ModelContextProtocol C SDK中的枚举序列化问题解析
问题背景
在ModelContextProtocol C# SDK的开发过程中,开发人员发现了一个关于枚举序列化的技术问题。当使用GetPromptHandler返回GetPromptResult时,PromptMessage类型中的Role字段在序列化时使用了枚举值的大写形式,而下游工具如Claude和MCP Inspector期望的是小写值。
问题现象
具体表现为,当开发人员尝试通过MCP Inspector调用包含PromptMessage的API时,系统会返回验证错误,提示"Invalid enum value. Expected 'user' | 'assistant', received 'User'"。这表明序列化后的JSON中Role字段的值不符合预期格式。
技术分析
这个问题本质上是.NET中枚举序列化的常见问题。在.NET生态中,默认情况下枚举值会按照其定义时的名称进行序列化,即保持大小写不变。然而,许多Web API和规范要求枚举值使用特定的大小写格式(通常是全小写或蛇形命名法)。
在ModelContextProtocol的案例中,规范明确要求Role枚举值必须是小写形式("user"和"assistant"),而C#枚举定义通常采用首字母大写(User和Assistant),这就导致了序列化结果不符合规范要求。
解决方案探索
开发团队尝试了几种不同的解决方案:
-
全局JsonStringEnumConverter配置:最初通过在JsonSerializerOptions中添加JsonStringEnumConverter并指定SnakeCaseLower命名策略来解决问题。这种方法简单直接,但可能会影响项目中所有枚举的序列化行为。
-
特定枚举的自定义转换器:随后尝试为Role枚举专门创建RoleConverter,继承自JsonStringEnumConverter并指定命名策略。这种方法更加精确,只影响目标枚举。
-
AOT兼容性考虑:由于JsonStringEnumConverter在原生AOT编译中不受支持,解决方案需要同时考虑框架依赖和AOT两种场景。
最终解决方案
结合上述探索,推荐的解决方案是:
- 为Role枚举添加专门的JsonConverter特性,指定自定义的RoleConverter
- 在McpJsonUtilities中配置默认的JsonStringEnumConverter时,明确指定SnakeCaseLower命名策略
- 确保所有相关类型(如ListPromptsResult和GetPromptResult)都被包含在JsonSerializerContext中,以支持AOT编译
这种混合方案既保证了特定枚举的正确序列化,又维持了与AOT编译的兼容性,同时不会过度影响项目中其他枚举的序列化行为。
技术要点总结
-
枚举序列化控制:在需要精确控制枚举序列化格式时,优先考虑为特定枚举创建自定义转换器。
-
命名策略选择:根据API规范要求选择合适的命名策略,常见的包括:
- 原样保留(默认)
- 驼峰命名(CamelCase)
- 蛇形命名小写(SnakeCaseLower)
- 蛇形命名保留大小写(SnakeCase)
-
AOT兼容性:在.NET的AOT编译场景下,需要特别注意:
- 避免使用某些反射-heavy的转换器
- 确保所有需要序列化的类型都被正确包含在JsonSerializerContext中
- 预先注册所有必要的转换器
-
API规范一致性:与外部系统交互时,严格遵守其数据格式规范,包括枚举值的具体表示形式。
这个问题展示了在实际开发中,类型系统、序列化规范和平台特性之间需要仔细协调的重要性,也为处理类似场景提供了有价值的参考模式。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00