ModelContextProtocol C SDK 中自定义 JSON Schema 生成的实践指南
在开发基于 ModelContextProtocol (MCP) 的工具时,正确处理输入参数的 JSON Schema 定义对于 AI 代理理解数据类型至关重要。本文将深入探讨如何在 C# SDK 中自定义 JSON Schema 生成,特别是处理 .NET 特有的日期时间类型。
背景与挑战
当开发者定义 MCP 工具时,输入参数的 Schema 会自动生成。对于包含 .NET 特有类型(如 DateTime、DateTimeOffset 和 TimeSpan)的输入类,默认生成的 Schema 可能不足以清晰表达这些类型的语义。
例如,对于以下输入类:
public class TemporalData
{
[JsonPropertyName("dateTimeValue")]
public DateTime DateTimeValue { get; set; }
[JsonPropertyName("dateTimeOffsetValue")]
public DateTimeOffset DateTimeOffsetValue { get; set; }
[JsonPropertyName("timeSpanValue")]
public TimeSpan TimeSpanValue { get; set; }
}
默认生成的 Schema 中,只有 TimeSpan 类型会带有注释说明其 .NET 类型信息,而 DateTime 和 DateTimeOffset 则缺乏足够的元数据描述。
解决方案
1. 使用 TransformSchemaNode 自定义 Schema
对于动态创建的工具,可以通过 SchemaCreateOptions 的 TransformSchemaNode 回调来自定义 Schema 生成:
var tool = McpServerTool.Create((TemporalData input) => "received data", new()
{
SchemaCreateOptions = new()
{
TransformSchemaNode = (ctx, node) =>
{
Type? t = ctx.PropertyInfo?.PropertyType;
if (t == typeof(DateTime) || t == typeof(DateTimeOffset))
{
node["format"] = "date-time";
}
else if (t == typeof(TimeSpan))
{
node["format"] = "duration";
}
return node;
},
},
});
这种方法可以灵活地为特定类型添加格式(format)信息,使生成的 Schema 更加精确。
2. 内置类型映射改进
最新版本的 SDK 已经内置了对常见 .NET 类型的支持,包括:
- DateTime 和 DateTimeOffset 会被标记为 "date-time" 格式
- TimeSpan 会被标记为 "duration" 格式
这些改进使得 Schema 生成更加符合 JSON Schema 规范,无需开发者额外配置。
3. 静态工具方法的限制与替代方案
对于使用 [McpServerTool] 属性标记的静态方法,目前不支持直接通过属性参数来自定义 Schema 生成。开发者可以考虑以下替代方案:
- 改用动态工具创建方式,获得更细粒度的控制
- 创建自定义工具包装器,继承或组合现有的工具实例
- 实现自己的工具发现和注册逻辑,替代属性标记方式
最佳实践建议
- 优先使用最新版本:确保使用包含内置类型映射改进的 SDK 版本
- 明确类型语义:对于自定义类型,考虑添加格式(format)和注释(comment)信息
- 保持一致性:在整个项目中采用统一的 Schema 自定义策略
- 文档化约定:记录团队对特殊类型的处理方式,便于维护
总结
ModelContextProtocol C# SDK 提供了多种方式来定制 JSON Schema 生成,从简单的回调函数到内置的类型映射支持。理解这些机制可以帮助开发者创建更精确、更易于 AI 代理理解的工具接口定义。对于需要精细控制的场景,推荐使用动态工具创建方式;而对于简单用例,则可以依赖 SDK 的内置支持。
随着 SDK 的不断演进,未来可能会提供更多便捷的方式来定制 Schema 生成,开发者应保持对更新日志的关注,及时采用新的最佳实践。
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