具体表现在:
- 工具调用参数被封装在内部,无法添加自定义元数据
- 工具实例的创建过程固定,缺乏注入自定义逻辑的机制
- 现有设计更注重简单性而非扩展性
解决方案探讨
开发团队和社区成员提出了几种可能的改进方向:
1. 属性注入模式
通过添加WithMeta()等链式方法,允许在工具调用前设置元数据。这种方式的优点是:
- 保持API的流畅性
- 向后兼容现有代码
- 直观易用
但缺点是可能导致类的方法不断膨胀,维护成本增加。
2. 工厂模式
引入ToolFactory委托或接口,允许自定义工具实例的创建过程。这种方案的优点包括:
- 高度灵活性
- 单一职责原则
- 易于扩展新功能
3. 继承扩展
将McpClientTool设计为可继承的,让开发者可以创建自定义工具类。这种传统OOP方式的优势是:
- 符合C#开发习惯
- 完全控制工具行为
- 清晰的类型系统
最佳实践建议
基于技术讨论,对于需要使用进度令牌等高级功能的场景,目前推荐以下实践:
-
简单场景:直接使用底层SendRequestAsync方法,完全控制调用参数。
-
复杂场景:创建自定义AIFunction派生类,实现特定的调用逻辑。
-
通用场景:等待SDK未来版本可能提供的工厂机制或扩展点。
设计原则反思
这一技术讨论引发了对SDK设计原则的深入思考:
-
简单性与扩展性的平衡:SDK需要在易用性和灵活性之间找到合适的平衡点。
-
协议层与应用层的分离:明确区分协议规范定义的功能和应用层需要的便利功能。
-
演进式设计:随着使用场景的丰富,逐步添加必要的扩展机制,而非一次性过度设计。
未来展望
ModelContextProtocol C# SDK作为一个新兴项目,这类技术讨论有助于其健康成长。开发者可以期待:
- 更灵活的扩展机制
- 更清晰的架构分层
- 更丰富的示例和文档
通过社区和核心团队的共同努力,SDK将能够更好地满足各种复杂场景下的开发需求。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00