概述

　　在另外一个《Senparc.AI 系列教程》（Senparc.AI 系列教程（一）：概要 ，Senparc.AI 系列教程（二）：配置大模型，开始开发应用）中简要介绍了 Senparc.AI 所支撑的底层能力（持续更新中），从这个系列开始，我们将逐步探索其强大的扩展和落地能力。

　　本文介绍的案例中，我们使用微信 SDK，借助 Senparc.AI，结合 MCP，打通了微信接口的自动搜索和代码生成，使开发者可以在网页、IDE，甚至 Dfiy、n8n 等框架中高效开发或让微信程序自动化运行。

　　微信的案例我将分为（上）（中）（下）三篇，分别介绍网页版助手、IDE 端 AI 辅助编程，以及参与到工作流的智能体互动中。

案例资源

　　当前展示的案例已经全部开源（可商用），可在  https://sdk.weixin.senparc.com 在线体验，同时也支持本地部署，涉及到的开源项目如下：

1. 微信 SDK：https://github.com/JeffreySu/WeiXinMPSDK
2. NeuCharFramework：
   源码：https://github.com/NeuCharFramework/NcfPackageSources 
   可直接运行的模板：https://github.com/NeuCharFramework/NCF （桌面版下载：https://github.com/NeuCharFramework/NCF/releases）
3. QQ 交流群：553198593

　　本文的网页版案例主要集中在微信 SDK。

案例功能介绍（网页版助手）

　　这个工具的诞生，源于目前 AI 编程的巨大痛点：即使大模型已经学习了大量编程知识，但是对于特定 SDK 内部编程接口的幻觉依然非常严重，准确率低。而各类 SDK，尤其 API 的对接精准度要求通常又比较高，所以光使用大模型辅助编程效率仍然很低，经常发生的情况是：生成 3 分钟，修改 3 小时。

　　尤其对于 SDK 类型和基础库，程序能否成功运行，高度依赖方法生成的准确性，否则一旦出现任何问题，开发人员需要花费更多的时间重新阅读文档、研究接口、排查错误，修复错误，痛苦不堪。

　　为此我们推出了基于 MCP 的整体解决方案，当前章节主要介绍网页版。

　　先上效果，然后我们再分析原理。

　　打开页面（或从微信 SDK 开源项目下载到本地）：  https://sdk.weixin.senparc.com，在首页即可看到 AI 助手（或从顶部菜单【工具箱】>【AI 开发助手】进入）：

　　输入你想实现的功能：

　　稍等片刻，即可收到 AI 助手回复：

 　　AI 回复内容中包含了自动识别的模块（公众号/小程序/企业微信/开放平台等），以及接口的说明、可直接复制使用的代码示例以及使用提示，同时也可以点击“接口参数说明”，查看每个参数详细的介绍：

　　当然你可以对此并不满意，并且提出了更加复杂的需求，AI 也会回你自动生成精准代码。点击编辑图标：

 　　重新编辑内容：

　　发送并获取结果：

　　如果代码中包含了多个接口，相关参数也一览无余：

　　至此，AI 已经帮你完成了大部分的关键接口开发，至少省掉了几个小时的接口研究和测试（接口调用是非常精准的）。

　　小彩蛋：你可以要求 AI 使用异步方法，看看是否能同样能准确响应。

原理解析

　　先上图：

　　关键过程解析

　　服务起始于 2.1 处理请求并连接 MCP 服务，相关任务提交至位于 Sample 的 AiDocController 中的 ProcessQuery() 方法中，随后尝试连接 MCP 服务并获取工具列表（tool-list）（图中 3.1），核心代码如下：

 1 //建立 MCP 连接，并获取信息
 2 var mcpEndpoint = "https://www.ncf.pub/mcp-senparc-xncf-weixinmanager/sse";
 3 var clientTransport = new SseClientTransport(new SseClientTransportOptions()
 4 {
 5     Endpoint = new Uri(mcpEndpoint),
 6     Name = "NCF-Server"
 7 });
 8 
 9 var client = await McpClientFactory.CreateAsync(clientTransport);
10 var tools = await client.ListToolsAsync();

　　上述 mcpEndpoint 所对应的 Server 中，部署了一系列为 AI 助手服务的 MCP 工具（原理在后续章节介绍）。

　　获取到 tools 后（图中 2.2），我们使用 Senparc.AI 完成请求基础配置（图中 2.3），并发起一个 AI 请求（图中 2.4）：

 1 var aiSetting = Senparc.AI.Config.SenparcAiSetting;
 2 var semanticAiHandler = new SemanticAiHandler(aiSetting);
 3 
 4 var parameter = new PromptConfigParameter()
 5 {
 6     MaxTokens = 2000,
 7     Temperature = 0.7,
 8     TopP = 0.5,
 9     StopSequences = new List<string> { "<END>" }
10 };
11 
12 var systemMessage = $@"你是一位智能助手，帮我选择最适合的 API 方案。";
13 
14 var iWantToRun = semanticAiHandler.ChatConfig(parameter,
15     userId: "Jeffrey",
16     maxHistoryStore:  10,
17     chatSystemMessage: systemMessage,
18     senparcAiSetting: aiSetting,
19     kernelBuilderAction: kh =>
20     {
21         // kh.Plugins.AddMcpFunctionsFromSseServerAsync("NCF-Server", "http://localhost:5000/sse/sse");
22         kh.Plugins.AddFromFunctions("WeixinMpRouter", tools.Select(z => z.AsKernelFunction()));
23     }
24         );
25 var executionSettings = new OpenAIPromptExecutionSettings
26 {
27     Temperature = 0,
28     FunctionChoiceBehavior = FunctionChoiceBehavior.Auto()
29 };
30 var ka = new KernelArguments(executionSettings) { };
31 
32 var prompt = $@"...";//发送到 AI 的要求
33 //输出结果
34 var resultRaw = await iWantToRun.Kernel.InvokePromptAsync(prompt, ka);

　　上述代码中：

• 相关 AI 配置需要提前完成，参考《Senparc.AI 系列教程（二）：配置大模型，开始开发应用》）
• 第 1 行：使用 Senparc.AI.Config.SenparcAiSetting 对象获取到当前默认 AI 模型配置。
• 第 2 行：构建 SemanticAiHandler 对象，构造函数中的 aiSetting 如果传入 null，则会默认从 Senparc.AI.Config.SenparcAiSetting 获取（所以示例代码中的效果等同于传入 null，只是为了做演示）。如果这里希望使用 appsettings.json 默认配置意外的模型，那么可以在这里进行修改。
• 第 4-10 行：进行模型参数配置。
• 第 12-30 行（图中 2.3）：完成 Senparc.AI 中另外一个重要对象：IWantToRun 的构建，相关代码完成了一个 Chat（聊天）场景的配置（注意：使用 MCP 或者 function-calling 推荐使用 Chat 模式，而不是 Completion 模式）。
• 第 28 行：这里设置 FunctionChoiceBehavior 非常重要，否则模型不一定会执行 function-calling 或 MCP（本质上还是 function-calling 同样的原理），这里根据需要，我默认选择了 FunctionChoiceBehavior.Auto()，如果需要每次都强制调用工具，那么可以设置为 FunctionChoiceBehavior.Required()。
• 第 32 行：需要传入 AI 的 Prompt，由于内容比较多，此处略，可以参考源码，其中包含了大量提示词工程的经验。
• 第 34 行：发送获取结果（图中 2.4-2.7）。
• 后续部分都是 UI 渲染相关。

MCP 服务

　　上述过程中的 MCP 服务，部署到了一个独立站点中（即代码中的 mcpEndpoint：https://www.ncf.pub/mcp-senparc-xncf-weixinmanager/sse），您可以尝试打开这个连接，将会看到一个 SSE 连接的内容，如：

 　　这说明这个 SSE 的链接同样可以被 Cursor、GitHub Copilot 等 IDE 和工具所使用（我们会在下一篇文章中具体介绍）。

　　这个 MCP Server 的服务由 NeuCharFramework 框架自动生成（无需编写额外代码），其中的工具（Tools）则是由 Senparc.Xncf.WeixinManager 模块提供。

　　这个模块中又引用了微信 SDK 的 Senparc.Weixin.AspNet 包，其中使用到了我设计的名为 McpRouter 的一种模式：先对资源进行分类，然后通过 NextRoundTip 指定下一级运行的路由指令，达到了 AI 动态生成和工作流的融合，同时又摆脱了传统 Planner 过早制定完整计划的弊端，以及过多 Tools 对于 MCP 调用的压力（Cursor 推荐 40 个以内，而光微信拥有上千个 API，如果同时给到 MCP 将是一场灾难）。

　　相关 MCP 方法提供了微信 SDK 中不同层级接口的信息，并根据 AI 的 MCP 请求动态输出。

　　上述方法有效弥补了纯靠 AI 生成代码可能出现幻觉的问题，由于 MCP 返回的是精准 SDK 中的方法信息，因此准确度得到了大幅提升。

后续

1. 上述展示了 McpRouter 模式在网页端的强大能力，下一篇，我们将介绍使用相同的 MCP 工具，在 Cursor、VS Code 等 IDE 中直接编写代码。
2. 接下去，我们也将在微信 McpRouter 的基础上，进行升级和抽象重构，使其可以服务于更多的 SDK 和基础库，实现更大程度的编程效率、准确性的提升。