从上下文到人工补充输入,梳理 MCP
文章围绕上下文由谁提供、服务端如何获取补充信息,串联 MCP 的工具、资源、提示模板、采样与工作区根目录机制。示例采用2026-07-28版规范,并计划展示包含用户提问的多轮工具调用。
AI 深度解读
MCP 不只是让模型调用工具的一套接口。它还涉及上下文怎么进入对话、服务器缺信息时怎么追问,以及谁来决定一次操作是否执行。原文把这些机制串成了一条调用链,核心结论是:模型负责提出请求,host 负责协调工具、数据和用户交互。
对接过 AI 编程工具的人,值得花几分钟理清这些边界。否则很容易把工具标注当成权限控制,把工作目录当成安全沙箱,或者把一次需要用户补充信息的调用,当成普通失败处理。不过,文中的版本变化需要单独看待,不能直接当作已核实的迁移指南。
模型提出调用,真正拍板的是 host
先区分几个角色:用户操作的是宿主应用(host);MCP client 通常是 host 内部负责协议通信的组件;MCP server 提供工具、资源和提示模板;模型则由 host 通过模型提供商的 API 访问。
模型通常不直接连接 MCP server,也不执行工具。host 把工具说明交给模型,模型生成结构化调用请求,再由 client 转成 tools/call 发给 server。是否执行、是否要求确认、结果怎么展示,都需要 host 处理。
服务器通过 tools/list 提供工具名称、描述和 inputSchema。模型读懂 schema 后,可以提出这样的请求,解决「调用哪个工具、传什么参数」的问题:
{
"name": "add_numbers",
"arguments": {
"a": 5,
"b": 7
}
}
注意 arguments:它只是模型建议的输入,host 还要把它转换成 MCP 请求,不能把生成了参数等同于操作已完成。
工具还可以声明 readOnlyHint、destructiveHint、idempotentHint、openWorldHint。这些标注帮助 host 判断操作性质,例如是否展示确认界面,但不会自动落实权限或防护。
工具声明描述行为,执行边界仍要靠应用和服务器实现。
返回值也不只有字符串。content 可以包含文本、图片、音频、资源链接或内嵌资源;structuredContent 则便于程序消费。例如原文用航班 AA123、价格 $412 演示:模型可以读取文字,前端同时用结构化字段渲染航班卡片,无须从自然语言里提取价格。
错误处理同样要分层。下面的返回解决的是「工具已经尝试执行,但输入不符合业务要求」的问题:
{
"resultType": "complete",
"content": [
{
"type": "text",
"text": "The departure date must be in the future."
}
],
"isError": true
}
重点是 isError: true:请求得到了正常的工具结果,只是业务操作失败,模型可以根据解释调整参数。JSON-RPC 消息格式错误、方法不受支持等协议错误,则通过 error 对象报告。
原文还提到,2025-11-25 修订中的 SEP-1303 调整了无效工具参数的报告方式,不能把所有参数错误一律映射成 JSON-RPC -32602。实际实现应按所用协议版本和 SDK 核对。
上下文、提示模板和工作目录,各由谁决定
Resources 是用 URI 标识的信息,比如文件、数据库 schema 或文档。client 用 resources/list 获取目录,用 resources/read 读取内容;host 决定哪些内容进入模型上下文,也可以让用户选择。
资源很多时,可以提供 URI 模板,例如 file:///logs/{service}/{date}.log,避免枚举所有服务、所有日期的日志。列表还可能分页,nextCursor 表示后面还有一页,没有它才算读完。
Prompts 则是服务器提供的可复用消息模板。用户选择模板、填写参数后,host 通过 prompts/get 获取内容;模板目录由 prompts/list 提供。返回值是带角色和内容类型的消息列表,可以同时包含审查要求和代码资源,不只是一个字符串。原文用 file:///src/math.py 中的 def add(a, b): return a - b 演示了这种组合。
两者的区别在于:Resources 提供材料,Prompts 组织一次对话的起点。
Sampling 和 Roots 又属于另外两种需求。Sampling 让 server 请求 client 生成模型回复,复用 client 管理的模型凭据和权限;请求可以带消息、system prompt、token 上限及成本、速度、智能程度偏好,但最终由 client 决定是否满足。Roots 则告诉 server 哪些文件或目录与当前工作有关。
Roots 表达工作范围,不提供文件系统隔离。
服务器进程如果拥有读取其他目录的操作系统权限,Roots 并不会阻止它。真正的限制仍要通过系统权限、受限挂载或容器完成。
按原文对 2026-07-28 修订的描述,Sampling 和 Roots 均已弃用:新实现建议直接调用模型提供商 API,并通过工具参数、资源 URI 或服务器配置传递路径。这里的「弃用」也不等于已有实现立刻不能使用。
缺少用户输入时,为什么要重新发起请求
原文最关键的设计变化是多轮往返请求(MRTR):server 缺少信息时,先返回 resultType: "input_required",由 client 收集信息,再携带答案重试原操作。
以 5 + 7 为例,模型提出 add_numbers 调用后,服务器要求用户选择整数或小数格式。host 展示问题,用户选择整数,client 再发一次 tools/call,附上 inputResponses 和服务器此前返回的 requestState,最后拿到 resultType: "complete" 与结果 12。
这里有三个容易混淆的标识和字段:
requestState保存服务器的续接信息,client 应原样返回,不解释或修改。_meta描述本次请求及 client,例如协议版本和能力,与续接状态用途不同。- 重试拥有新的 JSON-RPC request ID,但 host 仍需把最终结果对应到模型提供商最初的工具调用标识。
这套机制避免了 server 在请求处理中途反向调用 client,对负载均衡、无状态服务实例更容易部署。不过,它只改变交互方式,不会自动解决重复执行问题。
用户输入收集称为 elicitation,通常通过表单或 URL 流程完成。server 只能请求 client 已声明支持的输入能力,不能默认所有客户端都能弹表单或发起模型请求。MRTR 也适用于 Prompts 和 Resources。
缓存和通知则处理另一类往返成本。按原文描述,2026-07-28 修订用 ttlMs、cacheScope 提供缓存提示:ttlMs: 300000 表示五分钟内可视为新鲜,cacheScope: "public" 表示公共缓存范围,私有结果则必须按授权上下文隔离。缓存由 client、host 或网关落实,服务器只是给出提示。
同一修订还用 subscriptions/listen 替代旧的 resources/subscribe、resources/unsubscribe。资源内容更新与资源目录变化是两类通知;收到信号后,client 再读取对应内容或列表。
我的判断
这篇最有价值的地方,是把协议能力和控制责任分开了。对前端或全栈团队来说,接上 tools/call 只是开始,后面还有用户交互、结果渲染、错误反馈和状态续接。
但它是一篇机制讲解,没有提供团队落地实测、延迟数据或架构对照。MRTR 对无状态部署更友好的论述有道理,却不能据此认定它在所有场景都优于保持连接、处理中途回调的方式。续接状态怎么保存、过期怎么办、重试是否产生重复副作用,原文没有说清。
直接调用模型 API 也有取舍:server 不再依赖 client 的 Sampling 支持,却需要自行解决凭据、费用和权限管理。
此外,原文围绕 2026-07-28 描述了多项协议变化,但给出的材料没有展开规范依据或 SDK 迁移细节。这里可以理解它的设计逻辑,不能把这些版本断言当成本文已经核实的结论。
能拿来做什么
- 为前端工具面板分别设计执行中、等待用户输入、业务失败和完成状态,并优先用
structuredContent渲染业务组件。 - 在 Node 侧明确区分工具执行错误与协议错误,把可修正的业务反馈交回模型,并检查重试是否会重复写入。
- 给 AI 编程工具显式传入项目路径,同时通过运行权限限制实际文件访问范围,避免把 Roots 当作安全边界。
- 接入已有 MCP SDK 时,先确认双方支持的协议版本,再核对 MRTR、缓存提示和订阅接口,按原文所述版本逐项验证。