ModelContextProtocol C SDK 中的采样功能实现详解
采样功能概述
ModelContextProtocol C# SDK 提供了强大的采样功能,允许客户端与服务器之间进行高效的采样数据交换。采样功能是协议的重要组成部分,它使得客户端能够声明对采样操作的支持,并处理来自服务器的采样请求。
客户端采样能力声明
要在客户端启用采样支持,开发者需要在创建 McpClient 实例时明确声明采样能力。这通过 ClientCapabilities 中的 SamplingCapability 属性实现:
var mcpClient = await McpClientFactory.CreateAsync(
transport,
new McpClientOptions {
Capabilities = new ClientCapabilities {
Sampling = new SamplingCapability()
}
});
采样处理器的实现
SamplingCapability 类包含一个关键的 SamplingHandler 属性,这是实现采样功能的核心。开发者需要为这个属性提供一个合适的委托来处理采样请求。
如果开发者已经实现了 IChatClient 接口,可以使用 SDK 提供的便捷方法创建采样处理器:
SamplingHandler = samplingClient.CreateSamplingHandler()
这种方法会自动将服务器发送到客户端的请求路由到 IChatClient 实现,并将响应自动编组并转发回服务器。
传输协议注意事项
采样功能支持多种传输协议,包括:
- SSE (Server-Sent Events):需要正确配置 SseClientTransport
- HTTP 流式传输:适用于流式场景
- 标准输入输出:传统交互方式
在使用 SSE 传输时,开发者需要特别注意确保客户端能力能够正确传播到服务器端。一个常见的错误是在构造函数中注入 IMcpServer 而不是作为参数传递,这可能导致获取到错误的服务器实例(如 stdio 相关的服务器实例)。
最佳实践
-
明确传输协议选择:根据应用场景选择合适的传输协议,SSE 适合需要服务器推送的场景,HTTP 流式适合大数据量传输。
-
正确注入服务:确保 IMcpServer 以正确的方式注入,避免获取到不期望的服务器实例。
-
采样处理器优化:在实现采样处理器时,考虑性能因素,特别是对于高频采样场景。
-
错误处理:完善采样过程中的错误处理机制,确保系统稳定性。
常见问题解决
-
客户端能力未传播:检查传输层配置,确保能力声明正确传递。
-
空引用异常:验证 ClientCapabilities 是否已正确初始化,特别是在使用 SSE 传输时。
-
采样请求未处理:确认 SamplingHandler 已正确设置并实现了预期的采样逻辑。
通过遵循这些指导原则,开发者可以充分利用 ModelContextProtocol C# SDK 的采样功能,构建高效、可靠的应用程序。
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-1.5暂无简介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-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