🧠 图解记忆： Sampling 让 Server 借 Client 的模型思考，但模型调用与工具执行仍由 Client 和用户把关。

💡 答案要点

Sampling 是什么：

MCP Sampling（采样原语）是 MCP 协议的一个扩展机制，允许 MCP Server 请求 MCP Client 调用 LLM（而非传统的 Client 调用 Server）。这是 MCP 协议中最重要的双向能力之一。

Sampling 的核心价值：

能力	说明
Server 发起的 LLM 调用	Server 可以请求 Client 让 LLM 生成内容
Tool-enabled Sampling	Server 请求 LLM 时可以带上 Tools，LLM 可以调用工具并多轮循环
Human-in-the-Loop	所有 Sampling 必须有人工审批环节
无 API Key	Server 不需要持有 LLM API Key，所有调用通过 Client 控制

Sampling vs 传统 Tool Calling 的本质区别：

传统 Tool Calling（单向）：
Client（AI Model）→ 调用 Server 的工具
Server 是被动的，Client 是主动的

MCP Sampling（双向）：
Server → 请求 Client 调用 LLM（带工具）
Server 是主动的，Client 提供 LLM 资源

📋 详细答案

Sampling 协议流程

1. Server 请求 Sampling：

{
  "method": "sampling/createMessage",
  "params": {
    "messages": [...],
    "tools": [{"name": "get_weather", ...}],
    "systemPrompt": "你是一个有帮助的助手",
    "maxTokens": 1000
  }
}

2. Client 做 Human-in-the-Loop 审批：

Server 发送采样请求 → Client 展示 UI 给用户 → 用户审批/修改 → Client 转发给 LLM

3. LLM 处理（可能带工具调用）：

如果 LLM 选择调用工具：

{
  "stopReason": "toolUse",
  "content": [
    {"type": "tool_use", "name": "get_weather", "input": {"city": "Paris"}},
    {"type": "tool_use", "name": "get_weather", "input": {"city": "London"}}
  ]
}

4. 多轮工具循环：

Server → Client → LLM → tool_use
LLM 返回 tool_use → Server 执行工具 → Server 发送新 Sampling（带 tool_results）
→ 重复，直到 LLM 返回最终文本

完整序列图：

Server → Client: sampling/createMessage (messages + tools)
Client → User: 展示采样请求，用户审批
User → Client: 批准/修改
Client → LLM: 转发请求
LLM → Client: tool_use (weather)
Client → User: 展示工具调用，用户审批
User → Client: 批准
Client → Server: tool_use 结果
Server → Client: sampling/createMessage (history + tool_results)
Client → User: 展示继续请求
User → Client: 批准
Client → LLM: 转发 tool_results
LLM → Client: 最终文本响应
Client → User: 展示最终响应
User → Client: 批准
Client → Server: 最终响应

为什么 Sampling 让 Server 实现 Agentic 行为？

传统架构：

Agent（外部）→ MCP Server（工具）
Agent 是大脑，Server 是手
Server 被动等待 Agent 调用

Sampling 架构：

MCP Server（内置 LLM 能力）
Server 可以主动思考（通过 Sampling）
Server 可以调用工具（通过 Sampling 中的 tools）
Server 自己就是 Agent！

典型应用场景：

场景	Sampling 如何实现
智能知识库	Server 收到查询 → 通过 Sampling 让 LLM 分析 → 生成 RAG 查询 → 检索 → Sampling 总结
数据分析 Agent	Server 收到分析请求 → Sampling 让 LLM 写 SQL → 执行 → Sampling 解释结果
自动化工作流	Server 收到触发 → Sampling 让 LLM 决策 → Sampling 调用工具执行 → 循环

Human-in-the-Loop 必须性：

⚠️ MCP 规范要求：采样请求必须有人工审批环节

Why:
- Server 发起的 LLM 调用可能产生有害内容
- 没有人工监督的自动生成不符合安全要求
- 用户需要知道并控制 AI 何时被调用

实践要求：
- Client 必须展示 UI 给用户审批
- 必须允许用户修改 prompt
- 最终响应必须经过用户批准才能返回给 Server

面试话术：

"MCP Sampling 是协议中最容易被忽视但最重要的能力——它让 Server 从'工具提供方'变成'主动思考方'。传统模式下 Server 被动等待 Client 调用，但 Sampling 让 Server 可以主动请求 LLM 做决策、带工具多轮循环。关键约束是 Human-in-the-Loop：所有采样必须经过用户审批，这既保证了安全，也意味着 Server 不能自主运行。实际应用中，智能知识库可以用 Sampling 做 RAG，数据分析 Agent 可以用它来写 SQL 执行后解释结果。"

⭐ 面试加分项：

• 能画出完整的 Sampling 序列图（包括多轮工具循环）
• 理解 Tool-enabled Sampling 和普通 Sampling 的区别
• 知道 Sampling 与传统 function calling 的设计哲学差异