DeepChat项目中MCP配置的HTTP请求参数支持探讨
在DeepChat项目的实际应用中,开发者经常需要配置MCP(Model Control Protocol)服务来连接不同的后端服务。近期社区中提出了一个关于HTTP类型MCP服务配置的改进建议,值得技术团队深入探讨。
问题背景
当开发者使用HTTP类型的MCP服务配置时,某些后端服务需要特定的请求参数才能正常工作。例如,一个常见的场景是后端服务默认返回XML格式数据,而开发者需要通过添加"@json=true"这样的参数来明确要求返回JSON格式数据。
当前DeepChat的实现中,如果将这些参数直接附加在URL后面(如localhost:9090/?@json=true),系统会忽略这些参数,导致无法达到预期的效果。
技术分析
从技术实现角度来看,这个问题涉及到HTTP客户端请求的构建方式。目前DeepChat的MCP配置可能采用了较为简单的URL处理逻辑,没有充分考虑查询参数的处理需求。
在HTTP协议中,查询参数是URL的标准组成部分,用于向服务器传递额外的信息。正确处理这些参数对于确保与各种后端服务的兼容性非常重要。
现有解决方案评估
项目维护者提出了几种现有的替代方案:
-
工具函数参数传递:开发者可以在工具函数的定义中显式传递所需的请求参数,并通过prompt提示模型使用这些参数。
-
环境变量配置:对于使用stdio方式的服务,可以通过环境变量灵活配置各种参数。
-
路径区分法:参考mcp.so的做法,在URL路径中区分不同参数需求,如"https://router.mcp.so/mcp/${paramsId}"。
技术权衡
是否应该在MCP配置中直接支持请求参数配置,需要从以下几个维度进行权衡:
-
使用复杂度:增加配置项会提高系统的复杂度,可能对新手用户造成困扰。
-
维护成本:额外的配置项意味着更多的测试用例和维护工作。
-
通用性需求:这种参数需求是否是普遍场景,还是特定服务的特殊要求。
-
替代方案的可行性:现有替代方案是否已经能够满足大多数使用场景。
最佳实践建议
基于当前技术实现和社区讨论,建议开发者采用以下实践:
-
对于必须使用查询参数的场景,优先考虑通过工具函数定义来传递参数。
-
如果后端服务支持,考虑使用路径参数替代查询参数。
-
对于高度定制化的需求,可以使用stdio方式配合环境变量实现灵活配置。
-
在prompt设计中明确说明所需的参数格式和要求。
未来演进方向
虽然当前版本可能不会立即支持直接的请求参数配置,但这个需求反映了真实场景中的使用痛点。技术团队可以考虑:
-
收集更多类似用例,评估是否是普遍需求。
-
设计更优雅的参数传递机制,可能通过扩展MCP配置规范实现。
-
提供更详细的文档说明,帮助开发者理解现有的各种参数传递方式。
通过这样的技术演进,DeepChat可以更好地满足不同后端服务的集成需求,同时保持配置的简洁性和易用性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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