MCP Tasks 的异步结果怎么收口:任务句柄、轮询状态与恢复条件
调用 MCP 工具时,真正棘手的往往不是把请求发出去,而是请求已经交给服务器、客户端却在中途断线了:下次上线该查什么,什么时候可以拿结果,哪些状态不能重试?MCP Tasks 的答案是一个可持久化的任务句柄,但句柄本身不是完成通知,客户端仍要按状态把结果收口。
- 客户端声明 `io.modelcontextprotocol/tasks` 后,仍要同时兼容普通结果和 task handle。
- `taskId`、`pollIntervalMs`、`ttlMs` 决定轮询、保留和断线恢复边界。
- `input_required` 走 `tasks/update`;只有 `completed` 才消费最终 `result`。
为什么 CreateTaskResult 不是客户端强制的开关
在 2026-07-28 规范中,Tasks 被放到 `io.modelcontextprotocol/tasks` 扩展里。客户端需要在每次相关请求的能力声明中表明支持,服务器则在自己的能力中公布支持范围。这里有一个容易误判的点:客户端声明能力,只表示“我能处理任务返回”,并不表示“请每次都返回任务”。是否创建任务由服务器针对具体请求决定。
{
"params": {
"_meta": {
"io.modelcontextprotocol/clientCapabilities": {
"extensions": {
"io.modelcontextprotocol/tasks": {}
}
}
}
}
}
因此调用方要先判断返回形状:普通 `CallToolResult` 直接处理;如果 `resultType` 是 `task`,就保存句柄并进入轮询分支。不要把“支持 Tasks”写成一个强制异步参数,也不要假定所有工具都支持它。
用 taskId 和 tasks/get 取回稳定状态
服务器返回的 task handle 至少围绕 `taskId`、当前 `status` 和保留语义组织。客户端第一件事是把 `taskId` 写入自己的持久化记录,随后调用 `tasks/get` 查询同一个任务,而不是继续占用原来的长连接。响应中的 `pollIntervalMs` 是服务端建议的查询间隔;存在时应优先遵守,避免用固定的高频定时器压垮服务。
| 字段或方法 | 客户端用途 | 判断边界 |
|---|---|---|
taskId | 跨请求、跨重启定位任务 | 必须稳定保存 |
tasks/get | 查询当前任务状态 | 每次使用同一 taskId |
pollIntervalMs | 安排下一次查询 | 有值时优先采用 |
ttlMs | 判断任务句柄还能保留多久 | 是可用性后备边界,不是完成时间 |

一个实用的本地记录可以只保留 `taskId`、最近状态、最后更新时间和业务关联号。恢复时先查一次;如果已经是终态,就停止定时任务,避免“结果拿到了还在轮询”的尾巴。
把 input_required 与终态结果分开处理
`working` 只说明任务仍在处理,不能当成失败;`input_required` 则意味着服务器把继续处理所需的请求放进 `inputRequests`,客户端应展示或转交这些请求,再通过 `tasks/update` 提交对应的 `inputResponses`。这条分支不要偷偷重发原工具调用,否则可能创建第二个任务。
真正的收口点是终态:`completed` 带有原请求的 `result`,`failed` 带有协议层错误,`cancelled` 表示取消意图已被任务状态接受,但取消是协作式的,底层工作不一定在确认返回的瞬间消失。终态一旦到达,任务不再转到其他状态。
{
"method": "tasks/get",
"params": {"taskId": "task_7f2a"}
}
// 客户端分支
// working -> 按 pollIntervalMs 再查
// input_required -> 读取 inputRequests,再发 tasks/update
// completed -> 消费 result,并停止轮询
// failed/cancelled -> 记录原因或取消结果,并停止轮询

用 TTL、pollIntervalMs 和本地持久化完成恢复
断线恢复不需要猜服务器是否还记得任务,前提是客户端没有丢掉 `taskId`。重启后先读取本地任务记录,再发 `tasks/get`;返回 `completed` 就取结果,返回 `failed` 或 `cancelled` 就进入对应记录,仍为 `working` 则按照新的 `pollIntervalMs` 继续。若 `ttlMs` 已经耗尽或任务无法再查询,应把它标为“句柄失效”,由业务决定是否重新提交,而不是无条件重复调用。
这也解释了为什么 Tasks 适合长耗时工具、批处理和外部作业接口:它把“请求已接收”和“结果可取”拆开,但没有替客户端决定重试策略。生产代码至少要记录 taskId、状态变化、最后一次查询时间和终态原因;重试则要另做幂等键,不能把轮询失败直接当成业务失败。
相关问题
客户端声明支持后,服务器一定会返回 task handle 吗?
不一定。能力声明只是协商结果,服务器会按请求和工具支持情况决定返回普通结果还是任务句柄。
任务进入 input_required 时可以直接调用 tasks/result 吗?
不要把它当成常规取数路径。先读取 inputRequests,通过 tasks/update 补齐输入;只有任务进入 completed 后,result 才是可消费的最终结果。
tasks/cancel 返回成功就代表底层工作停止了吗?
不代表。取消是协作式的,服务端只确认收到取消意图,最终状态仍可能受并发完成时机影响。
核对实现时,优先看服务器是否声明 `io.modelcontextprotocol/tasks`、是否返回稳定的 `taskId`、是否提供合理的轮询间隔,以及客户端是否能在重启后恢复同一任务。官方扩展仓库提供了 2026-07-28 稳定快照,同时保留开发中的草案;接入前还要确认具体 SDK 与服务端的支持范围。
Go 1.27 func literal 符号名变短后怎么测:内联合并与指针比较风险
- 上一篇
- Go 1.27 func literal 符号名变短后怎么测:内联合并与指针比较风险
- 下一篇
- Go 1.27 httptest.NewTestServer 适合哪类测试:内存网络与 synctest 的组合边界
-
- 科技周边 · 人工智能 | 8小时前 | Gemini API · AI检索 · File Search · 多模态检索 Gemini File Search media_id page_number
- Gemini File Search 多模态检索怎么留证:media_id 与 page_numbers 的引用边界
- 377浏览 收藏
-
- 科技周边 · 人工智能 | 11小时前 | gemini · 上下文缓存 · API优化 · Gemini API 隐式缓存 total_cached_tokens
- Gemini API 隐式缓存怎么提高命中:公共前缀与 total_cached_tokens 核对法
- 398浏览 收藏
-
- 科技周边 · 人工智能 | 3天前 | 人工智能 · 大模型 · 模型工程 · 多模态 结构化抽取 GLM-5.3-Flash
- GLM-5.3-Flash 做结构化抽取时怎么留住证据链:从图文输入到字段校验
- 140浏览 收藏
-
- 科技周边 · 人工智能 | 4天前 | 人工智能 · 内容审核 · Moderations API · 安全策略 · 业务分流 · AI 文本审核 误报 拒答 Moderations API
- AI 文本审核怎么区分拒答与误报:Moderations API 结果字段和业务分流
- 218浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- SuperCLUE
- SuperCLUE是权威的中文大语言模型综合评测基准,涵盖语言理解、知识应用、AI Agent智能体及安全性等12项核心能力。通过多轮对话与客观测试,定期发布榜单与技术报告,为模型研发、优化及行业选型提供科学依据。
- 120次使用
-
- C-Eval
- 深入了解C-Eval中文评估套件,涵盖52个学科与4级难度。本文详解其功能特点、Zero-shot/Few-shot使用方法及代码示例,助您全面评测LLM中文理解与泛化能力。
- 40次使用
-
- Google AI提示词库
- 探索Google Cloud官方生成式AI提示词库,提供免费、无需登录的中英双语Prompt模板。涵盖内容创作、代码优化、数据分析等场景,助您快速提升AI交互效率与质量。
- 16次使用
-
- Gradio
- Gradio是一个用于构建机器学习和数据科学Web应用的开源Python库。支持快速创建交互界面,获Google、Meta等大厂青睐,适合模型演示、部署反馈及调试。
- 119次使用
-
- AgentGPT
- 深入了解AgentGPT:一款基于浏览器的自主人工智能代理工具。本文解析其核心功能、技术栈、应用场景,并提供详细的在线使用及本地部署教程,助您高效利用AI自动化完成任务。
- 15次使用
-
- 基于golang channel实现的轻量级异步任务分发器示例代码
- 2023-01-07 371浏览
-
- Docker MCP Toolkit 怎么切换 Profile:服务器隔离、默认配置与状态核对
- 2026-09-01 366浏览
-
- MCP 服务接入工作流:从工具清单到权限审计的 AI Agent 落地路线
- 2026-06-17 378浏览
-
- MCP 工具调用为什么返回 401 或 403:用 metadata、scope 和 audience 快速定位
- 2026-07-17 443浏览
-
- 大模型离线批量任务怎么对账:从 JSONL 提交到结果回写的分步实验
- 2026-07-18 113浏览

