sampling

# 采样 (Sampling) > 通过 MCP 上下文从客户端或配置的提供程序请求 LLM 文本生成。 LLM 采样允许您的 MCP 工具在执行期间请求 LLM 生成文本。这使得工具能够利用 AI 能力进行分析、生成、推理等，而无需客户端编排多个调用。 默认情况下，采样请求被路由到客户端的 LLM。您还可以配置回退处理程序，以便在客户端不支持采样时使用特定提供程序（如 OpenAI），或者始终使用您自己的 LLM，而不考虑客户端能力。 ## 概览 采样最简单的用法是将提示词字符串传递给 `ctx.sample()`。该方法将提示词发送给 LLM，等待完整响应，并返回一个 `SamplingResult`。您可以通过 `.text` 属性访问生成的文本。 python from fastmcp import FastMCP, Context mcp = FastMCP() @mcp.tool async def summarize(content: str, ctx: Context) -> str: """生成所提供内容的摘要。""" result = await ctx.sample(f"请总结以下内容：nn{content}") return result.text or "" `SamplingResult` 还提供 `.result`（对于纯文本响应与 `.text` 相同）和包含完整消息交换的 `.history`——如果您需要继续对话或调试交互，这非常有用。 ### 系统提示词 (System Prompts) 系统提示词让您在 LLM 处理请求之前确立其角色和行为准则。这对于控制语气、强制执行约束或提供不应干扰用户提示词的上下文非常有用。 `python from fastmcp import FastMCP, Context mcp = FastMCP() @mcp.tool async def generate_code(concept: str, ctx: Context) -> str: """为某个概念生成 Python 代码示例。""" result = await ctx.sample( messages=f"编写一个演示 '{concept}' 的 Python 示例。", system_prompt=( "你是一位专业的 Python 程序员。 " "提供简洁、可运行的代码，无需解释。" ), temperature=0.7, max_tokens=300 ) return f"pythonn{result.text}n" ` `temperature` 参数控制随机性——较高的值（最高 1.0）产生更多样化的输出，而较低的值使响应更具确定性。`max_tokens` 参数限制响应长度。 ### 模型偏好 模型偏好允许您提示客户端应使用哪个 LLM 进行请求。您可以