Skip to main content
MCP 客户端由宿主应用实例化,用于与特定的 MCP 服务器通信。宿主应用(如 Claude.ai 或某个 IDE)管理整体的用户体验并协调多个客户端。每个客户端负责与一个服务器进行一次直接通信。 理解这一区分很重要:宿主是用户与之交互的应用,而客户端是使服务器连接成为可能的协议层组件。

核心客户端特性

除了利用服务器提供的上下文之外,客户端还可以向服务器提供若干特性。这些客户端特性让服务器作者能够构建更丰富的交互。

征询(Elicitation)

征询使服务器能够在交互过程中向用户请求特定信息,从而创建更具动态性和响应性的工作流。

概述

征询为服务器提供了一种按需收集必要信息的结构化方式。服务器无需预先要求提供所有信息,也不必在数据缺失时直接失败,而是可以暂停其操作,向用户请求特定的输入。这创造了更灵活的交互:服务器适应用户需求,而不是遵循僵化的模式。 征询支持两种模式:
  • 表单模式(Form mode):服务器请求客户端从用户处收集结构化数据。请求中包含一个 schema,客户端用它来构建输入表单并校验响应。
  • URL 模式(URL mode):服务器提供一个供用户打开的 URL。交互在带外(out of band)发生,其数据绝不经过客户端,这使得该模式适用于敏感流程,例如凭据录入或第三方 OAuth 授权。
征询遵循多轮往返请求(Multi Round-Trip Requests)(MRTR)模式。当服务器在处理诸如 tools/call 之类的请求时需要用户输入,它会以一个 InputRequiredResult 响应,其 inputRequests 字段携带一个或多个 elicitation/create 请求。客户端收集输入并重试原始请求,附上收集到的 inputResponses,并回传服务器所包含的任何 requestState 征询流程: 该流程支持动态的信息收集。服务器可以在需要时请求特定数据,用户通过合适的 UI 提供信息,服务器则在获得新上下文后完成被重试的请求。 征询请求示例(在 InputRequiredResult.inputRequests 内投递):

示例:假期预订审批

一个旅行预订服务器通过最终预订确认流程展示了征询的威力。当用户选定了心仪的巴塞罗那度假套餐后,服务器需要在继续之前收集最终批准以及任何缺失的细节。 服务器通过一个结构化请求来征询预订确认,其中包含行程摘要(巴塞罗那航班 6 月 15 日至 22 日、海滨酒店、总计 $3,000)以及用于填写任何额外偏好的字段——例如座位选择、房型或旅行保险选项。 随着预订推进,服务器征询完成预订所需的联系信息。它可能会询问用于航班预订的旅客详情、对酒店的特殊要求,或紧急联系人信息。

用户交互模型

征询交互被设计为清晰、贴合上下文并尊重用户自主权: 请求呈现:客户端在显示征询请求时,会清晰地说明是哪个服务器在请求、为何需要该信息以及它将如何被使用。请求消息解释目的,而 schema 提供结构和校验。 响应选项:用户可以通过合适的 UI 控件(文本框、下拉菜单、复选框)提供所请求的信息,可以带可选说明地拒绝提供信息,或者取消整个操作。客户端在将响应返回给服务器之前,会依据所提供的 schema 对其进行校验。 URL 处理:对于 URL 模式,客户端会显示完整的 URL 并在打开之前获取显式同意,且绝不自动获取该 URL。客户端只会得知用户是否同意。交互本身保持在用户与目标站点之间。 隐私考量:服务器不得使用表单模式请求敏感信息,例如密码、API 密钥、访问令牌或支付凭据。这类交互应属于 URL 模式,它使数据保持带外,因而绝不经过客户端或 LLM 上下文。客户端会对可疑请求发出警告,并让用户在发送前审阅表单数据。

根(Roots)

自协议版本 2026-07-28 起,根已弃用并计划移除。新的实现应改为通过工具参数、资源 URI 或服务器配置来传递目录或文件。
根为服务器操作定义文件系统边界,允许客户端指定服务器应关注哪些目录。

概述

根是一种机制,供客户端向服务器传达文件系统的访问边界。它们由指示服务器可操作目录的 file URI 组成,帮助服务器理解可用文件和文件夹的范围。虽然根传达了预期的边界,但它们并不强制执行安全限制。实际的安全必须在操作系统层面,通过文件权限和/或沙箱来强制执行。 根结构:
根专指文件系统路径,并且始终使用 file:// URI scheme。它们帮助服务器理解项目边界、工作区组织和可访问的目录。随着用户处理不同的项目或文件夹,根列表可能发生变化。服务器会在下一次请求根列表时获取更新后的边界。

示例:旅行规划工作区

一位同时处理多位客户行程的旅行代理,可从根中受益以组织文件系统访问。设想一个工作区,其中有针对旅行规划各个方面的不同目录。 客户端向旅行规划服务器提供文件系统根:
  • file:///Users/agent/travel-planning —— 包含所有旅行文件的主工作区
  • file:///Users/agent/travel-templates —— 可复用的行程模板和资源
  • file:///Users/agent/client-documents —— 客户护照和旅行文档
当代理创建巴塞罗那行程时,行为良好的服务器会尊重这些边界——在指定的根范围内访问模板、保存新行程并引用客户文档。服务器通常通过使用相对于根目录的相对路径,或利用尊重根边界的文件搜索工具,来访问根内的文件。 如果代理打开一个归档文件夹,例如 file:///Users/agent/archive/2023-trips,客户端会将其加入根列表,服务器则会在其下一次 roots/list 请求时看到这个新边界。 有关一个尊重根的服务器的完整实现,请参阅官方服务器仓库中的文件系统服务器

设计理念

根充当客户端与服务器之间的协调机制,而非安全边界。规范要求服务器 “SHOULD respect root boundaries(应当尊重根边界)”,而不是要求它们 “MUST enforce(必须强制执行)”,因为服务器运行的是客户端无法控制的代码。 当服务器受信任或经过审查、用户理解其建议性质、且目标是防止意外而非阻止恶意行为时,根的效果最佳。它们擅长于上下文范围界定(告诉服务器应关注何处)、意外预防(帮助行为良好的服务器保持在边界内),以及工作流组织(例如自动管理项目边界)。

用户交互模型

根通常由宿主应用根据用户操作自动管理,尽管某些应用可能会暴露手动的根管理: 自动根检测:当用户打开文件夹时,客户端会自动将它们暴露为根。打开一个旅行工作区,可让客户端将该目录暴露为根,帮助服务器理解哪些行程和文档属于当前工作的范围。 手动根配置:高级用户可以通过配置指定根。例如,为可复用资源添加 /travel-templates,同时排除含有财务记录的目录。

采样(Sampling)

自协议版本 2026-07-28 起,采样已弃用并计划移除。新的实现应改为直接与 LLM 提供方的 API 集成。
采样允许服务器通过客户端请求语言模型补全,从而在保持安全和用户控制的同时支持智能体(agentic)行为。

概述

采样使服务器无需直接集成或付费使用 AI 模型即可执行依赖 AI 的任务。相反,服务器可以请求客户端——它已经拥有 AI 模型访问权限——代表它们处理这些任务。这种方式让客户端完全掌控用户权限和安全措施。由于采样请求发生在其他操作的上下文中——比如某个工具在分析数据——并作为独立的模型调用来处理,它们在不同上下文之间保持了清晰的边界,从而能够更高效地利用上下文窗口。 采样遵循征询一节中所述的相同多轮往返请求(Multi Round-Trip Requests)流程,其 InputRequiredResult 携带一个 sampling/createMessage 请求。 服务器还可以在采样期间请求使用工具,方法是在请求中包含一个 tools 数组和一个可选的 toolChoice 字段。这些工具定义仅限于该次采样请求,无需与服务器所暴露的工具相对应。客户端通过 sampling.tools 能力声明支持,而服务器不得向未声明该能力的客户端发送启用了工具的采样请求。详情参见规范中的采样 采样流程: 该流程通过多个人在回路(human-in-the-loop)检查点确保安全。用户会审阅初始请求和生成的响应,并可对二者进行修改,之后客户端才会用它来重试原始请求。 请求参数示例:

示例:航班分析工具

设想一个旅行预订服务器,它有一个名为 findBestFlight 的工具,使用采样来分析可用航班并推荐最优选择。当用户询问“帮我预订下个月去巴塞罗那的最佳航班”时,该工具需要 AI 协助来评估复杂的权衡。 该工具查询航空公司 API 并收集了 47 个航班选项。随后它请求 AI 协助来分析这些选项:“Analyze these flight options and recommend the best choice: [47 flights with prices, times, airlines, and layovers] User preferences: morning departure, max 1 layover.” 客户端发起采样请求,让 AI 评估各种权衡——比如更便宜的红眼航班与更方便的上午出发之间的取舍。该工具利用这一分析来呈现前三名推荐。

用户交互模型

尽管并非强制要求,采样被设计为允许人在回路的控制。用户可以通过若干机制保持监督: 批准控制:采样请求可能需要显式的用户同意。客户端可以展示服务器想要分析什么以及为什么。用户可以批准、拒绝或修改请求。 透明性特性:客户端可以显示确切的提示、模型选择和 token 上限,允许用户在 AI 响应返回给服务器之前进行审阅。 配置选项:用户可以设置模型偏好、为受信任的操作配置自动批准,或要求对所有事项进行批准。客户端可以提供选项来编辑(redact)敏感信息。 安全考量:客户端和服务器在采样期间都必须妥善处理敏感数据。客户端应当实现速率限制并校验所有消息内容。人在回路的设计确保了由服务器请求的 AI 交互不会在未经显式用户同意的情况下危及安全或访问敏感数据。