Skip to main content
Model Context Protocol (MCP) 提供了一种标准化方式，允许服务器通过客户端请求大语言模型（LLM）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接口模式暴露采样——协议本身不强制任何特定的用户交互模型。
为了信任、安全和安全性，SHOULD 始终有人工介入，能够拒绝采样请求。应用程序 SHOULD：
  • 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
请求关联要求服务器 MUST 仅在与发起的客户端请求关联时发送 sampling/createMessage 请求（例如，在 tools/call、resources/read 或 prompts/get 处理期间）。不支持在独立通信流上（与任何客户端请求无关）独立发起的服务器端采样，且 MUST NOT 实现此功能。未来的传输实现不需要支持此模式。

​
采样中的工具

服务器可以通过在其采样请求中提供 tools 数组和可选的 toolChoice 配置，请求客户端的 LLM 在采样期间使用工具。tools 数组中的工具定义仅限于采样请求范围——它们不需要对应于注册的工具。这使得服务器能够实现代理行为，其中 LLM 可以调用专门指定的工具，接收结果，并继续对话——所有都在单个采样请求流程中完成。 客户端 MUST 通过 sampling.tools 能力声明对工具使用的支持，以接收启用工具的采样请求。服务器 MUST NOT 向未通过 sampling.tools 能力声明支持工具使用的客户端发送启用工具的采样请求。

​
能力

支持采样的客户端 MUST 在 初始化 期间声明 sampling 能力： 基本采样： 
{
  "capabilities": {
    "sampling": {}
  }
}
带工具使用支持： 
{
  "capabilities": {
    "sampling": {
      "tools": {}
    }
  }
}
带上下文包含支持（软弃用）： 
{
  "capabilities": {
    "sampling": {
      "context": {}
    }
  }
}
includeContext 参数值 "thisServer" 和 "allServers" 是软弃用的。服务器 SHOULD 避免使用这些值（例如，可以省略 includeContext，因为它默认为 "none"），并且 SHOULD NOT 使用它们，除非客户端声明了 sampling.context 能力。这些值可能会在未来的规范版本中移除。

​
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： 
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "sampling/createMessage",
  "params": {
    "messages": [
      {
        "role": "user",
        "content": {
          "type": "text",
          "text": "What is the capital of France?"
        }
      }
    ],
    "modelPreferences": {
      "hints": [
        {
          "name": "claude-3-sonnet"
        }
      ],
      "costPriority": 0.3,
      "intelligencePriority": 0.8,
      "speedPriority": 0.5
    },
    "temperature": 0.1,
    "systemPrompt": "You are a helpful assistant.",
    "includeContext": "thisServer",
    "maxTokens": 100
  }
}
响应： 
{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "role": "assistant",
    "content": {
      "type": "text",
      "text": "The capital of France is Paris."
    },
    "model": "claude-3-sonnet-20240307",
    "stopReason": "endTurn"
  }
}

​
带工具的采样

下图展示了带工具的采样的完整流程，包括多轮工具循环： 要请求具有工具使用能力的 LLM 生成，服务器在请求中包含 tools 和可选的 toolChoice： 请求（服务器 -> 客户端）： 
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "sampling/createMessage",
  "params": {
    "messages": [
      {
        "role": "user",
        "content": {
          "type": "text",
          "text": "What's the weather like in Paris and London?"
        }
      }
    ],
    "tools": [
      {
        "name": "get_weather",
        "description": "Get current weather for a city",
        "inputSchema": {
          "type": "object",
          "properties": {
            "city": {
              "type": "string",
              "description": "City name"
            }
          },
          "required": ["city"]
        }
      }
    ],
    "toolChoice": {
      "mode": "auto"
    },
    "maxTokens": 1000
  }
}
响应（客户端 -> 服务器）： 
{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "role": "assistant",
    "content": [
      {
        "type": "tool_use",
        "id": "call_abc123",
        "name": "get_weather",
        "input": {
          "city": "Paris"
        }
      },
      {
        "type": "tool_use",
        "id": "call_def456",
        "name": "get_weather",
        "input": {
          "city": "London"
        }
      }
    ],
    "model": "claude-3-sonnet-20240307",
    "stopReason": "toolUse"
  }
}

​
多轮工具循环

在收到来自 LLM 的工具使用请求后，服务器通常：
  1. 执行请求的工具使用。
  2. 发送一个新的采样请求，追加工具结果
  3. 接收 LLM 的响应（其中可能包含新的工具使用）
  4. 根据需要重复多次（服务器可能会限制最大迭代次数，例如在最后一次迭代传递 toolChoice: {mode: "none"} 以强制最终结果）
后续请求（服务器 -> 客户端）带工具结果： 
{
  "jsonrpc": "2.0",
  "id": 2,
  "method": "sampling/createMessage",
  "params": {
    "messages": [
      {
        "role": "user",
        "content": {
          "type": "text",
          "text": "What's the weather like in Paris and London?"
        }
      },
      {
        "role": "assistant",
        "content": [
          {
            "type": "tool_use",
            "id": "call_abc123",
            "name": "get_weather",
            "input": { "city": "Paris" }
          },
          {
            "type": "tool_use",
            "id": "call_def456",
            "name": "get_weather",
            "input": { "city": "London" }
          }
        ]
      },
      {
        "role": "user",
        "content": [
          {
            "type": "tool_result",
            "toolUseId": "call_abc123",
            "content": [
              {
                "type": "text",
                "text": "Weather in Paris: 18°C, partly cloudy"
              }
            ]
          },
          {
            "type": "tool_result",
            "toolUseId": "call_def456",
            "content": [
              {
                "type": "text",
                "text": "Weather in London: 15°C, rainy"
              }
            ]
          }
        ]
      }
    ],
    "tools": [
      {
        "name": "get_weather",
        "description": "Get current weather for a city",
        "inputSchema": {
          "type": "object",
          "properties": {
            "city": { "type": "string" }
          },
          "required": ["city"]
        }
      }
    ],
    "maxTokens": 1000
  }
}
最终响应（客户端 -> 服务器）： 
{
  "jsonrpc": "2.0",
  "id": 2,
  "result": {
    "role": "assistant",
    "content": {
      "type": "text",
      "text": "Based on the current weather data:\n\n- **Paris**: 18°C and partly cloudy - quite pleasant!\n- **London**: 15°C and rainy - you'll want an umbrella.\n\nParis has slightly warmer and drier conditions today."
    },
    "model": "claude-3-sonnet-20240307",
    "stopReason": "endTurn"
  }
}

​
消息内容约束

​
工具结果消息

当用户消息包含工具结果（类型：“tool_result”）时，它 MUST 仅包含工具结果。不允许在同一消息中将工具结果与其他内容类型（文本、图像、音频）混合。 此约束确保与为工具结果使用专用角色的提供商 API 兼容（例如，OpenAI 的 “tool” 角色，Gemini 的 “function” 角色）。 有效 - 单个工具结果： 
{
  "role": "user",
  "content": {
    "type": "tool_result",
    "toolUseId": "call_123",
    "content": [{ "type": "text", "text": "Result data" }]
  }
}
有效 - 多个工具结果： 
{
  "role": "user",
  "content": [
    {
      "type": "tool_result",
      "toolUseId": "call_123",
      "content": [{ "type": "text", "text": "Result 1" }]
    },
    {
      "type": "tool_result",
      "toolUseId": "call_456",
      "content": [{ "type": "text", "text": "Result 2" }]
    }
  ]
}
无效 - 混合内容： 
{
  "role": "user",
  "content": [
    {
      "type": "text",
      "text": "Here are the results:"
    },
    {
      "type": "tool_result",
      "toolUseId": "call_123",
      "content": [{ "type": "text", "text": "Result data" }]
    }
  ]
}

​
工具使用与结果平衡

在采样中使用工具使用时，每个包含 ToolUseContent 块的助手消息 MUST 后跟一个完全由 ToolResultContent 块组成的用户消息，每个工具使用（例如，id: $id）由相应的工具结果（toolUseId: $id）匹配，然后才是任何其他消息。 此要求确保：
  • 工具使用总是在对话继续之前得到解决
  • 提供商 API 可以并发处理多个工具使用并并行获取其结果
  • 对话保持一致的请求 - 响应模式
有效序列示例：
  1. 用户消息：“What’s the weather like in Paris and London?”
  2. 助手消息：ToolUseContent (id: "call_abc123", name: "get_weather", input: {city: "Paris"}) + ToolUseContent (id: "call_def456", name: "get_weather", input: {city: "London"})
  3. 用户消息：ToolResultContent (toolUseId: "call_abc123", content: "18°C, partly cloudy") + ToolResultContent (toolUseId: "call_def456", content: "15°C, rainy")
  4. 助手消息：文本响应比较两个城市的天气
无效序列 - 缺失工具结果：
  1. 用户消息：“What’s the weather like in Paris and London?”
  2. 助手消息：ToolUseContent (id: "call_abc123", name: "get_weather", input: {city: "Paris"}) + ToolUseContent (id: "call_def456", name: "get_weather", input: {city: "London"})
  3. 用户消息：ToolResultContent (toolUseId: "call_abc123", content: "18°C, partly cloudy") ← 缺失 call_def456 的结果
  4. 助手消息：文本响应（无效 - 并非所有工具使用都已解决）

​
跨 API 兼容性

采样规范旨在适用于多个 LLM 提供商 API（Claude、OpenAI、Gemini 等）。兼容性的关键设计决策：

​
消息角色

MCP 使用两个角色：“user” 和 “assistant”。 工具使用请求在 CreateMessageResult 中以 “assistant” 角色发送。 工具结果在消息中以 “user” 角色发回。 包含工具结果的消息不能包含其他类型的内容。

​
工具选择模式

CreateMessageRequest.params.toolChoice 控制模型的工具使用能力：
  • {mode: "auto"}：模型决定是否使用工具（默认）
  • {mode: "required"}：模型在完成前必须使用至少一个工具
  • {mode: "none"}：模型不得使用任何工具

​
并行工具使用

MCP 允许模型并行发出多个工具使用请求（返回 ToolUseContent 数组）。所有主要提供商 API 都支持此功能：
  • Claude：原生支持并行工具使用
  • OpenAI：支持并行工具调用（可通过 parallel_tool_calls: false 禁用）
  • Gemini：原生支持并行函数调用
封装支持禁用并行工具使用的提供商的实现可以将此作为扩展公开，但这不是核心 MCP 规范的一部分。

​
消息流

​
数据类型

​
消息

采样消息 必须 包含 "user" 或 "assistant" 的 role 字段；以及表示消息数据的 content 字段。 采样请求中的消息列表 不应 在不同请求之间保留。 content 字段可以包含：

​
文本内容

{
  "type": "text",
  "text": "The message content"
}

​
图像内容

{
  "type": "image",
  "data": "base64-encoded-image-data",
  "mimeType": "image/jpeg"
}

​
音频内容

{
  "type": "audio",
  "data": "base64-encoded-audio-data",
  "mimeType": "audio/wav"
}

​
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。 为解决此问题，MCP 实现了一个偏好系统，结合了抽象能力优先级与可选模型提示：

​
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？较高的值偏好能力更强的模型。

​
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系列：
  • 提示被视为可灵活匹配模型名称的子字符串
  • 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： 
{
  "hints": [
    { "name": "claude-3-sonnet" }, // 首选 Sonnet 类模型
    { "name": "claude" } // 回退到任何 Claude 模型
  ],
  "costPriority": 0.3, // 成本不太重要
  "speedPriority": 0.8, // 速度非常重要
  "intelligencePriority": 0.5 // 中等能力需求
}
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，它可能会根据类似能力将 sonnet 提示映射到 gemini-1.5-pro。

​
系统提示

可选的 systemPrompt 字段允许服务器请求特定的系统提示。客户端 可以 修改或忽略此字段，而无需将此通知服务器。

​
上下文包含

includeContext 参数指定客户端在其响应中应包含哪些上下文信息：
  • "none"：无额外上下文。
  • "thisServer"：包含来自请求服务器的上下文。
  • "allServers"：包含来自所有已连接 MCP 服务器的上下文。
客户端 可以 修改或忽略此字段，而无需将此通知服务器。例如，客户端可以确定在特定请求中遵守此字段需要与服务器共享敏感信息，并相应地限制其响应。

​
采样参数

LLM 采样可以使用以下参数进行微调：
  • temperature：控制模型响应中的随机性。较高的值产生较高的随机性，较低的值产生更稳定的输出。有效范围取决于模型提供商。
  • maxTokens：生成的最大令牌数；必需。
  • stopSequences：停止生成的序列数组。
  • metadata：额外的提供商特定参数。
客户端 必须 遵守 maxTokens 参数。 客户端 可以 修改或忽略 temperature、stopSequences 和 metadata。例如，客户端可以使用不支持其中一个或多个参数的模型，因此将无法利用它们。

​
结果字段

采样结果将包含以下字段：
  • role：消息角色；参见 消息。
  • content：消息内容。这可以是：
    • 当响应仅包含一个内容块时的单个内容块，例如单个文本响应。
    • 当响应包含一个或多个内容块时的内容块数组，例如多个工具使用或混合内容。
    参见 消息 了解内容块类型。
  • model：生成消息的模型名称。
  • stopReason：采样停止的原因（如果已知）。规范定义了以下（非详尽）停止原因，尽管实现 可以 提供自己的任意值：
    • "endTurn"：参与者将对话让给另一方。
    • "stopSequence"：消息生成遇到请求的 stopSequences 之一。
    • "maxTokens"：达到令牌限制。
    • "toolUse"：模型想要使用一个或多个工具。

​
错误处理

客户端 应该 为常见失败情况返回错误：
  • 用户拒绝采样请求：-1
  • 请求中缺少工具结果：-32602（无效参数）
  • 工具结果与其他内容混合：-32602（无效参数）
  • 采样请求未与客户端到服务器的请求关联：-32602（无效参数）
错误示例： 
{
  "jsonrpc": "2.0",
  "id": 3,
  "error": {
    "code": -1,
    "message": "User rejected sampling request"
  }
}

{
  "jsonrpc": "2.0",
  "id": 4,
  "error": {
    "code": -32602,
    "message": "Tool result missing in request"
  }
}

​
安全考虑

  1. 客户端 应该 实现用户批准控制
  2. 双方 应该 验证消息内容
  3. 客户端 应该 遵守模型偏好提示
  4. 客户端 应该 实现速率限制
  5. 双方 必须 妥善处理敏感数据
当采样中使用工具时，适用额外的安全考虑：
  1. 服务器 必须 确保在回复 stopReason: "toolUse" 时，每个 ToolUseContent 项都响应一个具有匹配 toolUseId 的 ToolResultContent 项，并且用户消息仅包含工具结果（无其他内容类型）
  2. 双方 应该 为工具循环实现迭代限制