ModelContextProtocol C SDK中同一进程内客户端与服务端通信的解决方案
背景介绍
在使用ModelContextProtocol C# SDK进行开发时,开发者Chrisdf遇到了一个典型问题:当尝试在同一进程内同时运行客户端和服务端时,系统会出现挂起现象。这种情况在需要构建自包含应用程序时尤为常见,特别是在Unity游戏开发环境中。
问题现象
开发者最初尝试通过以下方式启动服务端:
await _host.StartAsync(); // 非阻塞方式启动主机
然而,这种实现方式导致了服务端在接收到客户端消息后出现挂起,无法继续处理后续请求。这种情况在两种传输方式下都会出现:
- 使用TCP回环(loopback)通信
- 使用内存管道(in-memory pipe)通信
根本原因分析
经过项目维护者stephentoub的诊断,发现问题出在服务端的启动方式上。正确的做法应该是使用RunAsync方法而非StartAsync方法来启动服务端。这两种方法在行为上有重要区别:
RunAsync:会启动服务并开始处理传入请求StartAsync:仅准备服务但不自动开始处理请求
解决方案
stephentoub提供了一个完整的工作示例,展示了如何正确地在同一进程内实现客户端与服务端的通信:
// 创建双向通信管道
Pipe clientToServerPipe = new(), serverToClientPipe = new();
// 创建并启动服务端
IMcpServer server = McpServerFactory.Create(
new StreamServerTransport(clientToServerPipe.Reader.AsStream(),
serverToClientPipe.Writer.AsStream()),
new McpServerOptions()
{
Capabilities = new()
{
Tools = new()
{
ToolCollection = [McpServerTool.Create((string arg) => $"Echo: {arg}",
new() { Name = "Echo" })]
}
}
});
_ = server.RunAsync(); // 关键点:使用RunAsync而非StartAsync
// 创建客户端
IMcpClient client = await McpClientFactory.CreateAsync(
new StreamClientTransport(clientToServerPipe.Writer.AsStream(),
serverToClientPipe.Reader.AsStream()));
// 使用客户端调用服务端功能
var tools = await client.ListToolsAsync();
foreach (var tool in tools)
{
Console.WriteLine($"Tool Name: {tool.Name}");
}
var echo = tools.First(t => t.Name == "Echo");
Console.WriteLine(await echo.InvokeAsync(new()
{
["arg"] = "Hello World"
}));
技术要点
-
管道通信机制:示例中使用了两组Pipe实现全双工通信,这是进程内高效通信的常见模式。
-
服务端配置:通过McpServerOptions可以灵活配置服务端能力,包括工具集合等。
-
工具定义:示例中定义了一个简单的Echo工具,展示了如何创建和注册自定义工具。
-
异步处理:整个通信过程采用异步模式,确保不会阻塞主线程。
实际应用建议
对于需要在Unity等游戏引擎中集成ModelContextProtocol的开发者,建议:
-
将服务端运行在独立的协程中,避免阻塞游戏主线程。
-
考虑使用内存管道通信方式,减少序列化开销。
-
合理设计工具接口,保持每个工具功能的单一性。
-
注意异常处理,特别是在工具调用过程中。
总结
通过正确使用RunAsync方法,开发者可以成功地在同一进程内实现ModelContextProtocol客户端与服务端的通信。这一解决方案不仅解决了最初的挂起问题,还展示了SDK的核心功能和使用模式,为开发者构建自包含应用程序提供了可靠的技术基础。
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