模型上下文协议 (MCP) 提供了一种标准化的方式，允许服务器通过客户端向语言模型请求 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——且无需服务器持有 API 密钥。服务器可以请求文本、音频或基于图像的交互，并可以选择在提示词中包含来自 MCP 服务器的上下文。
用户交互模型
MCP 中的采样允许服务器通过使 LLM 调用能够“嵌套”在其他 MCP 服务器功能中，来实现智能体（agentic）行为。 实现方案可以自由地通过任何适合其需求的界面模式来公开采样——协议本身不强制要求任何特定的用户交互模型。出于信任、安全和保障的考虑，应当 (SHOULD) 始终有一个“人在回路”中，并具备拒绝采样请求的能力。应用程序 应当 (SHOULD)：
- 提供易于且直观地审查采样请求的 UI
- 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
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。这使服务器能够实现智能体行为，即 LLM 可以调用工具、接收结果并继续对话——这一切都在单个采样请求流程中完成。 客户端 必须 (MUST) 通过 sampling.tools 能力声明对工具使用的支持，才能接收启用工具的采样请求。服务器 不得 (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。
支持采样的客户端 必须 (MUST) 在 初始化 期间声明 sampling 能力： 基础采样：{
"capabilities": {
"sampling": {}
}
}
{
"capabilities": {
"sampling": {
"tools": {}
}
}
}
{
"capabilities": {
"sampling": {
"context": {}
}
}
}
includeContext 参数值 "thisServer" 和 "allServers" 已软弃用。服务器 应当 (SHOULD) 避免使用这些值（例如可以省略 includeContext，因为它默认为 "none"），并且 不应 (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
为了请求语言模型生成，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"
}
],
"intelligencePriority": 0.8,
"speedPriority": 0.5
},
"systemPrompt": "You are a helpful assistant.",
"maxTokens": 100
}
}
{
"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"
}
}
tools 以及可选的 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
}
}
{
"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"
}
}
- 执行请求的工具使用。
- 发送一个新的采样请求，并附加工具结果
- 接收 LLM 的响应（可能包含新的工具使用）
- 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中传递
toolChoice: {mode: "none"} 以强制得出最终结果）
带有工具结果的后续请求 (服务器 -> 客户端)
{
"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
}
}
{
"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"
}
}
消息内容限制
当用户消息包含工具结果（类型：“tool_result”）时，它 必须 (MUST) 仅包含工具结果。不允许在同一条消息中将工具结果与其他内容类型（文本、图像、音频）混合。 此约束确保了与为工具结果使用专用角色的提供者 API 的兼容性（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" }]
}
}
{
"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" }]
}
]
}
{
"role": "user",
"content": [
{
"type": "text",
"text": "Here are the results:"
},
{
"type": "tool_result",
"toolUseId": "call_123",
"content": [{ "type": "text", "text": "Result data" }]
}
]
}
ToolUseContent 块的助手消息 必须 (MUST) 紧跟一条完全由 ToolResultContent 块组成的用户消息，其中每个工具使用（例如具有 id: $id）都由相应的工具结果（具有 toolUseId: $id）匹配，然后才能发送任何其他消息。 此要求确保了：
- 在对话继续之前，工具使用总是得到解析
- 提供者 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
- 用户消息：“巴黎和伦敦的天气怎么样？”
- 助手消息：
ToolUseContent (id: "call_abc123", name: "get_weather", input: {city: "Paris"}) + ToolUseContent (id: "call_def456", name: "get_weather", input: {city: "London"})
- 用户消息：
ToolResultContent (toolUseId: "call_abc123", content: "18°C, 多云") + ToolResultContent (toolUseId: "call_def456", content: "15°C, 有雨")
- 助手消息：比较两座城市天气的文本响应
无效序列 - 缺失工具结果
- 用户消息：“巴黎和伦敦的天气怎么样？”
- 助手消息：
ToolUseContent (id: "call_abc123", name: "get_weather", input: {city: "Paris"}) + ToolUseContent (id: "call_def456", name: "get_weather", input: {city: "London"})
- 用户消息：
ToolResultContent (toolUseId: "call_abc123", content: "18°C, 多云") ← 缺少 call_def456 的结果
- 助手消息：文本响应（无效 - 并非所有工具使用都已解析）
跨 API 兼容性
采样规范旨在跨多个 LLM 提供者 API（Claude、OpenAI、Gemini 等）工作。兼容性的关键设计决策如下：
消息角色
MCP 使用两个角色：“user”（用户）和 “assistant”（助手）。 工具使用请求在具有 “assistant” 角色的 CreateMessageResult 中发送。工具结果在具有 “user” 角色的消息中发回。包含工具结果的消息不能包含其他类型的内容。
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"}：模型在完成前必须至少使用一个工具{mode: "none"}：模型不得使用任何工具
MCP 允许模型并行发出多个工具使用请求（返回 ToolUseContent 数组）。所有主流提供者 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
包装了支持禁用并行工具使用的提供者的实现方案，可以将此作为扩展公开，但这不属于核心 MCP 规范的一部分。
消息流
数据类型
采样消息可以包含
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 中的模型选择需要精细的抽象，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 提供者。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，或者可能更愿意使用不同提供者的等效模型。 为了解决这个问题，MCP 实施了一个偏好系统，该系统将抽象的能力优先级与可选的模型提示相结合：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：最小化成本有多重要？值越高越倾向于廉价模型。speedPriority：低延迟有多重要？值越高越倾向于快速模型。intelligencePriority：高级能力有多重要？值越高越倾向于能力更强的模型。
模型提示
虽然优先级有助于根据特性选择模型，但 hints（提示）允许服务器建议特定的模型或模型系列
- 提示被视为子字符串，可以灵活地匹配模型名称
- 多个提示按偏好顺序进行评估
- 客户端 可以 (MAY) 将提示映射到来自不同提供者的等效模型
- 提示是建议性的——客户端做出最终的模型选择
例如
{
"hints": [
{ "name": "claude-3-sonnet" }, // Prefer Sonnet-class models
{ "name": "claude" } // Fall back to any Claude model
],
"costPriority": 0.3, // Cost is less important
"speedPriority": 0.8, // Speed is very important
"intelligencePriority": 0.5 // Moderate capability needs
}
gemini-1.5-pro。
错误处理
客户端 应当 (SHOULD) 为常见的失败情况返回错误
- 用户拒绝了采样请求：
-1
- 请求中缺失工具结果：
-32602（无效参数）
- 工具结果与其他内容混合：
-32602（无效参数）
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"
}
}
安全注意事项
- 客户端 应当 (SHOULD) 实施用户批准控制
- 双方 应当 (SHOULD) 验证消息内容
- 客户端 应当 (SHOULD) 尊重模型偏好提示
- 客户端 应当 (SHOULD) 实施速率限制
- 双方 必须 (MUST) 妥善处理敏感数据
在采样中使用工具时，还需考虑额外的安全因素
- 服务器 必须 (MUST) 确保在回复
stopReason: "toolUse" 时，每个 ToolUseContent 项都对应一个具有匹配 toolUseId 的 ToolResultContent 项，并且用户消息仅包含工具结果（无其他内容类型）
- 双方 应当 (SHOULD) 为工具循环实施迭代限制
