教程文档人工智能【免费下载链接】mcp-for-beginnersThis open-source curriculum introduces the fundamentals of Model Context Protocol (MCP) through real-world, cross-language examples in .NET, Java, TypeScript, JavaScript, Rust and Python. Designed for developers, it focuses on practical techniques for building modular, scalable, and secure AI workflows from session setup to service orchestration.项目地址https://gitcode.com/GitHub_Trending/mc/mcp-for-beginners点击查看免费下载本篇指南以 mcp-for-beginners 课程中「创建一个带 LLM 的客户端Creating a client with LLM」的 .NET 解决方案为主体讲解如何让客户端不再硬编码调用 MCP Server 的工具而是通过自然语言让 LLM 自主决策、动态调用 MCP 工具。读完本文你将掌握 .NET 下ModelContextProtocolSDK OpenAI SDK 的完整接入流程建立 stdio 连接、列出服务器能力、把 MCP 工具 schema 转换为 LLM 认识的工具定义并在对话循环中执行模型发起的工具调用最终拿到类似Sum 6的结果。课程背景与整体思路在之前的课程中我们已经分别创建过 MCP Server 和 MCP Client。但那种客户端是显式的调用方必须知道服务器上有哪些工具、资源、提示词并一条条手动调用。这并不符合当下 Agentic 时代用户的使用习惯——用户希望用自然语言对话而不关心能力背后是否由 MCP 承载。解决方案就是给客户端加一个 LLM。整体交互流程见 课程主文档分四步与 MCP Server 建立连接列出服务器的能力工具、资源、提示词并把 schema 保存下来接入 LLM把保存的能力与 schema 转换成 LLM 能理解的形式传给它处理用户提示词连同客户端列出的工具一起交给 LLM由 LLM 决定调用哪些工具、传什么参数。本指南聚焦其中.NETC#的完整实现源码位于 03-llm-client/solution/dotnet核心文件为 Program.cs。前置准备部署模型并配置环境变量运行示例前需要一个可用的 OpenAI 兼容模型服务。课程文档要求部署一个活动模型例如gpt-5.1并配置以下三个环境变量# zsh/bash export AZURE_OPENAI_ENDPOINThttps://resource-name.openai.azure.com export AZURE_OPENAI_API_KEYapi-key export AZURE_OPENAI_DEPLOYMENTgpt-5.1# PowerShell $env:AZURE_OPENAI_ENDPOINT https://resource-name.openai.azure.com $env:AZURE_OPENAI_API_KEY api-key $env:AZURE_OPENAI_DEPLOYMENT gpt-5.1其中AZURE_OPENAI_DEPLOYMENT是部署名用于 API 调用可能与底层模型名不同。从 Program.cs 的源码可以看到它的读取逻辑var endpoint Environment.GetEnvironmentVariable(AZURE_OPENAI_ENDPOINT); var apiKey Environment.GetEnvironmentVariable(AZURE_OPENAI_API_KEY); var deployment Environment.GetEnvironmentVariable(AZURE_OPENAI_DEPLOYMENT) ?? gpt-5.1; if (string.IsNullOrWhiteSpace(endpoint) || string.IsNullOrWhiteSpace(apiKey)) { Console.WriteLine(Please set AZURE_OPENAI_ENDPOINT and AZURE_OPENAI_API_KEY.); return; }即AZURE_OPENAI_DEPLOYMENT缺省回退到gpt-5.1而AZURE_OPENAI_ENDPOINT与AZURE_OPENAI_API_KEY缺失时会直接提示并退出。另外解决方案 README 还提示若在 GitHub Codespaces 中运行则无需本地令牌若在本地运行需要为GITHUB_TOKEN配置个人访问令牌PAT# zsh/bash export GITHUB_TOKEN{{YOUR_GITHUB_PAT}}# PowerShell $env:GITHUB_TOKEN {{YOUR_GITHUB_PAT}}安装依赖库示例是一个控制台应用先还原 NuGet 包dotnet restore翻译版文档列出的库名为 Azure AI Inference、Azure Identity、Microsoft.Extension、Model.Hosting、ModelContextProtocol而以当前仓库实际为准dotnet.csproj 声明的包引用如下ItemGroup PackageReference IncludeMicrosoft.Extensions.Hosting Version9.*-* / PackageReference IncludeModelContextProtocol Version0.*-* / PackageReference IncludeOpenAI Version2.10.0 / /ItemGroup工程目标框架为net9.0启用了ImplicitUsings与Nullable。三个包各司其职ModelContextProtocol提供McpClient、StdioClientTransport以及TextContentBlock等 MCP 客户端类型OpenAI2.10.0提供ChatClient、ChatTool、ChatCompletionOptions等用于与模型服务对话Microsoft.Extensions.Hosting宿主框架支持该示例主要使用它支撑依赖与日志等基础设施。运行示例与预期输出依赖还原完成后直接运行dotnet run文档给出的预期输出如下Setting up stdio transport Listing tools Connected to server with tools: Add Tool description: Adds two numbers Tool parameters: {title:Add,description:Adds two numbers,type:object,properties:{a:{type:integer},b:{type:integer}},required:[a,b]} Tool definition: Azure.AI.Inference.ChatCompletionsToolDefinition Properties: {a:{type:integer},b:{type:integer}} MCP Tools def: 0: Azure.AI.Inference.ChatCompletionsToolDefinition Tool call 0: Add with arguments {a:2,b:4} Sum 6说明上面输出中的Tool definition类型名称因 SDK 版本而异。翻译文档记录的是早期 Azure.AI.Inference 时代的结果当前仓库源码基于 OpenAI SDKProgram.cs 与英文版 solution README 中的实际输出为OpenAI.Chat.ChatTool。输出中大部分内容只是调试信息真正重要的是这条链路从 MCP Server 列出工具 → 转换成 LLM 能理解的工具定义 → LLM 发起工具调用 → MCP 客户端执行并返回Sum 6。源码逐段剖析从 stdio 连接到工具执行1. 建立 ChatClient 与 MCP stdio 连接Program.cs 同时创建了两个客户端var client new ChatClient( model: deployment, credential: new ApiKeyCredential(apiKey), options: new OpenAIClientOptions { Endpoint new Uri(${endpoint.TrimEnd(/)}/openai/v1/) }); var chatHistory new ListChatMessage { new SystemChatMessage(You are a helpful assistant that knows about AI) }; var clientTransport new StdioClientTransport(new() { Name Demo Server, Command ${Path.Combine(AppContext.BaseDirectory, ../../../../../../, 02-client/solution/server/bin/Debug/net9.0/server)}, Arguments [], }); Console.WriteLine(Setting up stdio transport); await using var mcpClient await McpClient.CreateAsync(clientTransport);要点解析ChatClient通过ApiKeyCredential认证并把endpoint末尾的/去掉后拼接/openai/v1/作为 API 路径StdioClientTransport通过子进程方式启动 MCP ServerCommand指向上一课 02-client 的 .NET Server 构建产物McpClient.CreateAsync(clientTransport)完成 MCP 握手并返回可用的McpClient。2. 列出 MCP 工具并转换为 LLM 工具MCP 返回的工具格式含Name、Description、JsonSchema并不能直接喂给 LLM需要先做一次翻译。GetMcpTools方法完成列出与转换ChatTool ConvertFrom(string name, string description, JsonElement jsonElement) { return ChatTool.CreateFunctionTool( functionName: name, functionDescription: description, functionParameters: BinaryData.FromString(jsonElement.GetRawText())); } async TaskListChatTool GetMcpTools() { Console.WriteLine(Listing tools); var tools await mcpClient.ListToolsAsync(); ListChatTool toolDefinitions []; foreach (var tool in tools) { Console.WriteLine($Connected to server with tools: {tool.Name}); Console.WriteLine($Tool description: {tool.Description}); Console.WriteLine($Tool parameters: {tool.JsonSchema}); var def ConvertFrom(tool.Name, tool.Description, tool.JsonSchema); Console.WriteLine($Tool definition: {def}); toolDefinitions.Add(def); } return toolDefinitions; }关键转换位于ConvertFromChatTool.CreateFunctionTool接收函数名、函数描述、函数参数 JSON三个要素正是 OpenAI 工具调用function calling所需的信息。这对应课程中将 MCP Server 响应转换为 LLM 可理解的格式这一步——MCP 的JsonSchema在这里被原样作为 function parameters 透传给 LLM。3. 发起 LLM 对话并处理工具调用接下来进入真正的对话环节Program.csvar userMessage add 2 and 4; chatHistory.Add(new UserChatMessage(userMessage)); var options new ChatCompletionOptions { Tools { tools[0] } }; ChatCompletion response await client.CompleteChatAsync(chatHistory, options); var content response.Content.FirstOrDefault()?.Text; for (int i 0; i response.ToolCalls.Count; i) { var call response.ToolCalls[i]; Console.WriteLine($Tool call {i}: {call.FunctionName} with arguments {call.FunctionArguments}); //Tool call 0: add with arguments {a:2,b:4} var dict JsonSerializer.DeserializeDictionarystring, object(call.FunctionArguments); var result await mcpClient.CallToolAsync( call.FunctionName, dict!, cancellationToken: CancellationToken.None ); var textBlock result.Content.OfTypeTextContentBlock().FirstOrDefault(); if (textBlock ! null) { Console.WriteLine(textBlock.Text); } } Console.WriteLine($Assistant response: {content});这段代码的六步流程清晰可见把用户消息add 2 and 4加入对话历史用ChatCompletionOptions.Tools把之前转换好的ChatTool这里是tools[0]即Add交给模型CompleteChatAsync向模型发起补全请求——模型会决定是否调用工具检查响应中的response.ToolCalls若有工具调用则打印调用名与参数把 LLM 返回的参数反序列化为字典通过mcpClient.CallToolAsync回传给 MCP Server 真正执行从result.Content中取出TextContentBlock并打印即得到Sum 6。4. 被调用的 MCP Server 长什么样本示例连接的 MCP Server 来自上一课其核心实现见 02-client/solution/server/Program.cs[McpServerToolType] public static class CalculatorTool { [McpServerTool, Description(Adds two numbers)] public static string Add(int a, int b) $Sum {a b}; }Add方法用[McpServerTool]特性暴露为 MCP 工具Description(Adds two numbers)正是客户端打印出的Tool description方法签名int a, int b则自动生成 JSON Schema 中的properties与required字段。这也解释了为什么输出中工具参数为{a:{type:integer},b:{type:integer}}。服务端还通过LogToStandardErrorThreshold LogLevel.Trace把所有日志导向 stderr避免污染与客户端之间的 stdio 协议通道。学习要点与延伸练习给客户端加 LLM 是更好的用户交互方式用户只需说 add 2 and 4无需知道Add(a, b)这样的客户端命令甚至意识不到背后有 MCP Server 被调用必须做格式转换MCP Server 返回的工具列表与 schema 需要转换成 LLMOpenAI function calling能理解的ChatTool定义转换的核心是把 JSON Schema 透传为 function parameters工具执行回环LLM 决定调用哪些工具 → 客户端解析参数 →CallToolAsync调回 MCP Server → 把TextContentBlock文本返回给用户。课程还给出了延伸练习Assignment参照本节代码为 Server 增加更多工具再用带 LLM 的客户端配合不同提示词测试确保所有 Server 工具都能被动态、自动地调用。如果你需要对照其他语言实现可查看同目录下的 TypeScript、Python、Java、Rust 解决方案以及 解决方案总览。下一步可以继续学习 使用 Visual Studio Code 消费 MCP Server把带 LLM 的客户端能力延伸到 IDE 场景中。赞分享教程文档人工智能【免费下载链接】mcp-for-beginnersThis open-source curriculum introduces the fundamentals of Model Context Protocol (MCP) through real-world, cross-language examples in .NET, Java, TypeScript, JavaScript, Rust and Python. Designed for developers, it focuses on practical techniques for building modular, scalable, and secure AI workflows from session setup to service orchestration.项目地址https://gitcode.com/GitHub_Trending/mc/mcp-for-beginners点击查看免费下载相关推荐mcp-for-beginners 实战使用 .NET 构建接入 LLM 的 MCP 客户端mcp for beginners 实战使用 .NET 构建接入 LLM 的 MCP 客户端 在本篇指南中你将基于 mcp for beginners 开源教程文档人工智能mcp-for-beginners 实战在 Python 中运行带 LLM 的 MCP 客户端03-llm-client 示例详解mcp for beginners 实战在 Python 中运行带 LLM 的 MCP 客户端03 llm client 示例详解 本文围绕 mcp fo教程文档人工智能为 MCP 客户端接入 LLMmcp-for-beginners 课程 .NET 示例的配置、运行与工具转换原理为 MCP 客户端接入 LLMmcp for beginners 课程 .NET 示例的配置、运行与工具转换原理 本文基于 mcp for beginners教程文档人工智能上一篇Whisper-WebUI项目如何添加自定义Whisper语音识别模型下一篇TDesign-MiniProgram中Button组件自定义图标问题解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
教程文档人工智能【免费下载链接】mcp-for-beginnersThis open-source curriculum introduces the fundamentals of Model Context Protocol (MCP) through real-world, cross-language examples in .NET, Java, TypeScript, JavaScript, Rust and Python. Designed for developers, it focuses on practical techniques for building modular, scalable, and secure AI workflows from session setup to service orchestration.项目地址https://gitcode.com/GitHub_Trending/mc/mcp-for-beginners点击查看免费下载本篇指南以 mcp-for-beginners 课程中「创建一个带 LLM 的客户端Creating a client with LLM」的 .NET 解决方案为主体讲解如何让客户端不再硬编码调用 MCP Server 的工具而是通过自然语言让 LLM 自主决策、动态调用 MCP 工具。读完本文你将掌握 .NET 下ModelContextProtocolSDK OpenAI SDK 的完整接入流程建立 stdio 连接、列出服务器能力、把 MCP 工具 schema 转换为 LLM 认识的工具定义并在对话循环中执行模型发起的工具调用最终拿到类似Sum 6的结果。课程背景与整体思路在之前的课程中我们已经分别创建过 MCP Server 和 MCP Client。但那种客户端是显式的调用方必须知道服务器上有哪些工具、资源、提示词并一条条手动调用。这并不符合当下 Agentic 时代用户的使用习惯——用户希望用自然语言对话而不关心能力背后是否由 MCP 承载。解决方案就是给客户端加一个 LLM。整体交互流程见 课程主文档分四步与 MCP Server 建立连接列出服务器的能力工具、资源、提示词并把 schema 保存下来接入 LLM把保存的能力与 schema 转换成 LLM 能理解的形式传给它处理用户提示词连同客户端列出的工具一起交给 LLM由 LLM 决定调用哪些工具、传什么参数。本指南聚焦其中.NETC#的完整实现源码位于 03-llm-client/solution/dotnet核心文件为 Program.cs。前置准备部署模型并配置环境变量运行示例前需要一个可用的 OpenAI 兼容模型服务。课程文档要求部署一个活动模型例如gpt-5.1并配置以下三个环境变量# zsh/bash export AZURE_OPENAI_ENDPOINThttps://resource-name.openai.azure.com export AZURE_OPENAI_API_KEYapi-key export AZURE_OPENAI_DEPLOYMENTgpt-5.1# PowerShell $env:AZURE_OPENAI_ENDPOINT https://resource-name.openai.azure.com $env:AZURE_OPENAI_API_KEY api-key $env:AZURE_OPENAI_DEPLOYMENT gpt-5.1其中AZURE_OPENAI_DEPLOYMENT是部署名用于 API 调用可能与底层模型名不同。从 Program.cs 的源码可以看到它的读取逻辑var endpoint Environment.GetEnvironmentVariable(AZURE_OPENAI_ENDPOINT); var apiKey Environment.GetEnvironmentVariable(AZURE_OPENAI_API_KEY); var deployment Environment.GetEnvironmentVariable(AZURE_OPENAI_DEPLOYMENT) ?? gpt-5.1; if (string.IsNullOrWhiteSpace(endpoint) || string.IsNullOrWhiteSpace(apiKey)) { Console.WriteLine(Please set AZURE_OPENAI_ENDPOINT and AZURE_OPENAI_API_KEY.); return; }即AZURE_OPENAI_DEPLOYMENT缺省回退到gpt-5.1而AZURE_OPENAI_ENDPOINT与AZURE_OPENAI_API_KEY缺失时会直接提示并退出。另外解决方案 README 还提示若在 GitHub Codespaces 中运行则无需本地令牌若在本地运行需要为GITHUB_TOKEN配置个人访问令牌PAT# zsh/bash export GITHUB_TOKEN{{YOUR_GITHUB_PAT}}# PowerShell $env:GITHUB_TOKEN {{YOUR_GITHUB_PAT}}安装依赖库示例是一个控制台应用先还原 NuGet 包dotnet restore翻译版文档列出的库名为 Azure AI Inference、Azure Identity、Microsoft.Extension、Model.Hosting、ModelContextProtocol而以当前仓库实际为准dotnet.csproj 声明的包引用如下ItemGroup PackageReference IncludeMicrosoft.Extensions.Hosting Version9.*-* / PackageReference IncludeModelContextProtocol Version0.*-* / PackageReference IncludeOpenAI Version2.10.0 / /ItemGroup工程目标框架为net9.0启用了ImplicitUsings与Nullable。三个包各司其职ModelContextProtocol提供McpClient、StdioClientTransport以及TextContentBlock等 MCP 客户端类型OpenAI2.10.0提供ChatClient、ChatTool、ChatCompletionOptions等用于与模型服务对话Microsoft.Extensions.Hosting宿主框架支持该示例主要使用它支撑依赖与日志等基础设施。运行示例与预期输出依赖还原完成后直接运行dotnet run文档给出的预期输出如下Setting up stdio transport Listing tools Connected to server with tools: Add Tool description: Adds two numbers Tool parameters: {title:Add,description:Adds two numbers,type:object,properties:{a:{type:integer},b:{type:integer}},required:[a,b]} Tool definition: Azure.AI.Inference.ChatCompletionsToolDefinition Properties: {a:{type:integer},b:{type:integer}} MCP Tools def: 0: Azure.AI.Inference.ChatCompletionsToolDefinition Tool call 0: Add with arguments {a:2,b:4} Sum 6说明上面输出中的Tool definition类型名称因 SDK 版本而异。翻译文档记录的是早期 Azure.AI.Inference 时代的结果当前仓库源码基于 OpenAI SDKProgram.cs 与英文版 solution README 中的实际输出为OpenAI.Chat.ChatTool。输出中大部分内容只是调试信息真正重要的是这条链路从 MCP Server 列出工具 → 转换成 LLM 能理解的工具定义 → LLM 发起工具调用 → MCP 客户端执行并返回Sum 6。源码逐段剖析从 stdio 连接到工具执行1. 建立 ChatClient 与 MCP stdio 连接Program.cs 同时创建了两个客户端var client new ChatClient( model: deployment, credential: new ApiKeyCredential(apiKey), options: new OpenAIClientOptions { Endpoint new Uri(${endpoint.TrimEnd(/)}/openai/v1/) }); var chatHistory new ListChatMessage { new SystemChatMessage(You are a helpful assistant that knows about AI) }; var clientTransport new StdioClientTransport(new() { Name Demo Server, Command ${Path.Combine(AppContext.BaseDirectory, ../../../../../../, 02-client/solution/server/bin/Debug/net9.0/server)}, Arguments [], }); Console.WriteLine(Setting up stdio transport); await using var mcpClient await McpClient.CreateAsync(clientTransport);要点解析ChatClient通过ApiKeyCredential认证并把endpoint末尾的/去掉后拼接/openai/v1/作为 API 路径StdioClientTransport通过子进程方式启动 MCP ServerCommand指向上一课 02-client 的 .NET Server 构建产物McpClient.CreateAsync(clientTransport)完成 MCP 握手并返回可用的McpClient。2. 列出 MCP 工具并转换为 LLM 工具MCP 返回的工具格式含Name、Description、JsonSchema并不能直接喂给 LLM需要先做一次翻译。GetMcpTools方法完成列出与转换ChatTool ConvertFrom(string name, string description, JsonElement jsonElement) { return ChatTool.CreateFunctionTool( functionName: name, functionDescription: description, functionParameters: BinaryData.FromString(jsonElement.GetRawText())); } async TaskListChatTool GetMcpTools() { Console.WriteLine(Listing tools); var tools await mcpClient.ListToolsAsync(); ListChatTool toolDefinitions []; foreach (var tool in tools) { Console.WriteLine($Connected to server with tools: {tool.Name}); Console.WriteLine($Tool description: {tool.Description}); Console.WriteLine($Tool parameters: {tool.JsonSchema}); var def ConvertFrom(tool.Name, tool.Description, tool.JsonSchema); Console.WriteLine($Tool definition: {def}); toolDefinitions.Add(def); } return toolDefinitions; }关键转换位于ConvertFromChatTool.CreateFunctionTool接收函数名、函数描述、函数参数 JSON三个要素正是 OpenAI 工具调用function calling所需的信息。这对应课程中将 MCP Server 响应转换为 LLM 可理解的格式这一步——MCP 的JsonSchema在这里被原样作为 function parameters 透传给 LLM。3. 发起 LLM 对话并处理工具调用接下来进入真正的对话环节Program.csvar userMessage add 2 and 4; chatHistory.Add(new UserChatMessage(userMessage)); var options new ChatCompletionOptions { Tools { tools[0] } }; ChatCompletion response await client.CompleteChatAsync(chatHistory, options); var content response.Content.FirstOrDefault()?.Text; for (int i 0; i response.ToolCalls.Count; i) { var call response.ToolCalls[i]; Console.WriteLine($Tool call {i}: {call.FunctionName} with arguments {call.FunctionArguments}); //Tool call 0: add with arguments {a:2,b:4} var dict JsonSerializer.DeserializeDictionarystring, object(call.FunctionArguments); var result await mcpClient.CallToolAsync( call.FunctionName, dict!, cancellationToken: CancellationToken.None ); var textBlock result.Content.OfTypeTextContentBlock().FirstOrDefault(); if (textBlock ! null) { Console.WriteLine(textBlock.Text); } } Console.WriteLine($Assistant response: {content});这段代码的六步流程清晰可见把用户消息add 2 and 4加入对话历史用ChatCompletionOptions.Tools把之前转换好的ChatTool这里是tools[0]即Add交给模型CompleteChatAsync向模型发起补全请求——模型会决定是否调用工具检查响应中的response.ToolCalls若有工具调用则打印调用名与参数把 LLM 返回的参数反序列化为字典通过mcpClient.CallToolAsync回传给 MCP Server 真正执行从result.Content中取出TextContentBlock并打印即得到Sum 6。4. 被调用的 MCP Server 长什么样本示例连接的 MCP Server 来自上一课其核心实现见 02-client/solution/server/Program.cs[McpServerToolType] public static class CalculatorTool { [McpServerTool, Description(Adds two numbers)] public static string Add(int a, int b) $Sum {a b}; }Add方法用[McpServerTool]特性暴露为 MCP 工具Description(Adds two numbers)正是客户端打印出的Tool description方法签名int a, int b则自动生成 JSON Schema 中的properties与required字段。这也解释了为什么输出中工具参数为{a:{type:integer},b:{type:integer}}。服务端还通过LogToStandardErrorThreshold LogLevel.Trace把所有日志导向 stderr避免污染与客户端之间的 stdio 协议通道。学习要点与延伸练习给客户端加 LLM 是更好的用户交互方式用户只需说 add 2 and 4无需知道Add(a, b)这样的客户端命令甚至意识不到背后有 MCP Server 被调用必须做格式转换MCP Server 返回的工具列表与 schema 需要转换成 LLMOpenAI function calling能理解的ChatTool定义转换的核心是把 JSON Schema 透传为 function parameters工具执行回环LLM 决定调用哪些工具 → 客户端解析参数 →CallToolAsync调回 MCP Server → 把TextContentBlock文本返回给用户。课程还给出了延伸练习Assignment参照本节代码为 Server 增加更多工具再用带 LLM 的客户端配合不同提示词测试确保所有 Server 工具都能被动态、自动地调用。如果你需要对照其他语言实现可查看同目录下的 TypeScript、Python、Java、Rust 解决方案以及 解决方案总览。下一步可以继续学习 使用 Visual Studio Code 消费 MCP Server把带 LLM 的客户端能力延伸到 IDE 场景中。赞分享教程文档人工智能【免费下载链接】mcp-for-beginnersThis open-source curriculum introduces the fundamentals of Model Context Protocol (MCP) through real-world, cross-language examples in .NET, Java, TypeScript, JavaScript, Rust and Python. Designed for developers, it focuses on practical techniques for building modular, scalable, and secure AI workflows from session setup to service orchestration.项目地址https://gitcode.com/GitHub_Trending/mc/mcp-for-beginners点击查看免费下载相关推荐mcp-for-beginners 实战使用 .NET 构建接入 LLM 的 MCP 客户端mcp for beginners 实战使用 .NET 构建接入 LLM 的 MCP 客户端 在本篇指南中你将基于 mcp for beginners 开源教程文档人工智能mcp-for-beginners 实战在 Python 中运行带 LLM 的 MCP 客户端03-llm-client 示例详解mcp for beginners 实战在 Python 中运行带 LLM 的 MCP 客户端03 llm client 示例详解 本文围绕 mcp fo教程文档人工智能为 MCP 客户端接入 LLMmcp-for-beginners 课程 .NET 示例的配置、运行与工具转换原理为 MCP 客户端接入 LLMmcp for beginners 课程 .NET 示例的配置、运行与工具转换原理 本文基于 mcp for beginners教程文档人工智能上一篇Whisper-WebUI项目如何添加自定义Whisper语音识别模型下一篇TDesign-MiniProgram中Button组件自定义图标问题解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
