> ## Documentation Index
> Fetch the complete documentation index at: https://mcp.gjxx.dev/llms.txt
> Use this file to discover all available pages before exploring further.

# 采样

<Info>**协议修订**: 2024-11-05</Info>

Model Context Protocol (MCP) 为服务器提供了一种标准化的方式来通过客户端从语言模型请求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。服务器可以请求基于文本或图像的交互，并可选地在提示中包含来自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。

<Warning>
  为了信任、安全和安全性，**应该**始终有人在回路中，能够拒绝采样请求。

  应用程序**应该**：

  * 提供使审查采样请求变得容易和直观的UI
  * 允许用户在发送前查看和编辑提示
  * 在交付前呈现生成的响应以供审查
</Warning>

## 功能

支持采样的客户端**必须**在[初始化](/specification/2024-11-05/basic/lifecycle#initialization)期间声明 `sampling` 功能：

```json theme={null}
{
  "capabilities": {
    "sampling": {}
  }
}
```

## 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：**

```json theme={null}
{
  "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
  }
}
```

**响应：**

```json theme={null}
{
  "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"
  }
}
```

## 消息流程

```mermaid theme={null}
sequenceDiagram
    participant Server
    participant Client
    participant User
    participant LLM

    Note over Server,Client: Server initiates sampling
    Server->>Client: sampling/createMessage

    Note over Client,User: Human-in-the-loop review
    Client->>User: Present request for approval
    User-->>Client: Review and approve/modify

    Note over Client,LLM: Model interaction
    Client->>LLM: Forward approved request
    LLM-->>Client: Return generation

    Note over Client,User: Response review
    Client->>User: Present response for approval
    User-->>Client: Review and approve/modify

    Note over Server,Client: Complete request
    Client-->>Server: Return approved response
```

## 数据类型

### 消息

采样消息可以包含：

#### 文本内容

```json theme={null}
{
  "type": "text",
  "text": "The message content"
}
```

#### 图像内容

```json theme={null}
{
  "type": "image",
  "data": "base64-encoded-image-data",
  "mimeType": "image/jpeg"
}
```

### 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不同的AI提供商，具有不同的模型产品。服务器不能简单地通过名称请求特定模型，因为客户端可能无法访问该确切模型或可能更喜欢使用不同提供商的等效模型。

为了解决这个问题，MCP实现了一个偏好系统，将抽象能力优先级与可选模型提示相结合：

#### 能力优先级

服务器通过三个标准化的优先级值（0-1）表达其需求：

* `costPriority`：最小化成本有多重要？更高的值偏好更便宜的模型。
* `speedPriority`：低延迟有多重要？更高的值偏好更快的模型。
* `intelligencePriority`：高级能力有多重要？更高的值偏好更强大的模型。

#### 模型提示

虽然优先级有助于基于特征选择模型，但 `hints` 允许服务器建议特定模型或模型系列：

* 提示被视为可以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**将提示映射到来自不同提供商的等效模型
* 提示是建议性的——客户端做出最终模型选择

例如：

```json theme={null}
{
  "hints": [
    { "name": "claude-3-sonnet" }, // 偏好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合适的模型。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`。

## 错误处理

客户端**应该**为常见失败情况返回错误：

错误示例：

```json theme={null}
{
  "jsonrpc": "2.0",
  "id": 1,
  "error": {
    "code": -1,
    "message": "User rejected sampling 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**尊重模型偏好提示
4. 客户端**应该**实现速率限制
5. 双方**必须**适当处理敏感数据