Skip to main content
协议版本: 2025-03-26
模型上下文协议(MCP)提供了一种标准化的方式,使服务器能够通过客户端请求LLM采样(“补全”或”生成”)。这种流程允许客户端保持对模型访问、选择和权限的控制,同时使服务器能够利用AI能力—无需服务器API密钥。服务器可以请求基于文本、音频或图像的交互,并可选择在其提示中包含来自MCP服务器的上下文。

用户交互模型

MCP中的采样允许服务器实现代理行为,通过使LLM调用能够在其他MCP服务器功能内_嵌套_发生。 实现可以通过任何适合其需求的界面模式公开采样—协议本身不强制要求任何特定的用户交互模型。
为了信任、安全和保障,应该始终有一个人在循环中,能够拒绝采样请求。应用程序应该:
  • 提供使审核采样请求变得简单直观的用户界面
  • 允许用户在发送前查看和编辑提示
  • 在传递前呈现生成的响应以供审核

能力

支持采样的客户端必须在初始化期间声明sampling能力:

协议消息

创建消息

要请求语言模型生成,服务器发送sampling/createMessage请求: 请求:
响应:

消息流

数据类型

消息

采样消息可以包含:

文本内容

图像内容

音频内容

模型偏好

MCP中的模型选择需要仔细抽象,因为服务器和客户端可能使用不同的AI提供商,具有不同的模型产品。服务器不能简单地按名称请求特定模型,因为客户端可能无法访问该确切模型,或者可能更倾向于使用不同提供商的等效模型。 为了解决这个问题,MCP实现了一个偏好系统,结合了抽象能力优先级和可选的模型提示:

能力优先级

服务器通过三个归一化的优先级值(0-1)表达其需求:
  • costPriority:降低成本有多重要?较高的值倾向于更便宜的模型。
  • speedPriority:低延迟有多重要?较高的值倾向于更快的模型。
  • intelligencePriority:高级能力有多重要?较高的值倾向于更强大的模型。

模型提示

虽然优先级有助于基于特性选择模型,但hints允许服务器建议特定的模型或模型系列:
  • 提示被视为可以灵活匹配模型名称的子字符串
  • 多个提示按优先顺序评估
  • 客户端可以将提示映射到来自不同提供商的等效模型
  • 提示是建议性的—客户端做出最终的模型选择
例如:
客户端处理这些偏好以从其可用选项中选择适当的模型。例如,如果客户端无法访问Claude模型但有Gemini,它可能会基于类似的能力将sonnet提示映射到gemini-1.5-pro。

错误处理

客户端应该为常见失败情况返回错误: 错误示例:

安全考虑

  1. 客户端应该实施用户批准控制
  2. 双方应该验证消息内容
  3. 客户端应该尊重模型偏好提示
  4. 客户端应该实施速率限制
  5. 双方必须适当处理敏感数据