(Klikněte na obrázek výše pro zhlédnutí videa této lekce)
Generativní AI aplikace představují významný krok vpřed, protože často uživateli umožňují interakci s aplikací pomocí přirozených jazykových příkazů. Nicméně, jakmile do takových aplikací investujete více času a zdrojů, chcete si být jisti, že můžete snadno integrovat funkce a zdroje tak, aby bylo jednoduché aplikaci rozšiřovat, aby dokázala obsluhovat více modelů a zvládala různé modelové složitosti. Stručně řečeno, stavět Gen AI aplikace je zpočátku snadné, ale jak rostou a stávají se složitějšími, je potřeba začít definovat architekturu a pravděpodobně se spolehnout na standard, který zajistí, že vaše aplikace budou postaveny konzistentně. Právě zde přichází MCP, který věci organizuje a poskytuje standard.
Model Context Protocol (MCP) je otevřené, standardizované rozhraní, které umožňuje Large Language Models (LLMs) bezproblémovou interakci s externími nástroji, API a zdroji dat. Poskytuje konzistentní architekturu pro rozšíření funkcionality AI modelů nad rámec jejich trénovacích dat, což umožňuje chytřejší, škálovatelnější a citlivější AI systémy.
Jak generativní AI aplikace nabývají na složitosti, je zásadní přijmout standardy, které zajišťují škálovatelnost, rozšiřitelnost, udržovatelnost a vyhýbání se závislosti na konkrétním prodejci. MCP tyto potřeby řeší takto:
- sjednocení integrací modelů s nástroji
- snížení křehkých, jednorázových vlastních řešení
- umožnění koexistence více modelů od různých dodavatelů v rámci jednoho ekosystému
Poznámka: Ačkoliv se MCP prezentuje jako otevřený standard, neplánuje se jeho standardizace prostřednictvím existujících standardizačních organizací, jako jsou IEEE, IETF, W3C, ISO nebo jakákoli jiná standardizační organizace.
Na konci tohoto článku budete schopni:
- Definovat Model Context Protocol (MCP) a jeho použití
- Pochopit, jak MCP standardizuje komunikaci modelů s nástroji
- Identifikovat klíčové komponenty architektury MCP
- Prozkoumat reálné aplikace MCP v podnikových a vývojových kontextech
Před MCP vyžadovala integrace modelů s nástroji:
- vlastní kód pro každé párování model-nástroj
- nestandardní API pro každého dodavatele
- časté přerušení kvůli aktualizacím
- špatnou škálovatelnost při přidávání dalších nástrojů
| Výhoda | Popis |
|---|---|
| Interoperabilita | LLMs fungují bez problémů s nástroji od různých dodavatelů |
| Konzistence | Jednotné chování napříč platformami a nástroji |
| Znovupoužitelnost | Nástroje vytvořené jednou lze použít napříč projekty a systémy |
| Zrychlení vývoje | Snížení času vývoje díky standardizovaným, plug-and-play rozhraním |
MCP používá model klient-server, kde:
- MCP hostitelé běží AI modely
- MCP klienti iniciují požadavky
- MCP servery poskytují kontext, nástroje a schopnosti
- Zdroje – statická či dynamická data pro modely
- Příkazy (prompty) – předdefinované workflowy pro řízenou generaci
- Nástroje – vykonatelné funkce jako vyhledávání, výpočty
- Sampling – agentní chování přes rekurzivní interakce
- Elicitation – požadavky iniciované serverem pro zadání uživatelského vstupu
- Roots – hranice souborového systému pro kontrolu přístupu serveru
MCP používá dvouvrstvou architekturu:
- Datová vrstva: komunikace založená na JSON-RPC 2.0 s managementem životního cyklu a primitivy
- Transportní vrstva: STDIO (lokální) a Streamable HTTP se SSE (vzdálená) komunikační kanály
MCP servery pracují následovně:
- Tok požadavků:
- Požadavek je inicializován koncovým uživatelem nebo softwarem jednajícím jeho jménem.
- MCP klient odešle požadavek na MCP hostitele, který spravuje runtime AI modelu.
- AI model přijme uživatelský příkaz a může požádat o přístup k externím nástrojům nebo datům přes jeden či více volání nástrojů.
- MCP hostitel, nikoli přímo model, komunikuje s příslušnými MCP servery pomocí standardizovaného protokolu.
- Funkce MCP hostitele:
- Registr nástrojů: Udržuje katalog dostupných nástrojů a jejich schopností.
- Autentizace: Ověřuje oprávnění pro přístup k nástrojům.
- Zpracovatel požadavků: Zpracovává příchozí žádosti o nástroje od modelu.
- Formátovač odpovědí: Strukturuje výstupy nástrojů do formátu, kterému model rozumí.
- Provoz MCP serveru:
- MCP hostitel směruje volání nástrojů jednomu či více MCP serverům, z nichž každý vystavuje specializované funkce (např. vyhledávání, výpočty, dotazy do databáze).
- MCP servery provádějí své operace a vracejí výsledky MCP hostiteli ve sjednoceném formátu.
- MCP hostitel formátuje a přeposílá výsledky do AI modelu.
- Dokončení odpovědi:
- AI model začleňuje výstupy nástrojů do konečné odpovědi.
- MCP hostitel tuto odpověď odešle zpět MCP klientovi, který ji doručí koncovému uživateli či volajícímu softwaru.
---
title: Architektura MCP a interakce komponent
description: Diagram zobrazující toky komponent v MCP.
---
graph TD
Client[MCP Klient/Aplikace] -->|Odesílá požadavek| H[MCP Hostitel]
H -->|Volá| A[AI Model]
A -->|Požadavek na volání nástroje| H
H -->|MCP Protokol| T1[MCP Serverový nástroj 01: Webové vyhledávání]
H -->|MCP Protokol| T2[MCP Serverový nástroj 02: Kalkulačka]
H -->|MCP Protokol| T3[MCP Serverový nástroj 03: Nástroj pro přístup k databázi]
H -->|MCP Protokol| T4[MCP Serverový nástroj 04: Nástroj pro souborový systém]
H -->|Odesílá odpověď| Client
subgraph "Komponenty MCP Hostitele"
H
G[Registr nástrojů]
I[Autentizace]
J[Zpracovatel požadavků]
K[Formátovač odpovědí]
end
H <--> G
H <--> I
H <--> J
H <--> K
style A fill:#f9d5e5,stroke:#333,stroke-width:2px
style H fill:#eeeeee,stroke:#333,stroke-width:2px
style Client fill:#d5e8f9,stroke:#333,stroke-width:2px
style G fill:#fffbe6,stroke:#333,stroke-width:1px
style I fill:#fffbe6,stroke:#333,stroke-width:1px
style J fill:#fffbe6,stroke:#333,stroke-width:1px
style K fill:#fffbe6,stroke:#333,stroke-width:1px
style T1 fill:#c2f0c2,stroke:#333,stroke-width:1px
style T2 fill:#c2f0c2,stroke:#333,stroke-width:1px
style T3 fill:#c2f0c2,stroke:#333,stroke-width:1px
style T4 fill:#c2f0c2,stroke:#333,stroke-width:1px
MCP servery vám umožňují rozšířit schopnosti LLM tím, že poskytují data a funkce.
Chcete to vyzkoušet? Zde jsou SDK specifická pro jazyky a/nebo stacky s příklady vytváření jednoduchých MCP serverů v různých jazycích/stackech:
-
Python SDK: https://github.com/modelcontextprotocol/python-sdk
-
TypeScript SDK: https://github.com/modelcontextprotocol/typescript-sdk
-
C#/.NET SDK: https://github.com/modelcontextprotocol/csharp-sdk
MCP umožňuje širokou škálu aplikací rozšiřujících AI schopnosti:
| Aplikace | Popis |
|---|---|
| Integrace podnikových dat | Propojení LLMs s databázemi, CRM nebo interními nástroji |
| Agentní AI systémy | Umožnění autonomních agentů s přístupem k nástrojům a pracovními postupy rozhodování |
| Multimodální aplikace | Kombinace nástrojů pro text, obraz a zvuk v jedné sjednocené AI aplikaci |
| Integrace dat v reálném čase | Přinášení živých dat do AI interakcí pro přesnější a aktuálnější výstupy |
Model Context Protocol (MCP) funguje jako univerzální standard pro AI interakce, podobně jako USB-C standardizoval fyzické připojení zařízení. Ve světě AI MCP poskytuje konzistentní rozhraní, které umožňuje modelům (klientům) hladce integrovat se s externími nástroji a poskytovateli dat (servery). To eliminuje potřebu rozmanitých, vlastních protokolů pro každé API nebo zdroj dat.
Pod MCP je MCP-kompatibilní nástroj (označovaný jako MCP server) založen na sjednoceném standardu. Tito servery mohou uvádět nástroje nebo akce, které nabízejí, a vykonávat tyto akce na požádání AI agentem. Platformy agentů s podporou MCP jsou schopny objevovat dostupné nástroje ze serverů a vyvolávat je prostřednictvím tohoto standardního protokolu.
Kromě nabídky nástrojů MCP také usnadňuje přístup k znalostem. Umožňuje aplikacím poskytovat kontext velkým jazykovým modelům (LLMs) propojením s různými zdroji dat. Například MCP server může představovat úložiště dokumentů firmy, což umožňuje agentům na vyžádání získat relevantní informace. Jiný server může zpracovávat konkrétní akce, jako odesílání e-mailů nebo aktualizaci záznamů. Z pohledu agenta jsou to jednoduše nástroje, které může používat – některé vrací data (kontext znalostí), jiné vykonávají akce. MCP efektivně spravuje obojí.
Agent připojený k MCP serveru se automaticky naučí dostupné schopnosti serveru a přístupná data díky standardnímu formátu. Tato standardizace umožňuje dynamickou dostupnost nástrojů. Například přidání nového MCP serveru do systému agenta jeho funkce ihned zpřístupní bez nutnosti další přizpůsobení instrukcí agenta.
Tato zjednodušená integrace odpovídá toku na následujícím diagramu, kde servery poskytují jak nástroje, tak znalosti, což zajišťuje bezproblémovou spolupráci mezi systémy.
---
title: Škálovatelné řešení agenta s MCP
description: Diagram znázorňující, jak uživatel komunikuje s LLM, které se připojuje k několika serverům MCP, přičemž každý server poskytuje jak znalosti, tak nástroje, vytvářející škálovatelnou architekturu AI systému
---
graph TD
User -->|Výzva| LLM
LLM -->|Odpověď| User
LLM -->|MCP| ServerA
LLM -->|MCP| ServerB
ServerA -->|Univerzální konektor| ServerB
ServerA --> KnowledgeA
ServerA --> ToolsA
ServerB --> KnowledgeB
ServerB --> ToolsB
subgraph Server A
KnowledgeA[Znalosti]
ToolsA[Nástroje]
end
subgraph Server B
KnowledgeB[Znalosti]
ToolsB[Nástroje]
end
```Univerzální konektor umožňuje MCP serverům komunikovat a sdílet schopnosti navzájem, což umožňuje ServerA delegovat úkoly na ServerB nebo přistupovat k jeho nástrojům a znalostem. To federuje nástroje a data přes servery, podporujíc škálovatelné a modulární agentní architektury. Protože MCP standardizuje vystavování nástrojů, agenti mohou dynamicky objevovat a směrovat požadavky mezi servery bez pevně zakódovaných integrací.
Federace nástrojů a znalostí: Nástoje a data lze přistupovat přes servery, což umožňuje flexibilnější a škálovatelnější agentní architektury.
### 🔄 Pokročilé scénáře MCP s integrací LLM na straně klienta
Kromě základní architektury MCP existují pokročilé scénáře, kdy mají jak klient, tak server LLM, což umožňuje sofistikovanější interakce. Na následujícím diagramu může být **Klientská aplikace** IDE s řadou MCP nástrojů dostupných pro uživatele prostřednictvím LLM:
```mermaid
---
title: Pokročilé scénáře MCP s integrací klient-server LLM
description: Sekvenční diagram zobrazující podrobný tok interakce mezi uživatelem, klientskou aplikací, klientským LLM, několika MCP servery a serverovým LLM, ilustrující fáze objevování nástrojů, interakce s uživatelem, přímého volání nástrojů a vyjednávání funkcí
---
sequenceDiagram
autonumber
actor User as 👤 Uživatel
participant ClientApp as 🖥️ Klientská aplikace
participant ClientLLM as 🧠 Klientské LLM
participant Server1 as 🔧 MCP server 1
participant Server2 as 📚 MCP server 2
participant ServerLLM as 🤖 Serverové LLM
%% Fáze objevování
rect rgb(220, 240, 255)
Note over ClientApp, Server2: FÁZE OBJEVOVÁNÍ NÁSTROJŮ
ClientApp->>+Server1: Požadavek na dostupné nástroje/zdroje
Server1-->>-ClientApp: Vrácení seznamu nástrojů (JSON)
ClientApp->>+Server2: Požadavek na dostupné nástroje/zdroje
Server2-->>-ClientApp: Vrácení seznamu nástrojů (JSON)
Note right of ClientApp: Uložení<br/>kombinovaného katalogu nástrojů lokálně
end
%% Interakce s uživatelem
rect rgb(255, 240, 220)
Note over User, ClientLLM: FÁZE INTERAKCE S UŽIVATELEM
User->>+ClientApp: Zadání pokynu v přirozeném jazyce
ClientApp->>+ClientLLM: Přeposlání pokynu + katalogu nástrojů
ClientLLM->>-ClientLLM: Analýza pokynu & výběr nástrojů
end
%% Scénář A: Přímé volání nástrojů
alt Přímé volání nástrojů
rect rgb(220, 255, 220)
Note over ClientApp, Server1: SCÉNÁŘ A: PŘÍMÉ VOLÁNÍ NÁSTROJŮ
ClientLLM->>+ClientApp: Požadavek na spuštění nástroje
ClientApp->>+Server1: Spuštění konkrétního nástroje
Server1-->>-ClientApp: Vrácení výsledků
ClientApp->>+ClientLLM: Zpracování výsledků
ClientLLM-->>-ClientApp: Vygenerování odpovědi
ClientApp-->>-User: Zobrazení konečné odpovědi
end
%% Scénář B: Vyjednávání funkcí (styl VS Code)
else Vyjednávání funkcí (styl VS Code)
rect rgb(255, 220, 220)
Note over ClientApp, ServerLLM: SCÉNÁŘ B: VYJEDNÁVÁNÍ FUNKCÍ
ClientLLM->>+ClientApp: Identifikace potřebných schopností
ClientApp->>+Server2: Vyjednávání funkcí/schopností
Server2->>+ServerLLM: Žádost o další kontext
ServerLLM-->>-Server2: Poskytnutí kontextu
Server2-->>-ClientApp: Vrácení dostupných funkcí
ClientApp->>+Server2: Volání vyjednaných nástrojů
Server2-->>-ClientApp: Vrácení výsledků
ClientApp->>+ClientLLM: Zpracování výsledků
ClientLLM-->>-ClientApp: Vygenerování odpovědi
ClientApp-->>-User: Zobrazení konečné odpovědi
end
end
Praktické výhody používání MCP jsou:
- Aktuálnost: Modely mohou přistupovat k nejnovějším informacím mimo svá tréninková data
- Rozšíření schopností: Modely mohou využívat specializované nástroje pro úkoly, na které nebyly trénovány
- Snížení halucinací: Externí zdroje dat poskytují faktickou oporu
- Soukromí: Citlivá data mohou zůstat v bezpečném prostředí místo vkládání do promptů
Klíčová shrnutí pro používání MCP:
- MCP standardizuje způsob, jakým AI modely komunikují s nástroji a daty
- Podporuje rozšiřitelnost, konzistenci a interoperabilitu
- MCP pomáhá zkrátit vývojový čas, zlepšit spolehlivost a rozšířit schopnosti modelů
- Architektura klient-server umožňuje flexibilní, rozšiřitelné AI aplikace
Zamyslete se nad AI aplikací, kterou máte zájem vytvořit.
- Které externí nástroje nebo data by mohly vylepšit její schopnosti?
- Jak by MCP mohlo integraci zjednodušit a učinit spolehlivější?
Další: Kapitola 1: Základní koncepty
Prohlášení o vyloučení odpovědnosti:
Tento dokument byl přeložen pomocí AI překladatelské služby Co-op Translator. I když se snažíme o přesnost, berte prosím na vědomí, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo chybné interpretace vyplývající z používání tohoto překladu.