在昨天的文章中，我们介绍了我的新开源项目：
C# Runner
。这是一个强大的C#代码运行器，不仅提供了前端UI，还内建了API和一个MCP服务端。GitHub项目地址
: https://github.com/sdcb/csharp-runner在线演示地址
: https://csharp.starworks.ccMCP协议调用地址
:https://csharp.starworks.cc/mcp
大家可能知道，MCP (Model Context Protocol) 是由 Anthropic 公司推出的一个协议，旨在让大语言模型（LLM）能够以一种更通用的方式调用外部工具。我们的 C# Runner 正好实现了MCP协议，这使得任何大模型都能通过API来调用并执行C#代码，从而获得精确、可靠的外部能力。
今天，我们就来深入探讨如何将这个强大的C#运行器接入到大模型中，让AI拥有执行代码的“超能力”。
大模型“幻觉”的困境
通常，我们可能是这样通过 OpenAIClient 调用聊天API的：
// 注意：需要安装 OpenAI 的 NuGet 包 var api = new OpenAIClient(new ApiKeyCredential(Util.GetPassword("azure-ai-key")), new OpenAIClientOptions { Endpoint = new Uri($"https://{Util.GetPassword("azure-ai-resource")}.openai.azure.com/openai/v1?api-version=preview"), }); ChatClient cc = api.GetChatClient("gpt-4.1"); await foreach (StreamingChatCompletionUpdate delta in cc.CompleteChatStreamingAsync( [ new SystemChatMessage("你是人工智能助理"), new UserChatMessage("1234567除以7654321=?（需要精确到5位小数）"), ])) { if (delta.ContentUpdate.Count > 0) { Console.Write(delta.ContentUpdate[0].Text); } } 对于这个数学问题，大模型的输出可能如下：
用计算器直接计算：
$$\frac{1234567}{7654321} \approx 0.16128$$
精确到小数点后5位答案是：
0.16128
模型声称它“使用计算器”了，但实际上，这个结果（0.16128）是基于其内部的概率推理得出的，并非精确计算。我们知道，正确答案其实是
0.16129
。这种在需要精确计算时产生的“幻觉”，正是我们需要外部工具来解决的痛点。通过MCP协议赋予大模型C#执行能力
为了解决上述问题，我们可以将 C# 运行器作为工具接入大模型。第一步是让我们的应用程序了解这个工具有什么功能。通过 MCP 协议，我们可以轻松获取这些信息。
首先，安装 ModelContextProtocol.Core NuGet 包，然后用下面的代码获取工具的定义：
// 安装 NuGet 包: ModelContextProtocol.Core IMcpClient mcpClient = await McpClientFactory.CreateAsync(new SseClientTransport(new SseClientTransportOptions { Endpoint = new Uri("https://csharp.starworks.cc/mcp"), })); await foreach (var tool in mcpClient.EnumerateToolsAsync()) { Console.WriteLine($""" Name: {tool.Name} Schema: {tool.JsonSchema.ToString()} Description: {tool.Description} """); } 运行后，你会得到类似下面的输出，它描述了工具的名称、功能和参数：
Name: run_code Schema: {"type":"object","properties":{"code":{"type":"string"},"timeout":{"type":"integer"}},"required":["code"]} Description: Run C# code in a sandboxed environment, default timeout: 30000(ms)……
有了这些信息，我们就可以将其转换为 OpenAI Chat Completion API 所要求的工具格式。
var cco = new ChatCompletionOptions(); await foreach (McpClientTool tool in mcpClient.EnumerateToolsAsync()) { cco.Tools.Add(ChatTool.CreateFunctionTool( tool.Name, tool.Description, BinaryData.FromString(tool.JsonSchema.GetRawText()))); } 构建大模型与工具的交互循环
当大模型决定使用工具时，整个交互过程并非一次完成，而是一个循环。模型可能会多次调用工具，直到它认为问题已经解决。我们需要构建一个循环来处理这个过程，并将每一次的对话、工具调用请求和工具返回结果都保存起来。
下面是这个交互循环的逻辑骨架：
// 历史消息，包含系统指令和用户初次提问 var histories = new List<ChatMessage> { new SystemChatMessage("你是人工智能助理，请结合已有工具（如果存在）回复用户的需求，如果工具错误，请尽量解决错误并重试"), new UserChatMessage("1234567除以7654321=?（需要精确到5位小数）") }; ChatFinishReason? finishReason = null; do { // 异步流式获取模型响应 await foreach (StreamingChatCompletionUpdate delta in cc.CompleteChatStreamingAsync(histories, cco)) { // ... 处理流式响应 ... // 1. 收集模型发出的工具调用请求 // (需要将流式返回的Delta片段拼接成完整的工具调用) // 当模型确认需要调用工具时 if (delta.FinishReason == ChatFinishReason.ToolCalls) { // 2. 将模型的工具调用请求添加到历史记录中 // 3. 调用MCP客户端，执行C#代码 // 4. 将工具的执行结果添加到历史记录中 } // ... 输出模型的最终文本回复 ... finishReason = delta.FinishReason; } } while (finishReason == ChatFinishReason.ToolCalls || finishReason == null); // 如果模型还需要调用工具，则继续循环 这里有几个关键点需要注意：
上下文管理
：所有用户输入、模型回复、工具调用和工具结果都必须保存在histories列表中，确保模型在后续的每一次调用中都能理解完整的上下文。循环与重试
：交互是一个do-while循环。大模型可能会连续多次调用工具（甚至为了修正错误而重试），直到它认为不再需要工具，可以给出最终答案为止。成本计算
：由于可能发生多次模型调用，会产生多个Usage信息。你需要将它们累加，以计算总的 token 消耗和成本。流式处理
：OpenAI 的工具调用同样支持流式输出。你需要正确地将流式返回的delta片段聚合成一个或多个完整的工具调用请求。
完整示例：精确计算与代码纠错
让我们把所有部分串联起来，看看一个完整的、能够工作的例子。
安装 NuGet 包
:OpenAI(2.2.0 或更高)ModelContextProtocol.Core(0.3.0-preview.3 或更高)
// --- 完整代码 --- var api = new OpenAIClient(new ApiKeyCredential(Util.GetPassword("azure-ai-key")), new OpenAIClientOptions { Endpoint = new Uri($"https://{Util.GetPassword("azure-ai-resource")}.openai.azure.com/openai/v1?api-version=preview"), }); var cc = api.GetChatClient("gpt-4.1"); // 1. 初始化 MCP 客户端 IMcpClient mcpClient = await McpClientFactory.CreateAsync(new SseClientTransport(new SseClientTransportOptions { Endpoint = new Uri("https://csharp.starworks.cc/mcp"), })); // 2. 获取工具定义并配置到 OpenAI 客户端 var cco = new ChatCompletionOptions(); await foreach (McpClientTool tool in mcpClient.EnumerateToolsAsync()) { cco.Tools.Add(ChatTool.CreateFunctionTool(tool.Name, tool.Description, BinaryData.FromString(tool.JsonSchema.GetRawText()))); } var jso = new JsonSerializerOptions { Encoder = JavaScriptEncoder.UnsafeRelaxedJsonEscaping }; var histories = new List<ChatMessage> { new SystemChatMessage("你是人工智能助理，请结合已有工具（如果存在）回复用户的需求，如果工具错误，请尽量解决错误并重试"), new UserChatMessage("1234567除以7654321=?（需要精确到5位小数）") }; // 3. 开始交互循环 ChatFinishReason? finishReason = null; do { var toolCalls = new Dictionary<int, FunctionArgs>(); await foreach (StreamingChatCompletionUpdate delta in cc.CompleteChatStreamingAsync(histories, cco)) { foreach (StreamingChatToolCallUpdate tool in delta.ToolCallUpdates) { byte[] argsDelta = tool.FunctionArgumentsUpdate.ToArray(); if (toolCalls.TryGetValue(tool.Index, out FunctionArgs? toolCall)) { toolCall.Args.AddRange(argsDelta); } else { toolCalls.Add(tool.Index, new FunctionArgs(tool.ToolCallId, tool.FunctionName) { Args = argsDelta.ToList() }); } } if (delta.FinishReason == ChatFinishReason.ToolCalls) { histories.Add(new AssistantChatMessage(toolCalls.Values.Select(x => ChatToolCall.CreateFunctionToolCall(x.Id, x.Name, BinaryData.FromBytes(x.Args.ToArray()))))); foreach (FunctionArgs func in toolCalls.Values) { // 调用 MCP 工具执行代码 Console.WriteLine("--- C# Code to Run ---"); Console.WriteLine(JsonSerializer.Deserialize<JsonObject>(func.Args.ToArray())!["code"]!.ToString()); CallToolResult result = await mcpClient.CallToolAsync(func.Name, BinaryData.FromBytes(func.Args.ToArray()).ToObjectFromJson<Dictionary<string, object>>()!); Console.WriteLine("--- Execution Result ---"); Console.WriteLine(result.StructuredContent); // 将结果添加回历史记录 histories.Add(ChatMessage.CreateToolMessage(func.Id, JsonSerializer.Serialize(result.StructuredContent, jso))); } } if (delta.ContentUpdate.Count > 0) { Console.Write(delta.ContentUpdate[0].Text); } if (delta.Usage != null) { Console.WriteLine($"\n--- Usage: {delta.Usage.TotalTokenCount} tokens ---"); if (finishReason != null) break; } finishReason = delta.FinishReason; } } while (finishReason == ChatFinishReason.ToolCalls || finishReason == null); public record FunctionArgs(string Id, string Name) { public List<byte> Args { get; set; } = []; } 运行上述代码，你会看到这样的输出：
--- C# Code to Run --- double result = 1234567.0 / 7654321.0; return Math.Round(result, 5); --- Execution Result --- {"kind":"end","result":0.16129,"elapsed":150} --- Usage: 1487 tokens --- 1234567 ÷ 7654321 = 0.16129（精确到小数点后5位）。 --- Usage: 1538 tokens --- 看！大模型首先生成了一段C#代码，然后通过我们的C#运行器执行，得到了精确的结果
0.16129
，并最终给出了正确的答案。这个过程涉及两次对大模型的调用，一次用于生成代码，一次用于总结答案，因此产生了两次Usage 记录。 更多有趣的骚操作
1. 计算真实的SHA256哈希值
如果你直接问 GPT-4.1 “C#” 的SHA256值是什么，它可能会“猜”一个答案：
错误示范（模型猜测）
：
ecddf76be50b529b129c5602778b0a8ddc52ae688ef31fa8c7c3d776b2115747
这显然不是一个真实计算出的哈希值。但当我们接入C#运行器后，模型会选择编写并执行代码：
--- C# Code to Run --- using System.Text; using System.Security.Cryptography; string input = "C#"; using (SHA256 sha256 = SHA256.Create()) { byte[] inputBytes = Encoding.UTF8.GetBytes(input); byte[] hashBytes = sha256.ComputeHash(inputBytes); // Convert to hex string StringBuilder sb = new StringBuilder(); foreach (var b in hashBytes) sb.Append(b.ToString("x2")); return sb.ToString(); } --- Execution Result --- {"kind":"end","result":"040228846ead4a4195145fe089343cb0894d00a9380176a41a8f6c5ee70b4824","elapsed":354} --- Usage: 1563 tokens --- 字符串 "C#" 的 SHA256 哈希值是： 040228846ead4a4195145fe089343cb0894d00a9380176a41a8f6c5ee70b4824 --- Usage: 1664 tokens --- 我们完全有理由相信，这一次，0402...4824 才是通过代码坚实计算出的真实哈希值。
2. 实时网络爬虫：获取博客园头条
这是一个更有挑战性的任务。没有工具的大模型无法访问实时互联网数据，当你问它“今天博客园有哪些头条”时，它只能抱歉地表示无能为力。
但有了C#运行器这个唯一的工具，事情就变得有趣了。我使用了 o3 模型（一个代码能力更强的模型），并向它发出了同样的提问。接下来发生了一系列非常精彩的“自主调试”：
第1次尝试
：模型编写了爬虫代码，但使用了System.Web.HttpUtility，这在 .NET Core 环境中不存在，导致编译错误。第2次尝试
：模型接收到错误反馈，自动修正
了代码，改用System.Net.WebUtility。这次编译通过了，但因为HTML结构定位不准，没有抓到内容。第3次尝试
：模型决定先看看网页原始HTML长什么样，于是写代码获取了前1500个字符。第4次到第7次尝试
：基于对HTML结构的观察，模型不断调整它的正则表达式和字符串定位逻辑，期间还遇到了几次自己写的正则转义错误。每一次失败，它都根据错误信息进行调整。第8次尝试
：成功！
模型终于编写出了正确的代码，成功提取了头条标题和链接。第9次尝试
：模型对第8次的结果做了最后的美化和过滤，然后输出。
最终，模型给出了一份格式优美的报告：
今天博客园头条区块显示的最新 4 条内容：
【编辑推荐】通过抓包，深入揭秘 MCP 协议底层通信(5/17/1090)
https://www.cnblogs.com/sdcb/p/18995424/mcp-http-insights【最多推荐】为大模型 MCP Code Interpreter 而生：C# Runner 开源发布(8/13/537)
https://www.cnblogs.com/sdcb/p/19003720/csharp-runner-mcp【新闻头条】反物质量子比特首次演示(0/1/210)
https://news.cnblogs.com/n/797655/【特别头条】博客园众包：诚征 3D 影像景深延拓实时处理方案（预算 8-15 万）(41/9/5584)
https://www.cnblogs.com/cmt/p/18948571（括号内数字依次代表：评论数 / 推荐数 / 阅读数）
这个过程生动地展示了当大模型拥有一个强大的代码执行工具后，它如何像一个真正的程序员一样，通过不断试错、调试和迭代来完成一个复杂的任务。
总结
通过将
C# Runner
接入大语言模型，我们极大地扩展了模型的能力边界。借助 MCP 协议的标准化，这种集成为模型赋予了执行精确计算、访问实时数据、与外部API交互等关键能力，有效地克服了模型的“幻觉”问题。从简单的数学计算到复杂的网络爬虫，我们看到了一个更强大、更可靠的AI应用范式正在形成。
感谢阅读，希望本文对你有所帮助！如果你有任何问题或建议，欢迎在评论区留言讨论。
觉得有用的话，请给我的项目一个 Star ⭐ 吧：
https://github.com/sdcb/csharp-runner
也欢迎加入
这一切，似未曾拥有