前面我們已經實作過 MCP 的 Tool、Resource 和 Prompt，讓 AI 可以透過 Tool 執行操作、透過 Resource 取得資料，也能使用預先設計好的 Prompt，不過 MCP 還有一個有趣的功能：Sampling。

通常我們會在 Client 端呼叫 AI 模型，再透過 MCP 使用 Server 提供的功能。但如果 MCP Server 在執行任務時，也需要 AI 幫忙生成內容，可以怎麼做？

這時候就可以使用 MCP Sampling，讓 Server 向 Client 請求 AI 模型生成內容，今天就來實際做一個簡單的 Sampling，看看它是怎麼運作的。

建立 Sampling Server

首先建立 server.py，這次會建立一個名為 ask_ai 的 Tool，讓使用者可以提出問題，再由 Server 透過 Sampling 請求 AI 生成回答。

這裡比較重要的是 ctx.session.create_message()，前面建立的 Tool 通常是讓 Server 執行某個功能，而這次則是透過 create_message() 發出 Sampling Request，請求 Client 端的模型生成內容。

其中，messages 用來傳遞要詢問的內容，而 max_tokens 則是限制模型回覆的最大 Token 數量。

建立 Sampling Client

接著建立 client.py，這次除了連接 MCP Server，也需要讓 Client 能夠處理 Sampling Request，因此會在建立 ClientSession 時設定 sampling_callback。

收到請求後，我們就呼叫 Gemini API，取得回答後再回傳給 Server。

這裡只列出處理 Sampling 的主要程式碼。sampling_callback 負責處理 Server 傳來的請求，而 generate_content() 則是實際呼叫 Gemini 生成回答。取得結果後，再透過 CreateMessageResult 將內容回傳。

要注意的是，Sampling 並不是讓 Server 直接連接 Gemini API。這次的實作仍然由 Client 負責呼叫模型，因此 API Key 也只需要設定在 Client 端。

執行測試

完成後，在終端機切換到 day25 資料夾開始測試，這次讓 Client 呼叫 ask_ai，並詢問：「什麼是 MCP Sampling？請用簡單的方式解釋。」

執行後，可以看到 Server 發出 Sampling Request，由 Client 呼叫 Gemini API 生成回答，再將結果回傳給 Server。從測試結果可以確認，這次已經成功完成 Sampling 的請求與回應流程。

總結

今天我們實作了 MCP Sampling，讓 MCP Server 除了提供 Tool 之外，也能在執行過程中請求 AI 模型生成內容，這次最重要的觀念是：Sampling 讓 Server 能夠請求模型生成內容，但實際使用哪個模型，以及如何處理請求，仍由 Client 端決定。

透過這個功能，MCP Server 就能在需要 AI 協助時，向 Client 發出請求，而不必自行管理模型 API。