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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0212
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0137
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03