ModelContextProtocol项目中的客户端与服务端API分离设计思考
2025-07-08 14:15:15作者:邬祺芯Juliet
背景与问题起源
在ModelContextProtocol项目的C# SDK开发过程中,开发团队遇到了一个关于NuGet包设计的架构问题。当前的项目结构将客户端和服务端API都打包在同一个ModelContextProtocol包中,这导致了一些实际应用场景中的不便。
现状分析
当前ModelContextProtocol NuGet包包含了完整的客户端和服务端功能实现。这种设计虽然简化了包的维护,但也带来了一些问题:
- 不必要的依赖传递:当开发者只需要使用客户端功能时,仍然会被强制引入服务端相关的依赖项,如ASP.NET Core的DI容器抽象等
- 包体积膨胀:服务端特有的功能代码增加了整体包的大小
- 未来扩展限制:如果未来服务端需要增加对ASP.NET Core的依赖,将会影响所有客户端用户
技术讨论与方案探索
开发团队对这个问题进行了深入的技术讨论,尝试了多种解决方案:
方案一:客户端/服务端分离
最初提出的方案是将现有包拆分为:
- ModelContextProtocol.Client
- ModelContextProtocol.Server
经过实际验证,这种拆分会导致:
- 总包体积增大(约增加125KB)
- 需要创建第三个共享核心包
- 部分内部实现需要在多个包中重复编译
方案二:协议层与辅助层分离
另一种方案是将基础协议实现与高级功能分离:
- ModelContextProtocol.Protocol(基础协议实现)
- ModelContextProtocol(高级功能)
这种方案虽然减少了约90KB的体积,但改善效果有限。
性能考量
微软Visual Studio团队特别关注程序集加载数量对启动性能的影响。任何增加程序集加载数量的方案都可能影响IDE的启动性能。
最终解决方案
经过多次讨论和验证,团队决定采用折中方案:
- 从主包中移除对Microsoft.Extensions.Options和Microsoft.Extensions.Hosting的依赖
- 将这些功能移至AspNetCore专用包中
- 创建ModelContextProtocol.Core精简包
调整后的依赖关系简化为:
- Microsoft.Extensions.Logging.Abstractions
- Microsoft.Extensions.AI.Abstractions
- Microsoft.Extensions.DependencyInjection.Abstractions
- System.Net.ServerSentEvents(在net10中属于netcoreapp)
技术实现细节
在实现过程中,团队特别关注了以下技术点:
- JSON序列化优化:协议中的约80个DTO类使用了JSON源生成器,这占据了包体积的很大部分
- 修剪(trimming)支持:在简单控制台应用场景下,大部分依赖项可以被完全修剪掉
- ASP.NET Core集成:将ASP.NET特有的功能完全隔离在单独的包中
架构设计启示
这个案例为我们提供了几个重要的架构设计经验:
- 依赖最小化原则:核心库应尽可能减少外部依赖
- 关注实际应用场景:需要考虑不同使用场景下的具体需求
- 性能权衡:在功能拆分和性能影响之间需要找到平衡点
- 未来扩展性:设计时要考虑未来可能的功能演进路径
结论
ModelContextProtocol项目通过这次架构调整,实现了更清晰的模块划分和更合理的依赖管理。这种演进过程展示了在实际项目中如何平衡功能完整性、性能要求和未来可扩展性等重要因素。最终的解决方案既满足了客户端应用的轻量级需求,又保留了服务端功能的完整性,为项目未来的发展奠定了良好的基础。
登录后查看全文
热门项目推荐
相关项目推荐
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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-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
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
213
226
暂无简介
Dart
660
150
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
656
293
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.17 K
644
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
490
React Native鸿蒙化仓库
JavaScript
251
320
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
79
104
openGauss kernel ~ openGauss is an open source relational database management system
C++
159
217
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1