xrlfreedom头像

MCP 面试高频考点:如何控制 Resources 返回体积、降低上下文消耗?

MCP 面试高频考点:如何控制 Resources 返回体积、降低上下文消耗?

面试场景

某企业知识库问答应用基于 MCP 构建:Host 是一个对话式 AI 应用,MCP Server 通过 Resources 暴露文档、数据库表结构、应用配置等上下文,底层消息走 JSON-RPC。上线后团队发现:一旦用户提问涉及"整份制度文档"或"某张表结构",Server 会把大段内容一次性返回,Host 再整块塞进模型上下文,导致上下文被稀释、成本上升,模型还容易忽略真正相关的片段。

面试官围绕这个真实问题展开,从基础概念一路追问到方案设计、异常处理与可观测性。


第一轮:基础概念与职责边界

面试官:先说说你会怎么定位这个问题。MCP 里 Resources、Tools 各管什么,为什么这里应该用 Resources 而不是 Tool?

候选人:结论是——这是"上下文供给"问题,不是"操作"问题,所以主体应该是 Resources。

MCP 采用客户端—服务端架构,Host 中的 MCP Client 与 Server 建立会话,Server 暴露 Tools、Resources、Prompts 三类能力,通信消息使用 JSON-RPC [资料1]。Tools 是模型可发起的操作,适合有副作用或需要模型决策何时执行的动作;Resources 向应用提供可读取的上下文,通常由 URI 标识 [资料1]。Resources 在设计上是应用驱动的,由 Host 决定如何把上下文纳入对话 [资料2]。

所以"给模型补充背景资料"天然属于 Resources;如果强行做成 Tool,会让模型每次都要判断"要不要调",还会引入不必要的副作用语义。控制返回体积,主要靠 URI 粒度设计 + Host 侧的选择与截断策略。

面试官:那 URI 怎么设计?

候选人:结论是"一个 URI 对应一个可独立消费的语义单元",而不是"一个 URI 对应一整个库"。

比如别只给 kb://policies/all,而是按文档、章节甚至片段划分,让 Host 能按需取。Resources 的唯一标识就是 URI [资料2],所以 URI 设计直接决定了 Host 能选多细的粒度——这是控制体积的第一道闸门。


第二轮追问:Resources 与 JSON-RPC 的真实协作

面试官:Host 读完一个 Resource 之后,发现内容还是太大,你怎么办?两者怎么配合?

候选人:结论是——把"取内容"和"取多少"分开,用 JSON-RPC 的错误语义和分页语义来兜底。

Resources 的内容通过 JSON-RPC 请求/响应传递,所以体积控制要在协议层落地:

  1. 按需分段:URI 带上片段或页标识,Host 只请求当前需要的那一段,而不是整份文档。
  2. 服务端上限保护:Server 对单个 Resource 的返回体积设上限,超限时不返回半截内容,而是返回明确的错误或"需要分段"的提示,避免 Host 拿到被静默截断的脏数据。
  3. 分页:列表类资源(如资源目录)应支持分页,客户端需要处理大列表的分页 [资料3]。

这样 JSON-RPC 层只负责"传输和错误表达",体积策略在 URI 粒度和服务端约束里完成,职责不混。

面试官:如果出现异常呢?比如用户请求的片段不存在、或者内容超限?

候选人:用标准 JSON-RPC 错误码,别自定义含糊的字符串。

参考资料明确:无效参数用 -32602(Invalid params),内部错误用 -32603(Internal error)[资料3]。片段不存在、参数不合法归到 -32602;服务端读取失败、索引异常归到 -32603。Host 侧据此区分"用户/调用方问题"和"服务端问题",前者可提示用户调整,后者可重试或降级。同时服务端应在处理前校验参数 [资料3],不要等读到一半才发现 URI 非法。


第三轮追问:安全与不可信输入

面试官:Resources 的 URI 是模型或用户可能拼出来的,这里有什么安全坑?

候选人:结论是——URI 是外部输入,必须当不可信数据处理。

Server 必须把模型传入的文本视为不可信输入,对文件路径、URL、资源标识符进行约束 [资料1]。具体到 URI:要限制可访问的资源命名空间,防止 ../ 之类的路径穿越或越权读取;每次请求都要做授权检查,而不是只判断"用户已登录" [资料1]。远程部署时还要考虑认证、授权、会话管理、限流和超时 [资料1]。凭据不能出现在资源返回值或模型上下文里 [资料1]。

面试官:那 Host 侧呢?它把 Resource 内容塞进上下文之前要注意什么?

候选人:Resource 内容是不可信数据**——文档里的指令不应覆盖系统规则 [资料1]。所以 Host 不能因为内容来自自家 Server 就默认可信,仍要按数据处理,并在拼接时保留来源信息,方便引用和排错 [资料1]。


第四轮:方案设计与取舍

面试官:给个可落地的方案骨架。

候选人(伪代码,版本无关,不绑定具体 SDK 方法):

Server 侧:
  list_resources(分页游标) -> 资源目录(URI + 名称 + MIME 类型)
  read_resource(uri):
    校验 uri 是否在允许命名空间内
    鉴权
    按 uri 定位语义单元(文档/章节/片段)
    若单元体积超过服务端上限 -> 返回 -32602 并提示需分段
    返回 {uri, mimeType, text}   // 文本或 base64 blob

Host 侧:
  1. 先取资源目录(分页遍历)
  2. 依据问题选择最相关的少数 URI(而非全量)
  3. 对选中的内容做预算控制:超预算则只保留与问题相关的片段
  4. 拼接时附带 uri 作为来源

需要说明:参考资料未给出这套流程的具体 SDK 调用,因此这里只描述接口职责,不写具体类名或方法名。若使用 MCP Python SDK,其定位是让开发者专注业务函数、由 SDK 处理协议与校验 [资料4],但具体 API 应以所用版本文档为准。

面试官:取舍在哪?

候选人:三个关键取舍。

  • 粒度 vs 请求次数:URI 越细,单次体积越小,但 Host 请求次数变多,JSON-RPC 往返开销上升。要按业务 SLA 和实际压测确定粒度,而不是拍一个固定值。
  • 服务端截断 vs 报错:静默截断省事但会误导模型;明确报错更安全,但要求 Host 有分段逻辑。我倾向后者。
  • 预取 vs 按需:Host 调用模型前主动取资源更可预测,让模型决定检索更灵活但要控次数和权限 [资料1]。这个场景建议 Host 主导选择。

面试官:容易踩的坑?

候选人:把调试日志写到标准输出**。stdio 传输下 Server 的标准输出专用于协议消息,日志必须走标准错误,否则会破坏通信 [资料1]。体积控制方案里如果加了"打印返回大小"之类的日志,写到 stdout 就会直接搞坏 JSON-RPC 流——这是很隐蔽的坑。

另外,Prompts 里也可以嵌入资源内容(type: "resource",带 uri、MIME 类型和文本或 base64 blob)[资料3],如果模板里嵌了大资源,同样会撑大上下文,需要一并纳入体积预算。


面试官点评

考察点:能否根据语义正确划分 Tools/Resources;是否理解 Resources 的应用驱动特性和 URI 标识;能否把 JSON-RPC 的错误码、分页与体积控制结合;是否具备安全边界和异常处理意识。

合格回答:说清 Resources 用于提供上下文、由 Host 决定纳入方式 [资料2],用 URI 粒度做第一层控制,异常走 -32602/-32603 [资料3],URI 当不可信输入校验 [资料1]。

加分项:主动指出 stdio 下日志走 stderr [资料1];提到 Prompts 嵌入资源也会放大上下文 [资料3];对粒度、截断策略给出明确取舍并说明数值应由 SLA 与压测决定;区分 Host 主导检索与模型主导检索的适用差异 [资料1]。


总结

控制 MCP 返回体积的核心不是"在传输层砍字节",而是三层协作:URI 设计决定可选的粒度(Resources 语义 + 应用驱动 [资料2]),JSON-RPC 承担传输、分页与标准错误表达 [资料3],Host 负责选择、预算与来源标注。安全上把 URI 和资源内容都视为不可信输入 [资料1],工程上守住 stdio 日志走 stderr 这条底线 [资料1]。具体上限、超时、重试次数等参数没有通用答案,应结合业务 SLA、风险等级与压测结果确定。


参考资料

  • MCP 基础知识
  • Resources — https://modelcontextprotocol.io/specification/2026-07-28/server/resources
  • Prompts — https://modelcontextprotocol.io/specification/2026-07-28/server/prompts
  • MCP Python SDK — https://github.com/modelcontextprotocol/python-sdk

转载自 CSDN-专业IT技术社区

原文链接:https://blog.csdn.net/a3258264204/article/details/171055589

文章来源转载

评论

评论列表

微信小程序
QQ小程序

关于作者

点赞数:0
关注数:0
粉丝:0
文章:0
关注标签:0
加入于:--