4.2 高级特性——Sampling、Elicitation 与 Roots
小周把安全方案给同事看了，小李终于放心了。但在实现数据库查询工具时，小周遇到一个新问题：Server 执行复杂分析时，能不能让 AI 帮忙"思考"？
到目前为止，小周看到的都是 Client 主动请求 Server。但 MCP 有一个独特的能力：Server 可以反过来请求 Client 做事。
注意：本节的 Sampling 和 Elicitation 示例使用了底层 API（
session.request()），因为 FastMCP 暂未提供高层封装。理解原理后，可直接复制使用。
双向通信
MCP 不同于传统的请求-响应协议。Server 可以主动向 Client 发出三种请求：
Sampling——Server 请求 LLM 推理
Sampling 让 Server 在执行工具过程中，请求 Client 的 LLM 进行推理。
为什么需要 Sampling？
想象一个代码分析 Server：它读取代码后，需要 LLM 帮忙理解代码意图。与其自己调用 LLM API（需要 API Key），不如请求 Client 的 LLM（Client 已经有 LLM 连接）。
协议消息
// Server → Client 请求
{
"method": "sampling/createMessage",
"params": {
"messages": [
{ "role": "user", "content": { "type": "text", "text": "这段代码做了什么？" } }
],
"maxTokens": 500,
"systemPrompt": "你是一个代码分析专家"
}
}
// Client → Server 响应
{
"result": {
"role": "assistant",
"content": { "type": "text", "text": "这段代码实现了一个 HTTP 服务器..." },
"model": "claude-sonnet-4-20250514"
}
}Python 实现
# Server 端——在工具中请求 Sampling
@mcp.tool()
async def analyze_code(code: str) -> str:
"""分析代码功能"""
# 请求 Client 的 LLM 进行分析
result = await mcp.get_context().session.request(
"sampling/createMessage",
{
"messages": [
{"role": "user", "content": {"type": "text", "text": f"分析这段代码：\n{code}"}}
],
"maxTokens": 500
}
)
return result.content.text安全约束
Sampling 请求涉及 LLM 推理，有严格的安全约束：
- Client 可以拒绝任何 Sampling 请求
- 用户应该审批 Sampling 请求（特别是涉及敏感内容时）
- Server 不能无限次请求 Sampling——Client 应实施速率限制
端到端可运行示例
小周想写一个 Server，让工具在执行过程中能"思考"——比如分析代码质量。下面是一个最小可运行的完整示例：
Server 端（使用 Sampling 分析代码）
# sampling_server.py
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("code-analyzer")
@mcp.tool()
async def analyze_code_quality(code: str) -> str:
"""分析代码质量——让 AI 帮忙评估代码的可读性、安全性和性能"""
ctx = mcp.get_context()
result = await ctx.session.request(
"sampling/createMessage",
{
"messages": [
{
"role": "user",
"content": {
"type": "text",
"text": f"请用 3 句话评估这段代码的质量（可读性、安全性、性能）：\n\n```\n{code}\n```"
}
}
],
"maxTokens": 300,
"systemPrompt": "你是一个代码审查专家。用简洁的中文回答。"
}
)
return result.content.text
mcp.run()运行方式：python sampling_server.py，然后在支持 Sampling 的 Client（如 Claude Desktop）中连接。
使用场景：在 Claude Desktop 中说"分析这段代码的质量：def foo(x): return x/0"，Server 会通过 Sampling 让 Client 的 LLM 进行分析，返回"这段代码有一个除零错误..."。
关键点：Server 不需要自己的 API Key——它借用 Client 已有的 LLM 连接。
Elicitation——Server 请求用户输入
Elicitation（v2 引入）让 Server 向用户请求信息，比如确认操作、获取凭据、选择选项。
协议消息
// Server → Client 请求
{
"method": "elicitation/create",
"params": {
"message": "需要数据库连接密码才能继续",
"requestedSchema": {
"type": "object",
"properties": {
"password": { "type": "string", "description": "数据库密码" }
},
"required": ["password"]
}
}
}
// Client → Server 响应（用户提供了密码）
{
"result": {
"action": "accept",
"content": { "password": "user_provided_password" }
}
}
// Client → Server 响应（用户取消了）
{
"result": {
"action": "cancel"
}
}响应动作
| 动作 | 说明 |
|---|---|
accept | 用户填写了信息并确认 |
cancel | 用户取消了操作 |
reject | 用户拒绝了请求 |
Schema 限制
Elicitation 的 Schema 有严格限制，确保安全：
- 只支持
string、number、boolean基本类型 - 不支持
object、array嵌套 - 不支持
$ref引用 - 不支持
format、contentMediaType、anyOf、allOf、oneOf
Python 实现
# Server 端——请求用户确认
@mcp.tool()
async def delete_records(table: str, condition: str) -> str:
"""删除数据库记录（需用户确认）"""
# 向用户请求确认
result = await mcp.get_context().session.request(
"elicitation/create",
{
"message": f"确认要从 {table} 表中删除满足条件 {condition} 的记录吗？",
"requestedSchema": {
"type": "object",
"properties": {
"confirm": {
"type": "boolean",
"description": "确认删除"
}
},
"required": ["confirm"]
}
}
)
if result.get("action") != "accept" or not result.get("content", {}).get("confirm"):
return "操作已取消"
# 执行删除...
return f"已从 {table} 删除记录"端到端可运行示例
Server 端（使用 Elicitation 请求确认）
# elicitation_server.py
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("safe-todo")
todos: list[str] = []
@mcp.tool()
def add_todo(text: str) -> str:
"""添加待办事项"""
todos.append(text)
return f"已添加：{text}（共 {len(todos)} 条）"
@mcp.tool()
async def clear_todos() -> str:
"""清除所有待办事项（需要用户确认）"""
ctx = mcp.get_context()
result = await ctx.session.request(
"elicitation/create",
{
"message": f"确认要清除所有 {len(todos)} 条待办事项吗？此操作不可撤销。",
"requestedSchema": {
"type": "object",
"properties": {
"confirm": {
"type": "boolean",
"description": "确认清除所有待办"
}
},
"required": ["confirm"]
}
}
)
if result.get("action") != "accept" or not result.get("content", {}).get("confirm"):
return "操作已取消"
count = len(todos)
todos.clear()
return f"已清除 {count} 条待办事项"
mcp.run()运行后，在 Claude Desktop 中说"清除所有待办"——Server 会弹窗请求用户确认，用户点击"取消"则不执行。
Roots——暴露文件系统根目录
Roots 让 Client 告诉 Server 自己暴露了哪些文件系统目录。这样 Server 知道可以在哪些范围内操作。
协议消息
// Server → Client 请求
{ "method": "roots/list" }
// Client → Server 响应
{
"result": {
"roots": [
{ "uri": "file:///home/user/project", "name": "My Project" },
{ "uri": "file:///home/user/docs", "name": "Documents" }
]
}
}使用场景
- 代码分析 Server 需要知道项目目录在哪里
- 文件搜索 Server 需要知道可以搜索哪些目录
- IDE 集成 Server 需要知道工作区的根目录
Completions——参数自动补全
Completions（v2 引入）让 Server 为 Prompt 和 Resource Template 的参数提供自动补全建议。
// Client 请求补全
{
"method": "completion/complete",
"params": {
"ref": { "type": "ref/prompt", "name": "code_review" },
"argument": { "name": "language", "value": "py" }
}
}
// Server 返回补全建议
{
"result": {
"completion": {
"values": ["python", "pytorch", "pyside"],
"hasMore": true
}
}
}这在用户填写工具参数时特别有用——比如输入 py 后自动建议 python。
Logging——结构化日志
Server 可以通过 notifications/message 向 Client 发送结构化日志：
// Client 设置日志级别
{ "method": "logging/setLevel", "params": { "level": "info" } }
// Server 发送日志
{
"method": "notifications/message",
"params": {
"level": "error",
"logger": "database",
"data": { "error": "Connection failed", "host": "localhost" }
}
}日志级别（RFC 5424）：debug → info → notice → warning → error → critical
本节核心要点
- MCP 支持双向通信——Server 可以反过来请求 Client
- Sampling：Server 请求 Client 的 LLM 推理（需要用户审批）
- Elicitation：Server 向用户请求信息（确认、凭据、选择）
- Roots：Client 告诉 Server 可操作的文件系统目录
- Completions：Server 为参数提供自动补全（v2+）
- 所有 Server→Client 请求都需要 Client 声明对应能力
思考题：在什么场景下你会使用 Sampling 而不是直接在 Server 中调用 LLM API？两者各有什么优缺点？
参考思路
Sampling 的优势：Server 不需要自己的 API Key（使用 Client 已有的 LLM 连接）；计费统一在 Client 侧。直接调用 LLM API 的优势：更可控、不依赖 Client 能力、延迟更低。选择依据：如果你的 Server 需要部署给多个 Client 使用（它们可能有不同的 LLM），用 Sampling；如果 Server 是独立服务，直接调用 API 更简单。