> ## Documentation Index
> Fetch the complete documentation index at: https://mcp.zhcndoc.com/llms.txt
> Use this file to discover all available pages before exploring further.
# 客户端最佳实践
> 用于在多个服务器和工具之间扩展 MCP 主机应用的模式。
随着 MCP 主机应用（例如代理）连接到越来越多的 MCP 服务器，并累积对数百甚至数千个工具的访问权限，朴素的工具管理方法会逐渐失效。将每个工具定义一开始就加载到模型的上下文窗口中会浪费 token、增加延迟，并降低模型性能。在连续的工具调用之间通过模型传递大型中间结果会进一步加剧这个问题。
有两种模式可以解决这些挑战：**渐进式发现**，用于控制 *何时* 将工具定义纳入上下文；以及**程序化工具调用**，用于控制 *如何* 调用工具。
## 渐进式工具发现
朴素的 MCP 主机实现会在每次会话开始时，直接将每个已连接服务器的工具定义传递给模型。对于少量工具来说，这完全合理。但当主机可访问数十个服务器、暴露数百个工具时，仅这些定义在模型甚至还没读到用户消息之前，就可能耗尽上下文窗口的大部分空间。
渐进式发现可以避免这一点：
* 主机像往常一样通过 `tools/list` 获取工具定义，但延迟将它们注入模型上下文。
* 主机向模型提供一个轻量级的 `search_tools` 元工具。
* 主机仅在需要时才将完整定义加载到上下文中。
### 何时使用渐进式发现
当工具定义占据上下文窗口的大部分时，最适合使用渐进式发现。对于少量工具，而且工具定义只占上下文窗口很小一部分的情况，一次性加载所有工具是可以的。\
一旦工具定义占用了可用上下文窗口的相当大一部分，客户端就应切换到渐进式发现。我们建议客户端实现阈值来决定何时切换：
* 以上下文窗口百分比作为阈值。例如 1%-5%。
* 加载工具定义。当达到阈值时，切换到渐进式发现。
### 选择发现策略
一旦模型调用 `search_tools` 工具，我们就需要选择一种搜索策略：
* **基于关键词**：关键词匹配（BM25、正则表达式）。简单且有效，尤其适用于描述性较强的工具名称和描述。
* **基于嵌入**：在工具描述上进行向量相似度检索。对同义词和语义匹配的处理更好。
* **基于子代理**：由第二个模型（通常是较小且更快的模型，如 Claude Haiku 或 Gemini Flash）为任务选择工具。通常效果很好，但成本可能高于基于嵌入或基于关键词的方案。
* **混合式**：组合多种方法。例如，对关键词和嵌入排名进行打分融合，或根据使用场景或查询选择不同策略。
一些模型提供商已经内置了工具搜索功能。例如，[OpenAI](https://developers.openai.com/api/docs/guides/tools-tool-search) 和 [Anthropic](https://platform.claude.com/docs/en/agents-and-tools/tool-use/tool-search-tool) 原生支持此能力；请查看你的提供商文档以寻找对应实现。在可用时，你可能会更倾向于使用平台自带的工具搜索，而不是自定义实现。当提供商不提供该能力，或你需要专门的检索逻辑时（例如领域特定排序或访问控制过滤），再自行构建。
下面的三层模式详细展示了基于搜索的自定义方案，但分层原则（目录、检查、执行）无论采用何种检索机制都适用。
### 使用渐进式发现
渐进式发现的一种常见实现是使用基于搜索的三层方法：
**第 1 层：目录。** 主机暴露一小组元工具，用于搜索可用能力。`search_tools` 工具接受自然语言查询，并返回匹配的工具名称及简要描述。
```typescript theme={null}
// 模型调用一个轻量级搜索工具
search_tools({ query: "update salesforce record" })
// 返回简洁匹配结果：仅包含名称和一行描述
→ [
{ name: "salesforce_updateRecord", description: "更新 Salesforce 对象中的字段" },
{ name: "salesforce_upsertRecord", description: "基于外部 ID 插入或更新" }
]
```
**第 2 层：检查。** 一旦模型识别出候选工具，它只获取该工具的完整定义（输入模式、输出模式、文档）。
```typescript theme={null}
// 模型只检查它需要的工具
get_tool_details({ name: "salesforce_updateRecord" });
```
这会返回单个工具的完整 schema：
```json theme={null}
{
"name": "salesforce_updateRecord",
"description": "更新 Salesforce 中的一条记录",
"inputSchema": {
"type": "object",
"properties": {
"objectType": {
"type": "string",
"description": "Salesforce 对象类型"
},
"recordId": { "type": "string", "description": "要更新的记录 ID" },
"data": { "type": "object", "description": "要更新的字段" }
},
"required": ["objectType", "recordId", "data"]
}
}
```
**第 3 层：执行。** 模型在完全了解其接口后调用该工具，只加载了它所需的定义。
这种模式能显著减少 token 用量，并且可以提升工具选择准确性：模型只关注少数相关工具，而不是扫描数百个无关工具。其他发现策略（嵌入、子代理等）也遵循相同的分层原则，只是在目录层替换为不同的检索机制。
### 动态服务器管理
渐进式发现不仅适用于单个工具，也适用于整个服务器。主机不必在启动时连接所有已配置服务器，而是可以：
1. 维护一个可用服务器及其高层描述的注册表。
2. 仅当模型判断需要某个服务器的能力时，才连接该服务器。
3. 断开当前任务不再相关的服务器，释放上下文。
```mermaid theme={null}
sequenceDiagram
participant Model
participant Host
participant Registry
participant Server
Model->>Host: search_available_servers("CRM")
Host->>Registry: 查询可用服务器
Registry-->>Host: Salesforce 服务器（未连接）
Host-->>Model: Salesforce 服务器可用
Model->>Host: enable_server("salesforce")
Host->>Server: 初始化连接
Server-->>Host: 服务器能力 + 工具
Host-->>Model: Salesforce 服务器已连接
Note over Model: 任务完成
Model->>Host: disable_server("salesforce")
Host->>Server: 关闭连接
Host-->>Model: 服务器已断开，已释放上下文
```
这在通用代理场景中特别有效，因为用户意图在开始时并不明确。代理以一组始终在线的最小服务器集启动，并按需连接其他服务器。结合[agent skills](/docs/2025-06-18/develop/build-with-agent-skills)，技能文件可以声明它需要哪些 MCP 服务器，而主机只在该技能被调用时连接这些服务器。
### 实现指南
实现渐进式发现时：
| 指南 | 原因 |
| ------------------------ | ------------------------------------------------------------------------- |
| **提供多个细节级别** | 让模型在仅名称、名称加描述，或完整 schema 响应之间进行选择。 |
| **缓存工具定义** | 一旦从服务器获取，就在主机侧记忆化该定义，这样之后重新注入时就不需要再次进行 `tools/list` 往返。这与当前模型上下文中的内容是分开的。 |
| **在 `list_changed` 时刷新** | 当服务器发送 `notifications/tools/list_changed` 时，重新索引搜索目录。 |
| **按服务器分组工具** | 按来源服务器组织展示工具，以便模型能够推理相关能力。 |
### 与提示缓存的交互
大多数提供商会缓存提示前缀，包括 `tools` 数组。会话中途添加或移除工具定义会使该缓存失效，而由此产生的缓存未命中，消耗的 token 可能比你移除的定义还多。为了保留缓存：
* 将新发现的定义附加在缓存断点之后，而不是重新排序 `tools` 数组；或者将每次调用都路由到一个稳定的 `call_tool({name, args})` 元工具，这样数组就不会变化。
* 将服务器断开连接视为会话边界操作，而不是按轮次操作。
* 请结合上面的工具搜索链接，一并查阅你的提供商缓存文档。
## 程序化工具调用 / 代码模式
使用直接工具调用时，每次工具调用都是一次往返：模型生成工具调用，客户端执行它，完整结果再回流到模型的上下文中。当任务需要串联多个工具（读取文档、转换文档、再写入别处）时，每个中间结果都要经过模型，消耗 token 并增加延迟，即使这些结果与模型本身并无关系。
程序化工具调用（有时称为“代码模式”）为客户端提供了一种有效**组合工具调用**的方法。模型不再直接调用工具，而是编写调用工具的代码。代码在沙箱环境中执行，只有最终结果返回给模型。
程序化工具调用功能强大，能够更高效地使用 MCP 工具和资源，但这要求
客户端实现一个沙箱环境。
### 它是如何工作的
宿主会将 MCP 工具 schema 转换为沙箱内可用的类型化 API。当模型需要工具时，它会编写脚本并执行。
**第 1 步：从 MCP schema 生成程序化 API。** 宿主读取每个服务器的工具定义，并基于每个工具的参数和 `outputSchema` 生成类型化函数：
```typescript theme={null}
// 从 Logging MCP 服务器的工具 schema 自动生成
interface LogEntry {
timestamp: string;
message: string;
level: string;
}
function logging_getLogs(input: {
level: "error" | "warn" | "info";
since: number;
}): Promise<{ entries: LogEntry[] }> {
return mcp.callTool<{ entries: LogEntry[] }>("logging_getLogs", input);
}
// 从 Ticketing MCP 服务器的工具 schema 自动生成
function ticketing_createIssue(input: {
title: string;
body?: string;
priority: "low" | "medium" | "high";
}): Promise<{ issueId: string }> {
return mcp.callTool<{ issueId: string }>("ticketing_createIssue", input);
}
```
MCP Servers 可以为每个工具提供可选的 [`outputSchema`](/specification/2025-06-18/server/tools#output-schema)。当存在输出 schema 时，宿主可以生成精确的返回类型（如上面的 `LogEntry`）。
当输出 schema 缺失时，优先选择简单路径：
* **使用泛型类型并继续。** 接受 `any` 或 `string`，并在下游处理非结构化输出。真正的修复方式是由服务器作者提供 `outputSchema`。
* **使用快速模型提取类型化结果**，适用于循环外的一次性调用。通过与 MCP 工具调用相同的 stub 拦截路径，暴露一个由宿主代理的 `extract(value, ExpectedType)` 辅助函数，这样沙箱本身永远不会打开网络连接。该辅助函数会路由到一个小型模型（例如 Claude Haiku 或 Gemini Flash），将值转换为 `ExpectedType`。这会增加每次调用的延迟，并且可能产生幻觉或丢失字段，因此在使用前应先针对 `ExpectedType` 验证结果。
**第 2 步：模型针对这些 API 编写代码。** 模型不再发起多个独立的工具调用，也不会让完整结果在它们之间经过上下文流转，而是编写一个单独的脚本。考虑这样一个任务：“找出过去一小时内所有错误日志，并为每个唯一错误创建一个工单。” 使用直接工具调用时，数千条日志条目会流经模型上下文；使用代码时，模型在沙箱中完成过滤：
```typescript theme={null}
// 模型生成的代码，在沙箱中执行
const logs = await logging_getLogs({
level: "error",
since: Date.now() - 3600000,
});
// 在沙箱中进行过滤和去重，而不是在模型上下文中
const uniqueErrors = new Map();
for (const log of logs.entries) {
if (!uniqueErrors.has(log.message)) {
uniqueErrors.set(log.message, log);
}
}
for (const [message, log] of uniqueErrors) {
await ticketing_createIssue({
title: `Error: ${message}`,
body: `首次出现：${log.timestamp}\n出现次数：${
logs.entries.filter((l) => l.message === message).length
}`,
priority: "high",
});
}
console.log(
`已根据 ${logs.entries.length} 条错误日志创建了 ${uniqueErrors.size} 个工单`,
);
```
**第 3 步：沙箱执行代码。** 沙箱内的函数调用会被拦截，并通过宿主代理路由回相应的 MCP 服务器。日志数据和工单创建会直接在服务器之间流转，而不会进入模型上下文。只有 `console.log` 输出这一行单一摘要会返回给模型。
### 如何选择沙箱
合适的沙箱取决于你希望模型编写的语言、宿主应用的语言，以及你需要多强的隔离级别。下表列的是示例运行时而非推荐；请针对你的使用场景评估其成熟度：
| 沙箱语言 | 运行时 / 库 | 宿主语言 | 方案 |
| --------------- | ------------------------------------------------------------- | ----------------- | ------------------------------------- |
| **JavaScript** | [Deno](https://github.com/denoland/deno), `isolated-vm` | Rust / Node / CLI | 基于 V8 的运行时，具有细粒度权限控制。可以禁用所有权限以实现完全锁定。 |
| **Python** | [Monty](https://github.com/pydantic/monty) *(experimental)* | Rust | 为 AI 用例构建的最小化 Python 解释器。默认无 I/O。 |
| **TypeScript** | [pctx](https://github.com/portofcontext/pctx) *(early-stage)* | Python / Rust | 作为库整合了代码模式概念，并带有底层 Rust 支持。 |
| **任意（通过 Wasm）** | [Wasmtime](https://github.com/bytecodealliance/wasmtime) | Rust / C / Go | 将任意语言编译为 Wasm，并使用基于能力的安全模型运行。 |
无论使用哪种沙箱，集成模式都是相同的：宿主注入函数 stub，通过进程内或 stdio 通道拦截调用（因此可以完全拒绝网络权限），并将它们作为 `tools/call` 请求分发到 MCP 服务器。
### 执行架构
实现包含三个组件：
```mermaid theme={null}
flowchart LR
subgraph Host["MCP 宿主"]
A[LLM] -->|编写代码| B[沙箱]
B -->|函数调用| C[MCP 客户端]
C -->|返回值| B
B -->|console 输出| A
end
C -->|工具调用| D[MCP 服务器 A]
C -->|工具调用| E[MCP 服务器 B]
D -->|结果| C
E -->|结果| C
```
**沙箱** 在一个隔离环境中运行模型生成的代码，没有直接的网络访问权限。它唯一与外界交互的方式是通过生成的函数 stub，这些 stub 会把调用路由回宿主。
**宿主** 充当代理。它接收来自沙箱的函数调用，将其映射到正确的 MCP 服务器，执行工具调用，并把结果返回给沙箱。授权令牌和凭证由宿主管理，绝不会暴露给生成的代码。
**模型** 只能看到沙箱返回的内容，通常是 `console.log` 语句的输出或最终返回值。这使得模型（以及客户端开发者）可以精确控制进入上下文窗口的内容。
### 安全注意事项
程序化工具调用引入了代码执行面，因此需要谨慎的沙箱隔离：
* **逐次调用授权**：就规范而言，代理仍然是 MCP 宿主。对源自沙箱的调用应用与直接调用相同的人在回路确认策略（见 [Tools: Security](/specification/2025-06-18/server/tools#security-considerations)）。批准脚本并不等于批准它在运行时发出的每一次工具调用；宿主可以授予类别性的批准（例如，“允许此脚本运行期间使用 `ticketing_createIssue`”），而不是每次迭代都提示，但代理仍必须针对该授权逐个评估每次调用。
* **跨服务器数据流**：来自一个服务器的工具结果，对另一个服务器来说是不可信输入。代理应对经由代理的调用应用与直接调用相同的输入审查策略；仅靠输出截断并不能防止数据外泄。
* **网络隔离**：沙箱不应具有直接网络访问权限。所有外部通信都应通过宿主代理完成，由宿主执行授权和访问控制。
* **不暴露凭证**：API 密钥和令牌由宿主管理。生成的代码只调用类型化函数；宿主在转发到服务器时添加认证信息。
* **资源限制**：为沙箱执行设置超时和内存限制，以防止脚本失控。
* **输出过滤**：在将沙箱 console 输出反馈给模型之前，对其进行验证并截断。
### 错误处理
MCP 工具错误会以成功响应的形式返回，并带有
[`isError: true`](/specification/2025-06-18/server/tools#error-handling)，而不是传输
失败。生成的包装器应将其转换为抛出的异常，这样模型编写的代码
就可以使用 `try`/`catch`。如果未捕获的错误终止了脚本，应将其作为脚本的
结果暴露出来，以便模型进行自我纠正；对于已经发生的任何部分副作用，
模型负责报告。
## 结合这两种模式
渐进式发现和程序化工具调用可以很好地协同工作。模型使用发现工具来识别自己需要哪些工具，加载它们的模式，然后编写一个在一次执行中调用多个工具的单一脚本。这样的组合既最小化了工具定义的 token 成本，也最小化了工具结果的 token 成本，使模型的上下文更专注于推理，而不是在其中传递数据。