MCP 客户端怎样处理工具列表变化而不缓存旧 schema
MCP 客户端如果把首次 tools/list 的结果永久放在内存里,服务端新增、删除或修改工具后,模型仍可能看到旧的 inputSchema,最终把已经不接受的参数交给 tools/call。正确的做法是把工具列表视为可失效目录:首次连接完整拉取并保存快照,收到 notifications/tools/list_changed 后重新拉取,再用新的完整快照替换旧目录。
官方资料入口:https://modelcontextprotocol.io/specification/2026-07-28/server/tools
通知本身不携带新的 schema;它只是“缓存可能过期”的信号。客户端还要处理分页、缓存提示、刷新并发和调用前校验,才能避免刷新过程中的旧数据穿透到模型上下文或工具调用链。
先分清三个对象:目录、快照和模型上下文
排查“工具已经改了但客户端还在用旧参数”时,先不要只看工具名。一个可靠的客户端至少要区分三层状态:
| 对象 | 保存内容 | 失效依据 |
|---|---|---|
| 工具目录 | 一次或多页 tools/list 的完整结果 | list_changed、TTL 到期、连接或权限上下文改变 |
| schema 快照 | 工具名、描述、inputSchema、可选 outputSchema 与目录代次 | 完整刷新成功后整体替换 |
| 模型上下文 | 传给模型选择工具的当前定义 | 不能直接沿用旧快照,必须跟随目录代次重建 |
这里的关键不是给每个工具挂一个永久缓存,而是让“当前快照”拥有明确的代次。只更新某个工具而保留旧的分页结果,容易把删除的工具、旧参数和新参数混在一起。

完整拉取 tools/list,最后一页才替换快照
tools/list 支持用 cursor 分页。客户端应先把所有页面收集到临时数组,只有确认 nextCursor 为空时,才将临时结果发布成新快照。否则刷新到一半就替换,会让模型看到不完整的工具集合。
2026-07-28 规范还允许列表结果携带 ttlMs 和 cacheScope。它们可以帮助客户端决定缓存多久、是否跨授权上下文共享,但不能替代变更通知:收到失效通知后应立即把条目标记为 stale,下一次刷新绕过旧快照。
type Tool = {
name: string;
description?: string;
inputSchema: Record;
outputSchema?: Record;
};
type ToolPage = { tools: Tool[]; nextCursor?: string; ttlMs?: number; cacheScope?: string };
async function loadToolSnapshot(requestPage: (cursor?: string) => Promise) {
const collected: Tool[] = [];
let cursor: string | undefined;
let cacheHint: Pick = {};
do {
// 每页只加入临时集合,避免半套目录提前暴露给模型。
const page = await requestPage(cursor);
collected.push(...page.tools);
cacheHint = { ttlMs: page.ttlMs, cacheScope: page.cacheScope };
cursor = page.nextCursor;
} while (cursor);
// 只有完整分页结束,调用方才应发布新的不可变快照。
return { tools: collected, cacheHint, loadedAt: Date.now() };
}
这段代码是客户端适配层的最小骨架。生产实现还应限制最大页数、记录最后一个 cursor,并在分页请求失败时保留上一份可用快照,而不是把半成品当成新目录。
把 list_changed 当成失效信号,而不是新 schema
服务端声明 tools.listChanged 能力后,工具增加、删除或元数据变化可以通过 notifications/tools/list_changed 通知客户端。通知没有新的工具数组,也没有新的 inputSchema,所以处理器只应做两件事:标记当前目录过期,提交一次可合并的刷新任务。
连续通知很常见,例如服务端先注册工具、再更新描述、最后启用工具。每个通知都启动一个刷新请求,会造成旧请求晚返回并覆盖新结果。可以用单飞锁或刷新代次解决:刷新开始时记下代次,发布结果前确认它仍是当前代次;旧请求即使成功,也只能丢弃。
let catalogGeneration = 0; let refreshTask: Promise| undefined; let currentTools: Tool[] = []; function onToolListChanged() { // 通知只说明旧目录可能失效,不把通知内容当成工具定义。 catalogGeneration += 1; refreshTask ??= refreshCatalog(catalogGeneration).finally(() => { refreshTask = undefined; }); return refreshTask; } async function refreshCatalog(startGeneration: number) { const snapshot = await loadToolSnapshot(requestPage); // 老刷新请求不能覆盖已经更新过的目录。 if (startGeneration !== catalogGeneration) return; currentTools = snapshot.tools; rebuildModelToolContext(currentTools, catalogGeneration); }
如果通知发生在刷新进行中,不要简单地忽略它。可以让刷新任务结束后再次检查 dirty 标记,或者让生成代次与当前代次不一致时自动补刷一次。目标是最终收敛到最后一次完整目录,而不是追求每个通知都对应一个独立请求。

tools/call 前再做一次 schema 代次校验
只刷新模型上下文还不够。真实系统里可能存在并发请求、消息队列延迟或多个 MCP server,某个调用任务拿到的工具定义可能已经不是当前版本。调用前至少检查工具是否存在、引用的目录代次是否仍然有效,以及参数是否通过当前 inputSchema 的本地校验。
async function callWithFreshSchema(
toolName: string,
args: unknown,
expectedGeneration: number,
) {
const tool = currentTools.find(item => item.name === toolName);
if (!tool) throw new Error(`工具不存在或已被移除:${toolName}`);
// 代次变化后先刷新,禁止旧模型上下文直接发出调用。
if (expectedGeneration !== catalogGeneration) {
await onToolListChanged();
throw new Error("工具目录已更新,请用新 schema 重新生成参数");
}
// 生产代码应接入 JSON Schema 校验器;这里保留失败边界。
validateJsonSchema(tool.inputSchema, args);
return mcpCall("tools/call", { name: tool.name, arguments: args });
}
服务端仍然必须做最终校验,客户端校验只是减少明显的旧 schema 调用和更容易理解的错误。不要把服务端返回的“未知参数”当成刷新成功的证据;它可能来自权限差异、工具实现自身的版本或参数业务规则。
调试时按证据区分四类问题
- 通知没到:检查服务端是否声明
tools.listChanged,以及当前协议/传输是否需要客户端主动订阅变化流。 - 刷新没完成:查看分页 cursor 是否收敛、最大页数是否触发、请求超时后是否错误地清空了旧快照。
- 快照被覆盖:给刷新任务记录 generation、开始时间和发布结果,确认较早请求没有晚到覆盖较新目录。
- 权限视图不同:工具列表可能随请求携带的授权而不同,缓存键不能只用 server 地址,还要包含授权上下文或安全的分区标识。
建议日志至少包含 serverIdentity、授权分区、目录 generation、工具数量、工具名集合摘要、刷新原因、nextCursor 次数和 schema 指纹。日志里不要记录完整密钥、用户隐私或工具参数中的敏感值。
一份可以落地的检查清单
- 首次连接是否完成了
tools/list的全部分页? - 是否把通知理解为“重新拉取”的信号,而不是直接当成新目录?
- 刷新是否先写临时快照,分页结束后再一次性发布?
- 连续通知是否会合并,旧刷新结果是否不能覆盖新代次?
- 模型上下文、调用任务和本地 schema 校验是否共享同一目录代次?
- 缓存是否按 server 身份与授权上下文隔离,并尊重
ttlMs和cacheScope? - 服务端参数错误、权限差异、刷新失败和通知缺失是否有不同日志?
只要把“工具列表”当成带代次的可失效目录,MCP 客户端就能把动态工具变化变成可控的刷新问题:通知负责让缓存失效,tools/list 负责提供新事实,调用前校验负责挡住并发期间残留的旧 schema。
相关问题
list_changed 通知里会直接带新工具列表吗?
不会。它只表示工具列表发生变化,客户端需要再次请求 tools/list 才能获得当前内容。
收到通知后能不能只刷新变化的一个工具?
除非你的服务端另有可靠的增量协议,否则不建议。标准的安全基线是重新获取完整目录并原子替换快照。
客户端校验通过就可以不校验服务端吗?
不可以。客户端缓存可能过期,授权上下文也可能不同,服务端必须把客户端输入视为不可信并执行最终校验。
MCP 服务器怎样为长任务报告进度而不阻塞请求
- 上一篇
- MCP 服务器怎样为长任务报告进度而不阻塞请求
- 下一篇
- datasets IterableDataset 怎样跳过不支持的随机索引
-
- 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 | 13分钟前 | MCP Tasks 进度通知 progressToken
- MCP 服务器怎样为长任务报告进度而不阻塞请求
- 414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
-
- 接口返回的数据和数据库不一致怎么办?按数据生命周期排查
- 2026-06-27 398浏览
-
- 关于golangtest缓存问题
- 2023-01-01 298浏览
-
- Go语言基于HTTP的内存缓存服务的实现
- 2022-12-24 388浏览
-
- 使用Go实现健壮的内存型缓存的方法
- 2022-12-29 420浏览
-
- Go singleflight 怎么合并同一请求:缓存失效时别让 500 个请求一起回源
- 2026-07-17 109浏览

