Skip to main content
模型上下文协议 (MCP) 提供了一种标准化方式,允许服务器通过客户端请求语言模型采样(“补全”或“生成”)。此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。服务器可以请求文本、音频或基于图像的交互,并可选择在其提示词中包含来自 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 嵌套 发生在其他 MCP 服务器功能内部。 实现可以自由地通过任何适合其需求的界面模式来暴露采样—协议本身不强制任何特定的用户交互模型。
为了信任与安全以及安全性,应该始终有人工介入环路,能够拒绝采样请求。应用程序应该
  • 提供用户界面,使其能够轻松直观地审查采样请求
  • 允许用户在发送前查看和编辑提示词
  • 在交付前展示生成的响应以供审查

能力

支持采样的客户端必须初始化 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:

消息流程

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的抽象,因为服务器和客户端可能使用具有不同模型产品的不同 AI 提供商。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,或者可能更喜欢使用不同提供商的等效模型。 为解决这个问题,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优先级值 (0-1) 表达其需求:
  • costPriority:最小化成本有多重要?较高的值偏好更便宜的模型。
  • speedPriority:低延迟有多重要?较高的值偏好更快的模型。
  • intelligencePriority:高级能力有多重要?较高的值偏好更有能力的模型。

模型提示

虽然优先级有助于根据特征选择模型,但 hints 允许服务器建议特定模型或模型家族:
  • 提示被视为子字符串,可以灵活匹配模型名称
  • 多个提示按偏好顺序评估
  • 客户端可以将提示映射到不同提供商的等效模型
  • 提示是建议性的—客户端进行最终模型选择
例如:
客户端处理这些偏好,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 模型但拥有 Gemini,它可能会根据类似能力将 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: 示例错误:

安全注意事项

  1. 客户端应该实施用户审批控制
  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