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。
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