基于.Net与Ollama的MCP服务端工具调用实践

一、技术背景与架构设计

MCP（Model Context Protocol）作为新兴的AI服务协议，通过标准化接口实现大模型与外部工具的解耦交互。其核心价值在于将工具调用能力抽象为可复用的服务组件，使模型能够动态调用数据库查询、API接口、本地脚本等外部资源。

在架构设计上，采用分层模型：

协议层：实现MCP标准接口，处理HTTP请求/响应
工具管理层：维护工具注册表，管理工具元数据
执行层：调用本地或远程工具，处理参数转换
模型层：集成Ollama等本地大模型服务

graph TD
    A[客户端] --> B[MCP服务端]
    B --> C[协议解析]
    C --> D[工具管理]
    D --> E[工具执行]
    E --> F[Ollama模型]
    E --> G[数据库/API]

二、.Net实现MCP服务端核心步骤

1. 创建ASP.NET Core Web API项目

dotnet new webapi -n McpServer
cd McpServer

2. 实现MCP协议接口

定义符合MCP规范的DTO模型：

public class McpRequest
{
    public string Id { get; set; }
    public List<McpTool> Tools { get; set; }
    public McpCommand Command { get; set; }
}
public class McpResponse
{
    public string Id { get; set; }
    public List<McpToolCall> ToolCalls { get; set; }
    public string Text { get; set; }
}

创建MCP控制器：

[ApiController]
[Route("mcp")]
public class McpController : ControllerBase
{
    private readonly IToolManager _toolManager;
    public McpController(IToolManager toolManager)
    {
        _toolManager = toolManager;
    }
    [HttpPost]
    public async Task<McpResponse> HandleRequest([FromBody] McpRequest request)
    {
        // 1. 解析模型请求
        var context = new McpContext(request);
        // 2. 执行工具调用
        var toolCalls = await _toolManager.ExecuteTools(context);
        // 3. 构建响应
        return new McpResponse
        {
            Id = request.Id,
            ToolCalls = toolCalls
        };
    }
}

3. 工具管理系统实现

定义工具接口：

public interface ITool
{
    string Name { get; }
    string Description { get; }
    Task<ToolResult> Execute(ToolParameters parameters);
}

实现具体工具（以数据库查询为例）：

public class DatabaseTool : ITool
{
    public string Name => "database_query";
    public string Description => "执行SQL查询";
    public async Task<ToolResult> Execute(ToolParameters parameters)
    {
        var query = parameters.GetString("query");
        // 使用Dapper等ORM执行查询
        using var connection = new SqlConnection("连接字符串");
        var results = await connection.QueryAsync<dynamic>(query);
        return new ToolResult
        {
            Data = results
        };
    }
}

三、Ollama模型集成方案

1. 模型服务部署

通过行业常见技术方案部署Ollama服务：

# 示例：使用Docker部署
docker run -d -p 11434:11434 ollama/ollama

2. 创建模型客户端

public class OllamaClient
{
    private readonly HttpClient _httpClient;
    public OllamaClient(string baseUrl)
    {
        _httpClient = new HttpClient
        {
            BaseAddress = new Uri(baseUrl)
        };
    }
    public async Task<string> GenerateText(string prompt)
    {
        var request = new
        {
            model = "llama2",
            prompt = prompt,
            stream = false
        };
        var response = await _httpClient.PostAsJsonAsync("api/generate", request);
        response.EnsureSuccessStatusCode();
        var result = await response.Content.ReadAsStringAsync();
        // 解析JSON获取生成文本
        return ParseResponse(result);
    }
}

四、工具调用流程实现

1. 工具注册机制

public class ToolRegistry
{
    private readonly Dictionary<string, ITool> _tools = new();
    public void RegisterTool(ITool tool)
    {
        _tools[tool.Name] = tool;
    }
    public ITool GetTool(string name)
    {
        if (_tools.TryGetValue(name, out var tool))
        {
            return tool;
        }
        throw new KeyNotFoundException($"工具 {name} 未注册");
    }
}

2. 调用流程示例

public async Task<List<McpToolCall>> ExecuteTools(McpContext context)
{
    var calls = new List<McpToolCall>();
    foreach (var toolReq in context.Request.Tools)
    {
        var tool = _toolRegistry.GetTool(toolReq.Name);
        var parameters = ParseParameters(toolReq.Parameters);
        var result = await tool.Execute(parameters);
        calls.Add(new McpToolCall
        {
            Id = toolReq.Id,
            Function = tool.Name,
            Arguments = result.Data
        });
    }
    return calls;
}

五、性能优化与异常处理

1. 并发控制策略

public class ConcurrentToolExecutor
{
    private readonly SemaphoreSlim _semaphore = new(10); // 限制并发数
    public async Task ExecuteWithConcurrency(ITool tool, ToolParameters parameters)
    {
        await _semaphore.WaitAsync();
        try
        {
            return await tool.Execute(parameters);
        }
        finally
        {
            _semaphore.Release();
        }
    }
}

2. 异常处理机制

public class ToolExecutionHandler
{
    public async Task<ToolResult> SafeExecute(ITool tool, ToolParameters parameters)
    {
        try
        {
            return await tool.Execute(parameters);
        }
        catch (Exception ex)
        {
            return new ToolResult
            {
                Error = new ToolError
                {
                    Message = ex.Message,
                    Type = ex.GetType().Name
                }
            };
        }
    }
}

六、部署与监控建议

容器化部署：使用Docker Compose编排MCP服务与Ollama模型

version: '3.8'
services:
mcp-server:
 build: ./McpServer
 ports:
   - "5000:80"
 environment:
   - OLLAMA_BASE_URL=http://ollama:11434
ollama:
 image: ollama/ollama
 ports:
   - "11434:11434"

监控指标：
- 工具调用成功率
- 平均响应时间
- 模型生成延迟
- 并发请求数

日志设计：

{
"timestamp": "2023-07-20T12:34:56Z",
"requestId": "abc123",
"toolName": "database_query",
"status": "success",
"durationMs": 45,
"parameters": {
 "query": "SELECT * FROM users"
}
}

七、最佳实践总结

工具设计原则：
- 保持工具功能单一
- 提供清晰的输入/输出规范
- 实现幂等性操作
安全考虑：
- 实施工具调用权限控制
- 对输入参数进行验证
- 限制敏感工具的访问
性能优化：
- 对耗时工具实现异步调用
- 使用缓存机制存储工具结果
- 实施请求限流策略

通过上述实现方案，开发者可以快速构建具备工具调用能力的MCP服务端，并与本地大模型服务形成完整解决方案。这种架构既保持了模型的灵活性，又通过标准化接口实现了工具资源的复用，特别适合需要动态扩展AI能力的企业级应用场景。