AI 开发狂飙！.NET 11 Preview 4 原生集成向量搜索 + MCP 模板，EF Core 直接对标 RAG 应用

文章摘要：本文描述了 .NET 11 Preview 4 在 AI 应用开发上的重要更新。SDK 新增了内置的 MCP Server 模板，简化了 AI 工具的开发流程。同时，EF Core 的向量搜索能力得到增强，为在 .NET 中构建检索增强生成（RAG） 应用提供了更完善的支持。这些新特性进一步降低了 .NET 开发者将 AI 能力集成到应用中的门槛。

大家好，我是码农刚子。

微软官方在 .NET 11 Preview 4 发布公告中直言：“向量搜索是原生 AI 开发的核心构件之一。”当语义搜索遇上标准化 AI 工具调用协议，.NET 从高性能框架向 AI 原生开发平台的关键一步，正式落地。

引言

2026 年 5 月 12 日，微软发布了 .NET 11 的第四个预览版。在运行时异步模型和进程 API 的大幅更新之外，有一个方向对 .NET 开发者而言意义尤为深远——ASP.NET Core 的 AI 集成和 EF Core 的向量搜索，正在将 .NET 打造成真正面向 AI 工作负载的开发平台。

随着大语言模型和 RAG（检索增强生成）应用在企业场景中的迅速普及，开发者面临着两个核心挑战：

1. 如何高效地进行语义检索？ 传统的全文搜索无法理解用户的意图和上下文，而向量相似性搜索正在成为 AI 应用的基础设施。
2. 如何让 AI 模型安全、标准化地调用现有 API？ 每个 AI 应用都需要让大语言模型与外部系统交互，但各家协议五花八门。

. NET 11 Preview 4 给出的答案是：用 EF Core + SQL Server 2025 的原生向量支持解决语义检索问题，用 MCP（Model Context Protocol）Server 模板解决 AI 工具调用标准化问题。

本文将从这两个方向出发，剖析 .NET 11 Preview 4 在 AI 开发方面的重大进展，并通过实际案例展示如何结合二者构建真正的 RAG 应用。

一、EF Core 向量搜索：将 RAG 核心能力直接带入 .NET 生态

1.1 什么是向量搜索？为什么它关乎 AI 开发的未来？

在一个标准的 RAG 应用中，用户提问后，系统需要在知识库中检索最相关的内容作为上下文，再由大模型生成答案。传统的检索方式依赖关键词匹配，无法理解“用户可能想知道什么”。

向量搜索的解决方案是把文本转化为嵌入（embedding）——高维数值向量，然后在向量空间中通过距离计算（如余弦相似度）找到语义相近的内容。当用户问“如何重置密码”时，向量搜索能找到文档中描述“忘记登录凭证”的内容，即便原文中没有“密码”二字。

微软官方文档对此的定义是：“SQL Server 向量数据类型允许存储嵌入，这些嵌入是意义的数值表示，可以高效地进行相似性搜索，为语义搜索和检索增强生成（RAG）等 AI 工作负载提供支持。”

1.2 EF Core 的向量进化时间线

EF Core 对向量的支持并非一蹴而就，而是经过了完整的演进：

这意味着，在 .NET 10/11 时代启动新项目的开发者，无需安装额外扩展即可直接使用向量功能。

1.3 实际代码：从模型定义到相似性查询

第一步：定义包含向量的实体模型

在 EF Core 11 中，向量字段可以通过 SqlVector<float> 类型轻松定义：

public class Document
{
    public int Id { get; set; }
    public string Title { get; set; }
    public string Content { get; set; }
    
    [Column(TypeName = "vector(1536)")]  // 1536维：OpenAI ada-002的标准维度
    public SqlVector<float> Embedding { get; set; }
}

第二步：生成并存储嵌入

嵌入的生成通过 Microsoft.Extensions.AI 库中的 IEmbeddingGenerator 抽象完成，这与微软正在推进的统一 AI 抽象层保持一致。

using Microsoft.Extensions.AI;

// IEmbeddingGenerator 提供了统一的嵌入生成抽象
IEmbeddingGenerator<string, Embedding<float>> embeddingGenerator = 
    /* 配置 OpenAI 或 Azure OpenAI 服务 */;

// 为文档内容生成嵌入
var embedding = await embeddingGenerator.GenerateVectorAsync(
    "文档的全部内容文本...");

// 存储到数据库
context.Documents.Add(new Document 
{ 
    Title = "文档标题", 
    Content = "文档内容", 
    Embedding = new SqlVector<float>(embedding) 
});
await context.SaveChangesAsync();

第三步：执行向量相似性搜索

// 为用户查询生成嵌入
var queryEmbedding = await embeddingGenerator.GenerateVectorAsync(
    "用户输入的问题");

var sqlVector = new SqlVector<float>(queryEmbedding);

// 使用 LINQ 进行相似性排序
var topDocuments = await context.Documents
    .OrderBy(d => EF.Functions.VectorDistance("cosine", d.Embedding, sqlVector))
    .Take(5)
    .ToListAsync();

VectorDistance 函数支持不同的距离度量，除了“cosine”余弦距离外，还支持“euclidean”欧氏距离和“dot”点积距离，开发者可以根据具体场景选择合适的度量方式。微软官方还介绍了更高级的检索策略：“Azure SQL DB Vector Search 示例演示了如何使用原生向量函数构建检索、混合搜索、EF Core/SqlClient 用法等，为 RAG 管道的第一阶段检索提供候选结果。”

二、MCP Server 模板：AI 原生应用开发的“最后一公里”

2.1 MCP：让 AI 模型“会用工具”的开放标准

Model Context Protocol（MCP）由 Anthropic 发起，微软已加入并共同推动其成为 AI 领域的行业标准。简单理解：MCP 是为 AI 应用设计的“USB-C 接口”——标准化了 AI 模型如何发现和使用外部工具与数据。

AI 应用要让 LLM 调用外部函数，以往开发者需要为每个大模型平台单独适配工具调用格式，而 MCP 为 AI 模型和外部服务之间提供了一个标准化的开放协议。微软官方解释：“MCP 服务器是通过 Model Context Protocol（MCP）向客户端暴露能力的服务。”

微软与 Anthropic 合作开发的官方 C# SDK 在 2026 年 3 月已发布 v1.0 稳定版本，全面支持 2025 年 11 月的 MCP 规范，成为 MCP 官方生态中的 Tier 1 级别 SDK。这意味着 .NET 开发者现在拥有一套生产就绪的一流工具包来构建 MCP 服务器和客户端。

2.2 Preview 4 的变化：MCP Server 模板正式落地

.NET 11 Preview 4 引入了一个对 AI 开发者而言极具价值的新特性——MCP Server 项目模板。通过 Microsoft.McpServer.ProjectTemplates 包安装后，开发者可以在 Visual Studio 中直接创建 MCP Server App 项目。

模板的新建向导提供了丰富的配置选项：

• 传输类型：stdio（适用于本地 CLI 工具集成）或 HTTP（适用于远程服务调用）
• Native AOT 支持：可将 MCP 服务器编译为自包含的原生二进制
• 独立发布：生成不依赖 .NET 运行时的独立可执行文件

2.3 实战：三步创建第一个 MCP Server

下面我们来快速体验一个 MCP Server 的构建过程。

第一步：安装模板并创建项目

在终端执行以下命令安装 MCP Server 模板：

dotnet new install Microsoft.McpServer.ProjectTemplates

然后创建新项目：

dotnet new mcp-server -n MyCalculatorMcpServer

或者，在 Visual Studio 的“新建项目”界面中，选择 MCP Server App 模板，按向导配置即可。

第二步：实现工具（Tools）

MCP 的核心是“工具”——AI 可调用的能力单元。在生成的模板代码中，添加一个简单的计算工具：

[McpTool("calculator")]
public class CalculatorTool
{
    [McpTool("add")]
    public int Add(
        [McpToolParameter(Description = "第一个加数")] int a,
        [McpToolParameter(Description = "第二个加数")] int b) 
        => a + b;
    
    [McpTool("multiply")]
    public int Multiply(
        [McpToolParameter(Description = "被乘数")] int a,
        [McpToolParameter(Description = "乘数")] int b) 
        => a * b;
}

注解驱动的定义方式让 MCP 开发变得非常直观。AI 客户端（如 GitHub Copilot、Claude Desktop、VS Code）可以通过 MCP 协议自动发现这些工具，并在生成回答时按需调用。

第三步：构建 MCP 客户端

有了 MCP Server 之后，还需要一个客户端来消费它。微软官方提供了客户端快速入门，基本代码结构如下：

using ModelContextProtocol.Client;

// 启动 MCP 客户端连接到服务器
var transport = new StdioClientTransport(new() 
{ 
    Command = "dotnet run",
    Arguments = ["--project", "<path-to-mcp-server>"]
});
McpClient mcpClient = await McpClient.CreateAsync(transport);

// 列出所有可用工具
IList<McpClientTool> tools = await mcpClient.ListToolsAsync();

// 将 MCP 工具作为函数调用能力注入 AI 聊天客户端
IChatClient chatClient = new ChatClientBuilder(openAIClient)
    .UseFunctionInvocation()  // 启用函数调用
    .Build();

// 对话循环，AI 会按需自动调用 tools
while (true)
{
    var userMessage = Console.ReadLine();
    await foreach (var update in chatClient.GetStreamingResponseAsync(
        messages, new() { Tools = tools }))
    {
        Console.Write(update);
    }
}

2.4 MCP 的生态想象

一旦企业内部的业务 API 通过 MCP Server 暴露出来，AI 编程助手（如 GitHub Copilot）可以：

• 实时查询企业的订单状态
• 创建 Jira 工单
• 查询 KPI 仪表盘数据
• 甚至执行 CI/CD 流水线任务

正如一位 MCP 实践者所言：“MCP 正在迅速成为扩展 AI 智能体能力的基石，用 C# 构建 MCP 服务器从未像现在这样简单和易上手。”

三、强强联合：用 EF Core 向量搜索 + MCP 构建完整 RAG 应用

理解了 EF Core 的向量搜索和 MCP Server 模板之后，一个问题自然浮现——这两者如何协同工作？答案就是 RAG 应用。

设想一个企业智能问答场景：

3.1 数据准备（使用 EF Core 向量存储）

企业内部有大量产品文档、技术手册和 FAQ。首先，使用 EF Core 将文档切分、生成嵌入并存入 SQL Server 2025。

// 文档处理管道
foreach (var chunk in documentChunks)
{
    var embedding = await embeddingGenerator.GenerateVectorAsync(chunk.Content);
    dbContext.DocumentChunks.Add(new DocumentChunk
    {
        Content = chunk.Content,
        Metadata = chunk.Metadata,
        Embedding = new SqlVector<float>(embedding)
    });
}
await dbContext.SaveChangesAsync();

3.2 MCP 工具包装（让 AI 能检索文档）

将“文档检索”能力包装为 MCP 工具：

[McpTool("document_search")]
public class DocumentSearchTool
{
    private readonly AppDbContext _dbContext;
    private readonly IEmbeddingGenerator _embeddingGenerator;
    
    [McpTool("search")]
    public async Task<List<SearchResult>> SearchAsync(
        [McpToolParameter(Description = "用户的问题或查询")] string query)
    {
        var queryVector = await _embeddingGenerator.GenerateVectorAsync(query);
        var sqlVector = new SqlVector<float>(queryVector);
        
        return await _dbContext.DocumentChunks
            .OrderBy(d => EF.Functions.VectorDistance("cosine", d.Embedding, sqlVector))
            .Take(5)
            .Select(d => new SearchResult { Content = d.Content, Score = d.Similarity })
            .ToListAsync();
    }
}

3.3 AI 问答流程

当用户在 AI 助手的对话框中提问时，流程如下：

1. AI 模型识别到需要调用 document_search 工具
2. MCP 协议触发 .NET 后端执行向量相似性搜索
3. 检索到的文档内容作为上下文返回给 AI
4. 大语言模型基于检索结果生成准确、上下文相关的最终回答

整个过程对用户透明——他们只感知到“AI 能准确回答关于产品的问题”。

四、AI 生态全景：除了 Preview 4，还有哪些重要拼图？

Preview 4 的 AI 集成只是 .NET AI 战略的一个组成部分。回顾历史，微软在 .NET 生态中布局 AI 的深度远超大多数开发者所认知：

微软将 AI 能力正式纳入 .NET 核心库，使开发者能够统一调用大模型（支持 OpenAI API / 本地模型），而不再关心各厂商的 SDK 差异，并可随时切换模型。

五、总结与展望

.NET 11 Preview 4 在 AI 开发方向上的两大战役：

1. EF Core 向量搜索：将 RAG 应用的核心基础设施——语义检索——原生接入 .NET 开发者熟悉的 ORM 生态。只需配置 vector(1536) 类型和使用 VectorDistance LINQ 函数，即可轻松构建混合搜索流水线。

2. MCP Server 模板：让 .NET 开发者无需纠结协议细节就能为 AI 智能体提供标准化、类型安全的工具调用入口。搭配 Native AOT 发布的能力，MCP 服务器可实现极速启动和低内存占用。

二者结合起来，.NET 开发者可以用最熟悉的 C# 技术栈去驾驭 RAG、语义搜索、AI Agent 等前沿 AI 场景，而不用转向 Python 或其他生态。

正如微软官方所言：“向量数据类型允许存储嵌入，这些嵌入是意义的数值表示，可以高效地进行相似性搜索，为语义搜索和 RAG 等 AI 工作负载提供支持。”这句话准确概括了 .NET 11 AI 战略的核心：将 AI 基础设施深度融入 .NET 的原生开发体验，而非作为孤立的附加组件。

Preview 4 只是开始。随着 .NET 11 正式版在 2026 年 11 月临近，我们可以期待更多的 AI 抽象、更完善的向量索引支持（如 DiskANN 近近似搜索）、以及更深度的 LLM 编排能力。

对于 .NET 开发者而言，现在是验证这些能力并规划 AI 战略的最佳时机。AI 开发狂飙的时代已经到来，而 .NET 正在成为这列快车上的关键引擎。

⚠️ 温馨提醒：预览版仅供评估和测试使用，请勿在生产环境部署。

我是刚子，一个写了六年 .NET 代码的程序员。