我是编程乐趣，一个10年.Net开发经验老程序员，点击右上方“关注”，每天为你分享开源项目和编程知识。私信回复：888，领取.Net学习资料！
前面的课程，我们已经用C#实现了，自己的MCP Client。
下面我们一起来实现，MCP Client与LLM 对接。
一、添加依赖库目前来说，绝大部分的大模型的API，都是遵循OpenAI的接口规范。
Microsoft.Extensions.AI 是微软官方提供的一套 统一的 AI 抽象层 ，大大简化 AI 模型在 .NET 应用中的集成。
添加依赖库：Microsoft.Extensions.AI.OpenAI，版本为：最新预发行版 9.4.4-preview.1.25259.16，添加的时候记得勾选：包括预发行版。
添加依赖库：Microsoft.Extensions.AI，版本为：9.4.4-preview.1.25259.16。
二、OpenAI 客户端实现新增文件：ChatAIClient
2.1 初始化OpenAI客户端初始化OpenAI客户端，并使用UseFunctionInvocation 来增强客户端， 这里启用函数调用。
备注：以下代码涉及的秘钥，记得替换为自己的。
using Microsoft.Extensions.AI;using OpenAI;using System.ClientModel;namespace MCPClient{ /// <summary> /// 表示一个用于与 AI 聊天模型交互的客户端封装类。 /// 负责初始化聊天客户端并维护对话上下文。 /// </summary> public class ChatAIClient { /// <summary> /// 封装后的 AI 聊天客户端接口，支持函数调用等功能。 /// </summary> private IChatClient ChatClient; /// <summary> /// 存储当前会话中的所有聊天消息记录。 /// </summary> private IList<ChatMessage> Messages; /// <summary> /// API 访问密钥，用于身份认证。【记得替换为自己的】 /// </summary> private const string _apiKey = "6092598c-ce00-48fd-a5be-0d758088c888"; /// <summary> /// AI 服务的基础请求地址。【记得替换为自己的】 /// </summary> private const string _baseURL = "https://api-inference.modelscope.cn/v1/"; /// <summary> /// 使用的 AI 模型标识符。【记得替换为自己的】 /// </summary> private const string _modelID = "Qwen/Qwen2.5-72B-Instruct"; /// <summary> /// 初始化一个新的 <see cref="ChatAIClient"/> 实例。 /// 构造函数中自动完成聊天客户端的初始化配置。 /// </summary> public ChatAIClient() { InitIChatClient(); } /// <summary> /// 初始化内部使用的 AI 聊天客户端实例。 /// 配置 API 凭证、服务端点，并构建具备函数调用能力的客户端。 /// 同时初始化系统消息作为对话起点。 /// </summary> private void InitIChatClient() { // 创建 API 密钥凭证 ApiKeyCredential apiKeyCredential = new ApiKeyCredential(_apiKey); // 设置 OpenAI 客户端选项，如自定义服务端点 OpenAIClientOptions openAIClientOptions = new OpenAIClientOptions(); openAIClientOptions.Endpoint = new Uri(_baseURL); // 创建 OpenAI 客户端并获取指定模型的聊天接口 var openaiClient = new OpenAIClient(apiKeyCredential, openAIClientOptions) .GetChatClient(_modelID) .AsIChatClient(); // 构建增强功能的聊天客户端（例如启用函数调用） ChatClient = new ChatClientBuilder(openaiClient) .UseFunctionInvocation() .Build(); // 初始化对话历史，包含一条系统提示信息 Messages = [ // 添加系统角色消息 new(ChatRole.System, "您是一位乐于助人的助手，帮助我们测试MCP服务器功能，优先使用中文回答！"), ]; } }}2.2 处理用户的自然语言查询在ChatAIClient文件，添加如下代码，实现与 AI 模型交互，并传入 MCP 工具。
/// <summary>/// 异步处理用户的自然语言查询，并与 AI 模型进行交互，支持 MCP 工具调用。/// </summary>/// <param name="query">用户的自然语言查询内容</param>/// <param name="tools">可用的 MCP 工具列表，用于扩展 AI 的外部能力</param>/// <returns>AI 返回的最终文本响应结果</returns>public async Task<string> ProcessQueryAsync(string query, IList<McpClientTool> tools){ // 如果消息历史为空，则初始化系统提示消息 if (Messages.Count == 0) { Messages = [ new(ChatRole.System, "您是一位乐于助人的助手，帮助我们测试MCP服务器功能，优先使用中文回答！") ]; } // 添加用户输入的消息到对话历史 Messages.Add(new(ChatRole.User, query)); // 设置请求选项，注入可用工具 var options = new ChatOptions { Tools = [.. tools] }; // 调用 AI 客户端获取响应 var response = await ChatClient.GetResponseAsync(Messages, options); // 将 AI 响应加入对话历史 Messages.AddMessages(response); // 输出调用的工具信息 OutputToolUsageInfo(response); // 返回模型生成的文本响应 return response.Text;}2.3 MCP 工具使用情况日志在ChatAIClient文件，添加如下代码，输出 AI 调用MCP 工具的情况。
/// <summary> /// 辅助方法：输出 AI 在响应中调用的工具信息到控制台。 /// </summary> /// <param name="response">来自 AI 的完整响应对象</param> private void OutputToolUsageInfo(ChatResponse response) { // 获取所有 Tool 角色的消息 var toolUseMessages = response.Messages.Where(m => m.Role == ChatRole.Tool).ToList(); // 判断是否调用了工具 // 获取响应中所有角色为 Tool 的消息（即 AI 调用了哪些工具） var toolUseMessage = response.Messages.Where(m => m.Role == ChatRole.Tool); // 判断第一条消息的内容是否多于一个（通常第一个消息是用户问题，第二个是调用函数） if (response.Messages[0].Contents.Count > 1) { // 尝试从第一条消息的第二个内容项提取出函数调用信息 var functionCall = (FunctionCallContent)response.Messages[0].Contents[1]; // 设置控制台输出颜色为绿色，用于突出显示工具调用信息 Console.ForegroundColor = ConsoleColor.Green; string arguments = ""; // 如果函数调用包含参数，则拼接参数信息 if (functionCall.Arguments != null) { foreach (var arg in functionCall.Arguments) { arguments += $"{arg.Key}:{arg.Value};"; } // 输出调用的方法名及参数信息 Console.WriteLine($"调用方法名:{functionCall.Name};参数信息：{arguments}"); // 遍历所有 Tool 消息，输出每个工具调用的结果 foreach (var message in toolUseMessage) { // 提取工具调用后的执行结果 var functionResultContent = (FunctionResultContent)message.Contents[0]; Console.WriteLine($"调用工具结果：{functionResultContent.Result}"); } // 恢复控制台默认颜色（白色） Console.ForegroundColor = ConsoleColor.White; } else { // 如果没有参数 Console.WriteLine("工具参数为空"); } } else { Console.ForegroundColor = ConsoleColor.Green; Console.WriteLine("本次没有调用工具"); Console.ForegroundColor = ConsoleColor.White; } }}三、为LLM添加工具能力在前面课程基础之上，在Program.cs添加代码。
代码说明：为LLM添加工具能力，并处理客户提交的内容。
// 创建聊天客户端实例ChatAIClient chatAIClient = new ChatAIClient();// 进入主循环，持续接收用户输入直到输入 "exit"while (true){ try { // 设置控制台文字颜色为黄色，提示用户输入问题 Console.ForegroundColor = ConsoleColor.Yellow; Console.Write("\n提问: "); // 读取用户输入并去除前后空格，若为空则赋默认空字符串 string query = Console.ReadLine()?.Trim() ?? string.Empty; // 判断用户是否输入 "exit" 以退出程序 if (query.ToLower() == "exit") { break; } // 调用异步方法处理用户查询，并传入预定义的工具列表（listToolsResult） string response = await chatAIClient.ProcessQueryAsync(query, listToolsResult); // 设置输出颜色为黄色，显示 AI 的响应内容 Console.ForegroundColor = ConsoleColor.Yellow; Console.WriteLine($"AI：{response}"); // 恢复控制台默认颜色（白色） Console.ForegroundColor = ConsoleColor.White; } catch (Exception ex) { // 捕获所有异常并输出错误信息，防止程序崩溃 Console.WriteLine($"\nError: {ex.Message}"); }}四、测试效果启动项目，并输入以下内容：
抓取 https://blog.csdn.net/daremeself/article/details/147166987 的内容，并markdown格式输出调用MCP Server的工具的情况日志。
AI响应的结果：
好了，今天就分享到这边！
下一个课程：实现自己的MCP Server。
文中示例代码：https://pan.quark.cn/s/b5b8853200f9
- End -