为 .NET 客户端接入 LLM：mcp-for-beginners 03-llm-client 实战指南

• 教程
• 文档
• 人工智能

本篇指南以 mcp-for-beginners 课程中「创建一个带 LLM 的客户端（Creating a client with LLM）」的 .NET 解决方案为主体，讲解如何让客户端不再硬编码调用 MCP Server 的工具，而是通过自然语言让 LLM 自主决策、动态调用 MCP 工具。读完本文，你将掌握 .NET 下ModelContextProtocolSDK + OpenAI SDK 的完整接入流程：建立 stdio 连接、列出服务器能力、把 MCP 工具 schema 转换为 LLM 认识的工具定义，并在对话循环中执行模型发起的工具调用，最终拿到类似Sum 6的结果。

课程背景与整体思路

在之前的课程中，我们已经分别创建过 MCP Server 和 MCP Client。但那种客户端是"显式"的：调用方必须知道服务器上有哪些工具、资源、提示词，并一条条手动调用。这并不符合当下 Agentic 时代用户的使用习惯——用户希望用自然语言对话，而不关心能力背后是否由 MCP 承载。

解决方案就是：给客户端加一个 LLM。整体交互流程（见 课程主文档）分四步：

1. 与 MCP Server 建立连接；
2. 列出服务器的能力（工具、资源、提示词），并把 schema 保存下来；
3. 接入 LLM，把保存的能力与 schema 转换成 LLM 能理解的形式传给它；
4. 处理用户提示词：连同客户端列出的工具一起交给 LLM，由 LLM 决定调用哪些工具、传什么参数。

本指南聚焦其中.NET（C#）的完整实现，源码位于 03-llm-client/solution/dotnet，核心文件为 Program.cs。

前置准备：部署模型并配置环境变量

运行示例前需要一个可用的 OpenAI 兼容模型服务。课程文档要求部署一个活动模型（例如gpt-5.1），并配置以下三个环境变量：

# zsh/bash export AZURE_OPENAI_ENDPOINT="https://<resource-name>.openai.azure.com" export AZURE_OPENAI_API_KEY="<api-key>" export AZURE_OPENAI_DEPLOYMENT="gpt-5.1"

# PowerShell $env:AZURE_OPENAI_ENDPOINT = "https://<resource-name>.openai.azure.com" $env:AZURE_OPENAI_API_KEY = "<api-key>" $env:AZURE_OPENAI_DEPLOYMENT = "gpt-5.1"

其中AZURE_OPENAI_DEPLOYMENT是部署名，用于 API 调用，可能与底层模型名不同。从 Program.cs 的源码可以看到它的读取逻辑：

var endpoint = Environment.GetEnvironmentVariable("AZURE_OPENAI_ENDPOINT"); var apiKey = Environment.GetEnvironmentVariable("AZURE_OPENAI_API_KEY"); var deployment = Environment.GetEnvironmentVariable("AZURE_OPENAI_DEPLOYMENT") ?? "gpt-5.1"; if (string.IsNullOrWhiteSpace(endpoint) || string.IsNullOrWhiteSpace(apiKey)) { Console.WriteLine("Please set AZURE_OPENAI_ENDPOINT and AZURE_OPENAI_API_KEY."); return; }

即：AZURE_OPENAI_DEPLOYMENT缺省回退到gpt-5.1；而AZURE_OPENAI_ENDPOINT与AZURE_OPENAI_API_KEY缺失时会直接提示并退出。另外，解决方案 README 还提示：若在 GitHub Codespaces 中运行则无需本地令牌；若在本地运行，需要为GITHUB_TOKEN配置个人访问令牌（PAT）：

# zsh/bash export GITHUB_TOKEN="{{YOUR_GITHUB_PAT}}"

# PowerShell $env:GITHUB_TOKEN = "{{YOUR_GITHUB_PAT}}"

安装依赖库

示例是一个控制台应用，先还原 NuGet 包：

dotnet restore

翻译版文档列出的库名为 Azure AI Inference、Azure Identity、Microsoft.Extension、Model.Hosting、ModelContextProtocol；而以当前仓库实际为准，dotnet.csproj 声明的包引用如下：

<ItemGroup> <PackageReference Include="Microsoft.Extensions.Hosting" Version="9.*-*" /> <PackageReference Include="ModelContextProtocol" Version="0.*-*" /> <PackageReference Include="OpenAI" Version="2.10.0" /> </ItemGroup>

工程目标框架为net9.0，启用了ImplicitUsings与Nullable。三个包各司其职：

• ModelContextProtocol：提供McpClient、StdioClientTransport以及TextContentBlock等 MCP 客户端类型；
• OpenAI（2.10.0）：提供ChatClient、ChatTool、ChatCompletionOptions等，用于与模型服务对话；
• Microsoft.Extensions.Hosting：宿主框架支持（该示例主要使用它支撑依赖与日志等基础设施）。

运行示例与预期输出

依赖还原完成后直接运行：

dotnet run

文档给出的预期输出如下：

Setting up stdio transport Listing tools Connected to server with tools: Add Tool description: Adds two numbers Tool parameters: {"title":"Add","description":"Adds two numbers","type":"object","properties":{"a":{"type":"integer"},"b":{"type":"integer"}},"required":["a","b"]} Tool definition: Azure.AI.Inference.ChatCompletionsToolDefinition Properties: {"a":{"type":"integer"},"b":{"type":"integer"}} MCP Tools def: 0: Azure.AI.Inference.ChatCompletionsToolDefinition Tool call 0: Add with arguments {"a":2,"b":4} Sum 6

说明：上面输出中的Tool definition类型名称因 SDK 版本而异。翻译文档记录的是早期 Azure.AI.Inference 时代的结果；当前仓库源码基于 OpenAI SDK，Program.cs 与英文版 solution README 中的实际输出为OpenAI.Chat.ChatTool。

输出中大部分内容只是调试信息，真正重要的是这条链路：从 MCP Server 列出工具 → 转换成 LLM 能理解的工具定义 → LLM 发起工具调用 → MCP 客户端执行并返回Sum 6。

源码逐段剖析：从 stdio 连接到工具执行

1. 建立 ChatClient 与 MCP stdio 连接

Program.cs 同时创建了两个客户端：

var client = new ChatClient( model: deployment, credential: new ApiKeyCredential(apiKey), options: new OpenAIClientOptions { Endpoint = new Uri($"{endpoint.TrimEnd('/')}/openai/v1/") }); var chatHistory = new List<ChatMessage> { new SystemChatMessage("You are a helpful assistant that knows about AI") }; var clientTransport = new StdioClientTransport(new() { Name = "Demo Server", Command = $"{Path.Combine(AppContext.BaseDirectory, "../../../../../../", "02-client/solution/server/bin/Debug/net9.0/server")}", Arguments = [], }); Console.WriteLine("Setting up stdio transport"); await using var mcpClient = await McpClient.CreateAsync(clientTransport);

要点解析：

• ChatClient通过ApiKeyCredential认证，并把endpoint末尾的/去掉后拼接/openai/v1/作为 API 路径；
• StdioClientTransport通过子进程方式启动 MCP Server，Command指向上一课 02-client 的 .NET Server 构建产物；
• McpClient.CreateAsync(clientTransport)完成 MCP 握手并返回可用的McpClient。

2. 列出 MCP 工具并转换为 LLM 工具

MCP 返回的工具格式（含Name、Description、JsonSchema）并不能直接喂给 LLM，需要先做一次"翻译"。GetMcpTools方法完成列出与转换：

ChatTool ConvertFrom(string name, string description, JsonElement jsonElement) { return ChatTool.CreateFunctionTool( functionName: name, functionDescription: description, functionParameters: BinaryData.FromString(jsonElement.GetRawText())); } async Task<List<ChatTool>> GetMcpTools() { Console.WriteLine("Listing tools"); var tools = await mcpClient.ListToolsAsync(); List<ChatTool> toolDefinitions = []; foreach (var tool in tools) { Console.WriteLine($"Connected to server with tools: {tool.Name}"); Console.WriteLine($"Tool description: {tool.Description}"); Console.WriteLine($"Tool parameters: {tool.JsonSchema}"); var def = ConvertFrom(tool.Name, tool.Description, tool.JsonSchema); Console.WriteLine($"Tool definition: {def}"); toolDefinitions.Add(def); } return toolDefinitions; }

关键转换位于ConvertFrom：ChatTool.CreateFunctionTool接收函数名、函数描述、函数参数 JSON三个要素，正是 OpenAI 工具调用（function calling）所需的信息。这对应课程中"将 MCP Server 响应转换为 LLM 可理解的格式"这一步——MCP 的JsonSchema在这里被原样作为 function parameters 透传给 LLM。

3. 发起 LLM 对话并处理工具调用

接下来进入真正的对话环节（Program.cs）：

var userMessage = "add 2 and 4"; chatHistory.Add(new UserChatMessage(userMessage)); var options = new ChatCompletionOptions { Tools = { tools[0] } }; ChatCompletion response = await client.CompleteChatAsync(chatHistory, options); var content = response.Content.FirstOrDefault()?.Text; for (int i = 0; i < response.ToolCalls.Count; i++) { var call = response.ToolCalls[i]; Console.WriteLine($"Tool call {i}: {call.FunctionName} with arguments {call.FunctionArguments}"); //Tool call 0: add with arguments {"a":2,"b":4} var dict = JsonSerializer.Deserialize<Dictionary<string, object>>(call.FunctionArguments); var result = await mcpClient.CallToolAsync( call.FunctionName, dict!, cancellationToken: CancellationToken.None ); var textBlock = result.Content.OfType<TextContentBlock>().FirstOrDefault(); if (textBlock != null) { Console.WriteLine(textBlock.Text); } } Console.WriteLine($"Assistant response: {content}");

这段代码的六步流程清晰可见：

1. 把用户消息"add 2 and 4"加入对话历史；
2. 用ChatCompletionOptions.Tools把之前转换好的ChatTool（这里是tools[0]，即Add）交给模型；
3. CompleteChatAsync向模型发起补全请求——模型会决定是否调用工具；
4. 检查响应中的response.ToolCalls，若有工具调用，则打印调用名与参数；
5. 把 LLM 返回的参数反序列化为字典，通过mcpClient.CallToolAsync回传给 MCP Server 真正执行；
6. 从result.Content中取出TextContentBlock并打印，即得到Sum 6。

4. 被调用的 MCP Server 长什么样

本示例连接的 MCP Server 来自上一课，其核心实现见 02-client/solution/server/Program.cs：

[McpServerToolType] public static class CalculatorTool { [McpServerTool, Description("Adds two numbers")] public static string Add(int a, int b) => $"Sum {a + b}"; }

Add方法用[McpServerTool]特性暴露为 MCP 工具，Description("Adds two numbers")正是客户端打印出的Tool description，方法签名int a, int b则自动生成 JSON Schema 中的properties与required字段。这也解释了为什么输出中工具参数为{"a":{"type":"integer"},"b":{"type":"integer"}}。服务端还通过LogToStandardErrorThreshold = LogLevel.Trace把所有日志导向 stderr，避免污染与客户端之间的 stdio 协议通道。

学习要点与延伸练习

• 给客户端加 LLM 是更好的用户交互方式：用户只需说 "add 2 and 4"，无需知道Add(a, b)这样的客户端命令，甚至意识不到背后有 MCP Server 被调用；
• 必须做格式转换：MCP Server 返回的工具列表与 schema 需要转换成 LLM（OpenAI function calling）能理解的ChatTool定义，转换的核心是把 JSON Schema 透传为 function parameters；
• 工具执行回环：LLM 决定调用哪些工具 → 客户端解析参数 →CallToolAsync调回 MCP Server → 把TextContentBlock文本返回给用户。

课程还给出了延伸练习（Assignment）：参照本节代码为 Server 增加更多工具，再用带 LLM 的客户端配合不同提示词测试，确保所有 Server 工具都能被动态、自动地调用。如果你需要对照其他语言实现，可查看同目录下的 TypeScript、Python、Java、Rust 解决方案，以及 解决方案总览。

下一步可以继续学习 使用 Visual Studio Code 消费 MCP Server，把带 LLM 的客户端能力延伸到 IDE 场景中。

• 教程
• 文档
• 人工智能