ModelContextProtocol C SDK 中处理Copilot Studio集成时的URL完整性问题
在ModelContextProtocol C# SDK的实际应用中,开发者hemantkathuria遇到了一个与Copilot Studio集成的特殊场景。本文将深入分析这个问题背景、技术细节以及解决方案。
问题背景
在使用ModelContextProtocol的HTTP with SSE传输协议时,Copilot Studio当前存在一个已知限制:它要求SSE连接端点必须返回完整的URI(包含主机信息)。这与标准协议规范有所不同,标准协议允许使用相对路径。
技术分析
ModelContextProtocol的HTTP with SSE传输协议规范中,SSE连接端点通常返回相对路径。但在Copilot Studio的特殊场景下,客户端要求必须接收完整的URL格式。这种差异导致标准集成方式无法直接使用。
在底层实现上,ModelContextProtocol C# SDK提供了SseResponseStreamTransport类来处理SSE连接。默认情况下,MapMcp方法会使用相对路径配置端点,这在大多数情况下都能正常工作。
解决方案
针对Copilot Studio的特殊需求,开发者可以采用以下两种解决方案:
-
直接使用底层传输类:通过绕过高级MapMcp方法,直接使用SseResponseStreamTransport类,手动构造包含完整主机信息的端点URL。
-
自定义端点映射:创建一个自定义的端点映射方法,动态构建完整的URL。这种方法需要:
- 从请求上下文中获取协议和主机信息
- 生成唯一的会话ID
- 构造包含完整主机信息的端点URL
实现示例
以下是实现自定义端点映射的核心代码片段:
static void MapAbsoluteEndpointUriMcp(IEndpointRouteBuilder endpoints)
{
var loggerFactory = endpoints.ServiceProvider.GetRequiredService<ILoggerFactory>();
var options = endpoints.ServiceProvider.GetRequiredService<IOptions<McpServerOptions>>().Value;
var routeGroup = endpoints.MapGroup("");
Dictionary<string, SseResponseStreamTransport> transports = new();
routeGroup.MapGet("/sse", async context =>
{
context.Response.Headers.ContentType = "text/event-stream";
var host = $"{context.Request.Scheme}://{context.Request.Host}";
var sessionId = Guid.NewGuid().ToString();
var transport = new SseResponseStreamTransport(context.Response.Body, $"{host}/message?sessionId={sessionId}");
// 其余实现代码...
});
}
未来展望
值得注意的是,ModelContextProtocol正在演进其传输协议规范。新的Streamable HTTP传输协议将不再需要向客户端发送任何URL(无论是完整还是相对路径),这将从根本上解决此类兼容性问题。
结论
在处理类似Copilot Studio这样的特殊集成场景时,开发者需要理解协议规范与实际实现之间的差异。通过灵活使用SDK提供的底层API,可以构建出满足特定需求的解决方案。同时,随着协议的演进,这类问题有望得到更优雅的解决。
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