MCP 服务器怎样为长任务报告进度而不阻塞请求
MCP 服务器可以在原请求仍执行时发送 notifications/progress,但进度通知不会自动结束请求,也不会自动把耗时计算移出事件循环。要让服务器继续处理其他消息,需要同时做好异步调度或工作执行器隔离;要让原调用尽快返回任务句柄,则应在双方支持时采用任务增强机制。
官方地址:https://modelcontextprotocol.io/
我会先把“长任务不阻塞”拆成两件事:消息还能不能被处理,以及调用方是否仍在等最终结果。两者混在一起,最容易把“有进度条”误认为“已经后台化”。本文按 MCP 2025-11-25 规范说明协议边界,不将设计建议写成实际部署成绩。
先分清等待结果和占住调度线程
假设一个工具负责给文档集合建立索引。服务端几十秒才完成,客户端在此期间需要知道处理到哪里,还可能发出取消。若索引计算直接占住负责收发消息的线程,即使代码里写了发送通知,消息也可能要等计算结束才有机会真正发出去。
我的设计取舍是先保证消息通路能运行,再增加进度报告:网络读写适合用运行时支持的异步接口;CPU 密集计算应交给合适的线程池、进程池或外部工作服务。具体选哪种取决于语言运行时和 SDK,不能只给函数加一个 async 就假定计算已经并行。
普通工具调用的最终响应依然需要等结果。进度只是期间的可选反馈,不是工具结果的分段替代,也不承诺客户端一定把它显示成进度条。
进度属于哪个请求
客户端在请求的 params._meta.progressToken 中提供令牌,服务端才有这个请求对应的进度关联。令牌可为字符串或整数,活动请求间应保持唯一。JSON-RPC 的 id 与 progressToken 用途不同:前者关联最终响应,后者关联通知。
{
"jsonrpc": "2.0",
"id": 42,
"method": "tools/call",
"params": {
"name": "index_documents",
"arguments": {"collection": "handbook"},
"_meta": {"progressToken": "index-handbook-a"}
}
}
这是原创协议示例,不是抓包记录。collection 是工具自行定义的参数;progressToken 则由请求元数据提供。服务端报告已处理数量时,可以发出下面这样的通知:
{
"jsonrpc": "2.0",
"method": "notifications/progress",
"params": {
"progressToken": "index-handbook-a",
"progress": 24,
"total": 80,
"message": "已处理24份文档"
}
}
这里 progress 与 total 使用同一种计量单位,分别表示处理数量和预计总数。总量不明确时省略 total,不要捏造百分比。每次通知的 progress 必须递增;消息文字改变而数值不变,不应被包装成另一条同进度通知。没有令牌时,不要临时造一个令牌期望客户端识别。

计算不能堵住消息处理
我会给每次操作建立执行上下文,并放入任务注册表,保存原请求 ID、进度令牌、取消句柄和执行状态。这里的任务注册表是服务器内部组件,并不表示已经启用了 MCP Tasks。消息调度通过注册表找到对应工作,工作执行器负责计算并形成结果对象。
工作执行器把报告交给进度队列,通知发送器再按 SDK 允许的方式发送。不要在任意工作线程中直接调用有线程亲和要求的会话对象。单个共享变量也不够:多个工作并行时,必须保证上下文不会交叉复用,把甲请求的进度发给乙请求。
队列应有容量限制和合并策略。高频进度通常只需要保留最新计数,而不是让每个文件都积压一条通知。终态和错误需要单独处理,不能因为合并进度而丢失真正的结果。通知频率是工程取舍,应根据传输能力和客户端体验决定,不能以狂发通知代替有效工作。

正常完成时,服务端返回原工具调用的结果,并注销进度关联、清理临时资源。普通请求完成后继续发送旧令牌通知,会让客户端无法判断它还属于哪个活跃操作。把计数写到 total,也不能代替最终结果响应。
取消要传到底层工作
普通在途请求使用 notifications/cancelled,其中 requestId 指向原请求 ID,而不是 progressToken。我的处理原则是把取消句柄传给工作执行器及可取消的下游调用,停止接收新工作片段,释放资源,并按照 SDK 对取消的约定收尾。
协议建议接收方停止处理并不再为被取消请求发送响应;但取消可能晚到,底层操作也可能已经完成或无法取消。因此不能把收到通知理解为写入已回滚。业务上已产生副作用时,需要独立定义幂等和补偿策略。客户端也要容忍取消与结果到达的竞争,不能让晚到消息把界面从已取消重新改成成功。
什么时候改用 Tasks
如果调用方不能一直等待,或者操作需要独立的可查询生命周期,我更倾向于评估 Tasks。2025-11-25 规范中的 Tasks 是实验性能力,需要先确认双方能力以及具体工具的任务支持声明,不能假定所有 MCP 客户端都能使用。
任务增强调用被接受后,先返回包含 taskId 的创建结果;状态通过 tasks/get 查询,最终工具结果通过 tasks/result 获取。要注意 tasks/result 在任务尚未到终态时仍可能阻塞,所以“立即创建任务”不等于所有相关接口都立即返回。
Tasks 的取消使用 tasks/cancel。原请求提供的 progressToken 可以在任务生命周期中继续关联进度,直到完成、失败或取消等终态才停止;这与普通请求响应结束后停止进度的边界不同。taskId、请求 ID、progressToken 应分别保存,避免混用。
| 需求 | 主要机制 |
|---|---|
| 等待期间展示处理数量 | progressToken 与进度通知 |
| 服务器继续处理消息 | 异步 I/O、执行器隔离及有界队列 |
| 结束普通在途请求 | 请求取消通知与底层取消句柄 |
| 先返回可查询任务身份 | 协商支持后的 Tasks |
上线后应该看什么
我会将活动操作数、进度队列积压、最后一次进度时间和终态后的残留上下文作为运行信号。这些指标用于发现消息堵塞和资源泄漏,不是本文提供的性能实测。客户端没显示进度时,应先确认是否提供令牌、是否接收通知、是否有展示支持,再排查服务端是否被计算占住。
没有通知并不必然意味着协议错误,因为进度报告是可选的;有通知也不证明后台任务可靠。对仍在请求生命周期内、耗时可控的工作,普通请求加异步执行和进度通常更简单。只有确实需要任务身份和独立生命周期,并确认兼容能力时,我才会增加任务状态存储与恢复机制。
OpenAI Responses API function_call_output 怎样关联 call_id
- 上一篇
- OpenAI Responses API function_call_output 怎样关联 call_id
- 下一篇
- MCP 客户端怎样处理工具列表变化而不缓存旧 schema
-
- 科技周边 · 人工智能 | 9分钟前 |
- Transformers DataCollatorWithPadding 怎样按 batch 动态补齐
- 351浏览 收藏
-
- 科技周边 · 人工智能 | 11分钟前 | 缓存 · 人工智能 · mcp · 工具调用 · MCP JSON Schema tools/list tools/list_changed tools/call AI 工具调用
- MCP 客户端怎样处理工具列表变化而不缓存旧 schema
- 320浏览 收藏
-
- 科技周边 · 人工智能 | 16分钟前 | OpenAI OUTPUT 结构化输出 Responses API output_text
- OpenAI Responses API output_text 与 output 结构如何选择
- 212浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 |
- AI 评测集按样本标签拆分结果的统计方案
- 324浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 人工智能 · vLLM JSON Schema Structured Outputs response_format guided_json
- vLLM structured outputs 约束 JSON 响应字段的实现方法
- 346浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 并发控制 · 人工智能 · 超时 Queue gradio concurrency_limit
- Gradio queue 控制并发请求与超时的配置方式
- 139浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 |
- 向量检索用余弦距离与内积的参数对齐方案
- 459浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | dtype safetensors 权重元数据 JSON头部 shape
- Safetensors 只读取权重元数据的操作方法
- 318浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 | 批量推理 Sentence Transformers 向量编码 归一化向量
- Sentence Transformers 批量编码并归一化向量的实现
- 323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
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1018次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1020次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1155次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1121次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 962次使用
-
- 量化模型本地推理的显存估算方法
- 2026-10-17 501浏览
-
- 本地大模型反复输出同一句话怎么调整生成参数
- 2026-09-06 501浏览
-
- Python 调用大模型时如何用结构化输出校验 JSON:从解析失败到可重试
- 2026-08-29 501浏览
-
- AI写作工具免费版安装教程(含豆包Clawdbot)
- 2026-05-30 501浏览
-
- WPS AI能自动生成PPT吗?输入主题一键制作演示文稿
- 2026-05-27 501浏览

