C#实现MCP Client 与 LLM 连接，抓取网页内容功能！

前面的课程，我们已经用C#实现了，自己的MCP Client。

下面我们一起来实现，MCP Client与LLM 对接。

一、添加依赖库

目前来说，绝大部分的大模型的API，都是遵循OpenAI的接口规范。

Microsoft.Extensions.AI 是微软官方提供的一套 统一的 AI 抽象层 ，大大简化 AI 模型在 .NET 应用中的集成。

添加依赖库：Microsoft.Extensions.AI.OpenAI，版本为：最新预发行版 9.4.4-preview.1.25259.16，添加的时候记得勾选：包括预发行版。

添加依赖库：Microsoft.Extensions.AI，版本为：9.4.4-preview.1.25259.16。

二、OpenAI 客户端实现

新增文件：ChatAIClient

2.1 初始化OpenAI客户端

---

初始化OpenAI客户端，并使用UseFunctionInvocation 来增强客户端， 这里启用函数调用。

备注：以下代码涉及的秘钥，记得替换为自己的。

using Microsoft.Extensions.AI;
using OpenAI;
using System.ClientModel;
namespace MCPClient
{
    /// <summary>
    /// 表示一个用于与 AI 聊天模型交互的客户端封装类。
    /// 负责初始化聊天客户端并维护对话上下文。
    /// </summary>
    public class ChatAIClient
    {
        /// <summary>
        /// 封装后的 AI 聊天客户端接口，支持函数调用等功能。
        /// </summary>
        private IChatClient ChatClient;
        /// <summary>
        /// 存储当前会话中的所有聊天消息记录。
        /// </summary>
        private IList<ChatMessage> Messages;
        /// <summary>
        /// API 访问密钥，用于身份认证。【记得替换为自己的】
        /// </summary>
        private const string _apiKey = "6092598c-ce00-48fd-a5be-0d758088c888";
        /// <summary>
        /// AI 服务的基础请求地址。【记得替换为自己的】
        /// </summary>
        private const string _baseURL = "https://api-inference.modelscope.cn/v1/";
        /// <summary>
        /// 使用的 AI 模型标识符。【记得替换为自己的】
        /// </summary>
        private const string _modelID = "Qwen/Qwen2.5-72B-Instruct";
        /// <summary>
        /// 初始化一个新的 <see cref="ChatAIClient"/> 实例。
        /// 构造函数中自动完成聊天客户端的初始化配置。
        /// </summary>
        public ChatAIClient()
        {
            InitIChatClient();
        }
        /// <summary>
        /// 初始化内部使用的 AI 聊天客户端实例。
        /// 配置 API 凭证、服务端点，并构建具备函数调用能力的客户端。
        /// 同时初始化系统消息作为对话起点。
        /// </summary>
        private void InitIChatClient()
        {
            // 创建 API 密钥凭证
            ApiKeyCredential apiKeyCredential = new ApiKeyCredential(_apiKey);
            // 设置 OpenAI 客户端选项，如自定义服务端点
            OpenAIClientOptions openAIClientOptions = new OpenAIClientOptions();
            openAIClientOptions.Endpoint = new Uri(_baseURL);
            // 创建 OpenAI 客户端并获取指定模型的聊天接口
            var openaiClient = new OpenAIClient(apiKeyCredential, openAIClientOptions)
                .GetChatClient(_modelID)
                .AsIChatClient();
            // 构建增强功能的聊天客户端（例如启用函数调用）
            ChatClient = new ChatClientBuilder(openaiClient)
                .UseFunctionInvocation()
                .Build();
            // 初始化对话历史，包含一条系统提示信息
            Messages =
            [
                // 添加系统角色消息
                new(ChatRole.System, "您是一位乐于助人的助手，帮助我们测试MCP服务器功能，优先使用中文回答！"),
            ];
        }
    }
}

2.2 处理用户的自然语言查询

在ChatAIClient文件，添加如下代码，实现与 AI 模型交互，并传入 MCP 工具。

/// <summary>
/// 异步处理用户的自然语言查询，并与 AI 模型进行交互，支持 MCP 工具调用。
/// </summary>
/// <param name="query">用户的自然语言查询内容</param>
/// <param name="tools">可用的 MCP 工具列表，用于扩展 AI 的外部能力</param>
/// <returns>AI 返回的最终文本响应结果</returns>
public async Task<string> ProcessQueryAsync(string query, IList<McpClientTool> tools)
{
    // 如果消息历史为空，则初始化系统提示消息
    if (Messages.Count == 0)
    {
        Messages = 
        [
            new(ChatRole.System, "您是一位乐于助人的助手，帮助我们测试MCP服务器功能，优先使用中文回答！")
        ];
    }
    // 添加用户输入的消息到对话历史
    Messages.Add(new(ChatRole.User, query));
    // 设置请求选项，注入可用工具
    var options = new ChatOptions
    {
        Tools = [.. tools]
    };
    // 调用 AI 客户端获取响应
    var response = await ChatClient.GetResponseAsync(Messages, options);
    // 将 AI 响应加入对话历史
    Messages.AddMessages(response);
    // 输出调用的工具信息
    OutputToolUsageInfo(response);
    // 返回模型生成的文本响应
    return response.Text;
}

2.3 MCP 工具使用情况日志

---

在ChatAIClient文件，添加如下代码，输出 AI 调用MCP 工具的情况。

 /// <summary>
    /// 辅助方法：输出 AI 在响应中调用的工具信息到控制台。
    /// </summary>
    /// <param name="response">来自 AI 的完整响应对象</param>
    private void OutputToolUsageInfo(ChatResponse response)
    {
        // 获取所有 Tool 角色的消息
        var toolUseMessages = response.Messages.Where(m => m.Role == ChatRole.Tool).ToList();
        // 判断是否调用了工具
        // 获取响应中所有角色为 Tool 的消息（即 AI 调用了哪些工具）
        var toolUseMessage = response.Messages.Where(m => m.Role == ChatRole.Tool);
        // 判断第一条消息的内容是否多于一个（通常第一个消息是用户问题，第二个是调用函数）
        if (response.Messages[0].Contents.Count > 1)
        {
            // 尝试从第一条消息的第二个内容项提取出函数调用信息
            var functionCall = (FunctionCallContent)response.Messages[0].Contents[1];
            // 设置控制台输出颜色为绿色，用于突出显示工具调用信息
            Console.ForegroundColor = ConsoleColor.Green;
            string arguments = "";
            // 如果函数调用包含参数，则拼接参数信息
            if (functionCall.Arguments != null)
            {
                foreach (var arg in functionCall.Arguments)
                {
                    arguments += $"{arg.Key}:{arg.Value};";
                }
                // 输出调用的方法名及参数信息
                Console.WriteLine($"调用方法名:{functionCall.Name};参数信息：{arguments}");
                // 遍历所有 Tool 消息，输出每个工具调用的结果
                foreach (var message in toolUseMessage)
                {
                    // 提取工具调用后的执行结果
                    var functionResultContent = (FunctionResultContent)message.Contents[0];
                    Console.WriteLine($"调用工具结果：{functionResultContent.Result}");
                }
                // 恢复控制台默认颜色（白色）
                Console.ForegroundColor = ConsoleColor.White;
            }
            else
            {
                // 如果没有参数
                Console.WriteLine("工具参数为空");
            }
        }
        else
        {
            Console.ForegroundColor = ConsoleColor.Green;
            Console.WriteLine("本次没有调用工具");
            Console.ForegroundColor = ConsoleColor.White;
        }
    }
}

三、为LLM添加工具能力

在前面课程基础之上，在Program.cs添加代码。

代码说明：为LLM添加工具能力，并处理客户提交的内容。

// 创建聊天客户端实例
ChatAIClient chatAIClient = new ChatAIClient();
// 进入主循环，持续接收用户输入直到输入 "exit"
while (true)
{
    try
    {
        // 设置控制台文字颜色为黄色，提示用户输入问题
        Console.ForegroundColor = ConsoleColor.Yellow;
        Console.Write("\n提问: ");
        // 读取用户输入并去除前后空格，若为空则赋默认空字符串
        string query = Console.ReadLine()?.Trim() ?? string.Empty;
        // 判断用户是否输入 "exit" 以退出程序
        if (query.ToLower() == "exit")
        {
            break;
        }
        // 调用异步方法处理用户查询，并传入预定义的工具列表（listToolsResult）
        string response = await chatAIClient.ProcessQueryAsync(query, listToolsResult);
        // 设置输出颜色为黄色，显示 AI 的响应内容
        Console.ForegroundColor = ConsoleColor.Yellow;
        Console.WriteLine($"AI：{response}");
        // 恢复控制台默认颜色（白色）
        Console.ForegroundColor = ConsoleColor.White;
    }
    catch (Exception ex)
    {
        // 捕获所有异常并输出错误信息，防止程序崩溃
        Console.WriteLine($"\nError: {ex.Message}");
    }
}

四、测试效果

启动项目，并输入以下内容：

抓取 https://blog.csdn.net/daremeself/article/details/147166987 的内容，并markdown格式输出

调用MCP Server的工具的情况日志。

AI响应的结果：

好了，今天就分享到这边！

下一个课程：实现自己的MCP Server。

文中示例代码： https://pan.quark.cn/s/b5b8853200f9

该专栏优先在飞书发布，欢迎收藏关注！

https://www.feishu.cn/community/article?id=7507084665509904403

- End -

推荐阅读

VS Code + Cline + 魔搭MCP Server 实现抓取网页内容。

C#实现自己的MCP Client