(Kliknite gornju sliku za gledanje video lekcije)
Generativne AI aplikacije predstavljaju veliki korak naprijed jer često omogućuju korisniku da komunicira s aplikacijom pomoću prirodnih jezičnih upita. Međutim, kako se u takve aplikacije ulaže više vremena i resursa, želite biti sigurni da možete lako integrirati funkcionalnosti i resurse na takav način da je jednostavno proširiti ih, da vaša aplikacija može podržati korištenje više od jednog modela i da se nosi s raznim složenostima modela. Ukratko, izgradnja Gen AI aplikacija na početku je jednostavna, ali kako rastu i postaju složenije, potrebno je početi definirati arhitekturu i vjerojatno se osloniti na standard koji osigurava da su vaše aplikacije izgrađene na dosljedan način. Tu dolazi MCP da organizira stvari i pruži standard.
Model Context Protocol (MCP) je otvoreno, standardizirano sučelje koje omogućuje velikim jezičnim modelima (LLM-ovima) da bešavno surađuju s vanjskim alatima, API-jima i izvorima podataka. Pruža dosljednu arhitekturu za proširenje funkcionalnosti AI modela izvan njihovih podataka za treniranje, omogućujući pametnije, skalabilnije i responzivnije AI sustave.
Kako generativne AI aplikacije postaju složenije, bitno je usvojiti standarde koji osiguravaju skalabilnost, proširivost, održivost i izbjegavanje vezivanja uz proizvođača. MCP adresira ove potrebe kroz:
- Ujedinjenje integracija modela i alata
- Smanjenje lomljivih, jednokratnih prilagođenih rješenja
- Omogućavanje suradnje više modela različitih proizvođača unutar jedinstvenog ekosustava
Napomena: Iako se MCP predstavlja kao otvoreni standard, nema planova da se standardizira putem postojećih tijela za standardizaciju poput IEEE, IETF, W3C, ISO ili bilo kojeg drugog tijela za standarde.
Na kraju ovog članka moći ćete:
- Definirati Model Context Protocol (MCP) i njegove slučajeve korištenja
- Razumjeti kako MCP standardizira komunikaciju modela s alatima
- Prepoznati ključne komponente MCP arhitekture
- Istražiti primjere stvarne primjene MCP-a u poduzećima i razvojnim kontekstima
Prije MCP-a, integracija modela s alatima zahtijevala je:
- Prilagođeni kod za svaki par alat-model
- Nestandardne API-je za svakog proizvođača
- Česte prekide zbog ažuriranja
- Lošu skalabilnost s većim brojem alata
| Prednost | Opis |
|---|---|
| Interoperabilnost | LLM-ovi besprijekorno rade s alatima različitih proizvođača |
| Dosljednost | Jednako ponašanje na platformama i alatima |
| Ponovna upotrebljivost | Alati napravljeni jednom mogu se koristiti u različitim projektima i sustavima |
| Ubrzani razvoj | Smanjuje vrijeme razvoja koristeći standardizirana, plug-and-play sučelja |
MCP slijedi klijent-poslužitelj model, gdje:
- MCP Hostovi pokreću AI modele
- MCP Klijenti iniciraju zahtjeve
- MCP Poslužitelji opslužuju kontekst, alate i mogućnosti
- Resursi – Statički ili dinamički podaci za modele
- Upiti (Prompts) – Unaprijed definirani tijekovi rada za vođenu generaciju
- Alati – Izvršne funkcije poput pretraživanja, izračuna
- Uzorak (Sampling) – Agentno ponašanje putem rekurzivnih interakcija
- Izazivanje (Elicitation) – Zahtjevi koje pokreće poslužitelj za unos korisnika
- Korijeni (Roots) – Granice datotečnog sustava za kontrolu pristupa poslužitelja
MCP koristi dvoslojnu arhitekturu:
- Sloj podataka: komunikacija temeljem JSON-RPC 2.0 s upravljanjem životnim ciklusom i primitivima
- Transportni sloj: STDIO (lokalna) i prenosiva HTTP komunikacija s SSE (udaljena)
MCP poslužitelji rade na sljedeći način:
- Tok zahtjeva:
- Zahtjev inicira krajnji korisnik ili softver koji djeluje u njegovo ime.
- MCP Klijent šalje zahtjev na MCP Host, koji upravlja izvođenjem AI modela.
- AI Model prima korisnički upit i može zatražiti pristup vanjskim alatima ili podacima putem jedne ili više poziva alata.
- MCP Host, a ne sam model, komunicira s odgovarajućim MCP Poslužiteljem/ima koristeći standardizirani protokol.
- Funkcionalnost MCP Host-a:
- Registar alata: Održava katalog dostupnih alata i njihovih mogućnosti.
- Autentikacija: Provjerava dopuštenja za pristup alatima.
- Upravitelj zahtjeva: Procesira dolazne zahtjeve za alate od modela.
- Formatiranje odgovora: Strukturira izlaze alata u formatu koji model razumije.
- Izvršenje MCP Poslužitelja:
- MCP Host usmjerava pozive alata na jednog ili više MCP Poslužitelja, od kojih svaki izlaže specijalizirane funkcije (npr. pretraživanje, izračuni, upiti baze podataka).
- MCP Poslužitelji obavljaju svoje operacije i vraćaju rezultate natrag MCP Hostu u dosljednom formatu.
- MCP Host formatira i prenosi ove rezultate AI Modelu.
- Završetak odgovora:
- AI Model uključi rezultate alata u konačni odgovor.
- MCP Host šalje taj odgovor natrag MCP Klijentu, koji ga dostavlja krajnjem korisniku ili pozivajućem softveru.
---
title: MCP Arhitektura i Interakcije Komponenti
description: Dijagram koji prikazuje tokove komponenti u MCP.
---
graph TD
Client[MCP Klijent/Aplikacija] -->|Šalje Zahtjev| H[MCP Domaćin]
H -->|Poziva| A[AI Model]
A -->|Zahtjev za Poziv Alata| H
H -->|MCP Protokol| T1[MCP Poslužiteljski Alat 01: Pretraživanje Weba]
H -->|MCP Protokol| T2[MCP Poslužiteljski Alat 02: Kalkulator alat]
H -->|MCP Protokol| T3[MCP Poslužiteljski Alat 03: Alat za Pristup Bazi Podataka]
H -->|MCP Protokol| T4[MCP Poslužiteljski Alat 04: Alat za Datotečni Sustav]
H -->|Šalje Odgovor| Client
subgraph "Komponente MCP Domaćina"
H
G[Registar Alata]
I[Autentikacija]
J[Upravitelj Zahtjeva]
K[Formatiralo Odgovora]
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 poslužitelji vam omogućuju proširivanje mogućnosti LLM-ova pružajući podatke i funkcionalnosti.
Spremni za isprobavanje? Evo jezično/pristupnih SDK-ova s primjerima za izradu jednostavnih MCP poslužitelja u različitim jezicima/okruženjima:
-
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 omogućuje širok spektar aplikacija proširujući AI mogućnosti:
| Primjena | Opis |
|---|---|
| Integracija podataka u poduzeću | Povezivanje LLM-ova s bazama podataka, CRM sustavima ili internim alatima |
| Agentni AI sustavi | Omogućavanje autonomnim agentima pristup alatima i tijekovima donošenja odluka |
| Multimodalne aplikacije | Kombinacija teksta, slike i audio alata unutar jedinstvene AI aplikacije |
| Integracija podataka u stvarnom vremenu | Uvođenje uživo podataka u AI interakcije za preciznije, aktualne rezultate |
Model Context Protocol (MCP) djeluje kao univerzalni standard za AI interakcije, poput USB-C standardizacije fizičkih priključaka za uređaje. U svijetu AI-a, MCP nudi dosljedno sučelje koje omogućuje modelima (klijentima) bešavnu integraciju s vanjskim alatima i pružateljima podataka (poslužiteljima). Time se uklanja potreba za različitim, prilagođenim protokolima za svaki API ili izvor podataka.
Prema MCP-u, alat kompatibilan s MCP-om (poznat kao MCP poslužitelj) slijedi ujednačeni standard. Ti poslužitelji mogu navesti alate ili akcije koje nude i izvršavati ih na zahtjev AI agenta. Platforme AI agenata koje podržavaju MCP mogu otkrivati dostupne alate na poslužiteljima i pozivati ih putem ovog standardiziranog protokola.
Osim što nudi alate, MCP također omogućuje pristup znanju. Omogućuje aplikacijama da pruže kontekst velikim jezičnim modelima (LLM-ovima) povezujući ih s različitim izvorima podataka. Na primjer, MCP poslužitelj može predstavljati spremište dokumenata tvrtke, što agentima omogućuje dohvaćanje relevantnih informacija na zahtjev. Drugi poslužitelj može upravljati specifičnim akcijama poput slanja e-pošte ili ažuriranja zapisa. Iz perspektive agenta, to su jednostavno alati koje može koristiti — neki alati vraćaju podatke (kontekst znanja), dok drugi izvršavaju akcije. MCP učinkovito upravlja oboje.
Agent koji se povezuje s MCP poslužiteljem automatski uči o dostupnim mogućnostima poslužitelja i pristupačnim podacima kroz standardizirani format. Ova standardizacija omogućuje dinamičku dostupnost alata. Na primjer, dodavanje novog MCP poslužitelja u sustav agenta čini njegove funkcije odmah dostupnima bez dodatnih prilagodbi uputa za agenta.
Ova pojednostavljena integracija usklađena je s protokom prikazanim na sljedećoj dijagramu, gdje poslužitelji pružaju i alate i znanje, osiguravajući besprijekornu suradnju među sustavima.
---
title: Rješenje skalabilnog agenta s MCP-om
description: Dijagram koji ilustrira kako korisnik komunicira s LLM-om koji se povezuje s više MCP servera, pri čemu svaki server pruža i znanje i alate, stvarajući skalabilnu arhitekturu AI sustava
---
graph TD
User -->|Upit| LLM
LLM -->|Odgovor| User
LLM -->|MCP| ServerA
LLM -->|MCP| ServerB
ServerA -->|Univerzalni konektor| ServerB
ServerA --> KnowledgeA
ServerA --> ToolsA
ServerB --> KnowledgeB
ServerB --> ToolsB
subgraph Server A
KnowledgeA[Znanje]
ToolsA[Alati]
end
subgraph Server B
KnowledgeB[Znanje]
ToolsB[Alati]
end
```Universalni konektor omogućuje MCP poslužiteljima da međusobno komuniciraju i dijele mogućnosti, dopuštajući ServerA da delegira zadatke ServerB-u ili pristupi njegovim alatima i znanju. Time se alatima i podacima upravlja preko više poslužitelja, podupirući skalabilne i modularne agentne arhitekture. Budući da MCP standardizira izlaganje alata, agenti ih mogu dinamički otkrivati i upravljati zahtjevima između poslužitelja bez kodiranih integracija.
Federacija alata i znanja: Alatima i podacima se može upravljati preko poslužitelja, omogućujući skalabilnije i modularnije agentne arhitekture.
### 🔄 Napredni MCP scenariji s integracijom LLM-a na strani klijenta
Osim osnovne MCP arhitekture, postoje napredni scenariji u kojima i klijent i poslužitelj sadrže LLM-ove, što omogućuje sofisticiranije interakcije. Na sljedećem dijagramu, **Klijentska aplikacija** može biti IDE s nizom dostupnih MCP alata za korištenje od strane LLM-a:
```mermaid
---
title: Napredni MCP scenariji s integracijom klijent-poslužitelj LLM-a
description: Dijagram sekvence koji prikazuje detaljni tijek interakcije između korisnika, klijentske aplikacije, klijentskog LLM-a, više MCP poslužitelja i poslužiteljskog LLM-a, ilustrirajući faze otkrivanja alata, interakcije s korisnikom, izravnog poziva alata i pregovora o značajkama
---
sequenceDiagram
autonumber
actor User as 👤 Korisnik
participant ClientApp as 🖥️ Klijentska aplikacija
participant ClientLLM as 🧠 Klijentski LLM
participant Server1 as 🔧 MCP poslužitelj 1
participant Server2 as 📚 MCP poslužitelj 2
participant ServerLLM as 🤖 Poslužiteljski LLM
%% Discovery Phase
rect rgb(220, 240, 255)
Note over ClientApp, Server2: FAZA OTKRIVANJA ALATA
ClientApp->>+Server1: Zahtjev za dostupnim alatima/resursima
Server1-->>-ClientApp: Povratak popisa alata (JSON)
ClientApp->>+Server2: Zahtjev za dostupnim alatima/resursima
Server2-->>-ClientApp: Povratak popisa alata (JSON)
Note right of ClientApp: Spremi kombinirani katalog<br/>alata lokalno
end
%% User Interaction
rect rgb(255, 240, 220)
Note over User, ClientLLM: FAZA INTERAKCIJE S KORISNIKOM
User->>+ClientApp: Unesi upit na prirodnom jeziku
ClientApp->>+ClientLLM: Proslijedi upit + katalog alata
ClientLLM->>-ClientLLM: Analiziraj upit i odaberi alate
end
%% Scenario A: Direct Tool Calling
alt Izravni poziv alata
rect rgb(220, 255, 220)
Note over ClientApp, Server1: SCENARIJ A: IZRAVNI POZIV ALATA
ClientLLM->>+ClientApp: Zahtjev za izvršenjem alata
ClientApp->>+Server1: Izvrši određeni alat
Server1-->>-ClientApp: Vrati rezultate
ClientApp->>+ClientLLM: Obradi rezultate
ClientLLM-->>-ClientApp: Generiraj odgovor
ClientApp-->>-User: Prikaži konačan odgovor
end
%% Scenario B: Feature Negotiation (VS Code style)
else Pregovaranje o značajkama (stil VS Code)
rect rgb(255, 220, 220)
Note over ClientApp, ServerLLM: SCENARIJ B: PREGOVARANJE O ZNAČAJKAMA
ClientLLM->>+ClientApp: Identificiraj potrebne mogućnosti
ClientApp->>+Server2: Pregovaraj o značajkama/mogućnostima
Server2->>+ServerLLM: Zahtjev za dodatnim kontekstom
ServerLLM-->>-Server2: Pruži kontekst
Server2-->>-ClientApp: Vrati dostupne značajke
ClientApp->>+Server2: Pozovi pregovarane alate
Server2-->>-ClientApp: Vrati rezultate
ClientApp->>+ClientLLM: Obradi rezultate
ClientLLM-->>-ClientApp: Generiraj odgovor
ClientApp-->>-User: Prikaži konačan odgovor
end
end
Evo praktičnih prednosti korištenja MCP-a:
- Svježina: Modeli mogu pristupati aktualnim informacijama izvan svojih podataka za treniranje
- Proširenje mogućnosti: Modeli mogu koristiti specijalizirane alate za zadatke za koje nisu trenirani
- Smanjenje halucinacija: Vanjski izvori podataka pružaju činjenice kao osnovu
- Privatnost: Osjetljivi podaci mogu ostati u sigurnom okruženju umjesto da budu ugrađeni u upite
Evo glavnih zaključaka za korištenje MCP-a:
- MCP standardizira način na koji AI modeli komuniciraju s alatima i podacima
- Potiče proširivost, dosljednost i interoperabilnost
- MCP pomaže skratiti vrijeme razvoja, poboljšati pouzdanost i proširiti mogućnosti modela
- Klijent-poslužitelj arhitektura omogućuje fleksibilne i proširive AI aplikacije
Razmislite o AI aplikaciji koju vas zanima izgraditi.
- Koji vanjski alati ili podaci bi mogli poboljšati njezine mogućnosti?
- Kako MCP može učiniti integraciju jednostavnijom i pouzdanijom?
Sljedeće: Poglavlje 1: Osnovni koncepti
Odricanje od odgovornosti:
Ovaj je dokument preveden pomoću AI usluge za prevođenje Co-op Translator. Iako nastojimo postići točnost, imajte na umu da automatizirani prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na njegovom izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni ljudski prijevod. Nismo odgovorni za eventualne nesporazume ili pogrešna tumačenja koja proizlaze iz upotrebe ovog prijevoda.