Skip to content

README.md

Latest commit

 

History

History
656 lines (517 loc) · 25.2 KB

README.md

File metadata and controls

656 lines (517 loc) · 25.2 KB

MCP Root Contexts

A root contextok alapvető fogalmak a Model Context Protocolban, amelyek egy állandó réteget biztosítanak a beszélgetési előzmények és a megosztott állapot több kérés és munkamenet során történő megőrzéséhez.

Bevezetés

Ebben a leckében megvizsgáljuk, hogyan lehet létrehozni, kezelni és használni a root contextokat az MCP-ben.

Tanulási célok

A lecke végére képes leszel:

  • Megérteni a root contextok célját és felépítését
  • Létrehozni és kezelni root contextokat az MCP klienskönyvtárak segítségével
  • Megvalósítani root contextokat .NET, Java, JavaScript és Python alkalmazásokban
  • Használni a root contextokat többszörös körös beszélgetésekhez és állapotkezeléshez
  • Alkalmazni a legjobb gyakorlatokat a root context kezelésében

A root contextok megértése

A root contextok olyan tárolók, amelyek egy sor kapcsolódó interakció előzményeit és állapotát tartják. Ezek lehetővé teszik:

  • Beszélgetés megőrzése: Koherens, többszörös körös beszélgetések fenntartása
  • Memóriakezelés: Információk tárolása és előhívása az interakciók között
  • Állapotkezelés: Haladás követése összetett munkafolyamatokban
  • Kontekstus megosztás: Több kliens számára ugyanazon beszélgetési állapot elérhetővé tétele

Az MCP-ben a root contextoknak ezek a fő jellemzői:

  • Minden root context egyedi azonosítóval rendelkezik.
  • Tartalmazhatnak beszélgetési előzményeket, felhasználói beállításokat és egyéb metaadatokat.
  • Létrehozhatók, elérhetők és archiválhatók igény szerint.
  • Finomhangolt hozzáférés-vezérlést és jogosultságokat támogatnak.

Root context életciklus

flowchart TD
    A[Create Root Context] --> B[Initialize with Metadata]
    B --> C[Send Requests with Context ID]
    C --> D[Update Context with Results]
    D --> C
    D --> E[Archive Context When Complete]
Loading

Root contextok kezelése

Íme egy példa arra, hogyan lehet létrehozni és kezelni root contextokat.

C# megvalósítás

// .NET Example: Root Context Management
using Microsoft.Mcp.Client;
using System;
using System.Threading.Tasks;
using System.Collections.Generic;

public class RootContextExample
{
    private readonly IMcpClient _client;
    private readonly IRootContextManager _contextManager;
    
    public RootContextExample(IMcpClient client, IRootContextManager contextManager)
    {
        _client = client;
        _contextManager = contextManager;
    }
    
    public async Task DemonstrateRootContextAsync()
    {
        // 1. Create a new root context
        var contextResult = await _contextManager.CreateRootContextAsync(new RootContextCreateOptions
        {
            Name = "Customer Support Session",
            Metadata = new Dictionary<string, string>
            {
                ["CustomerName"] = "Acme Corporation",
                ["PriorityLevel"] = "High",
                ["Domain"] = "Cloud Services"
            }
        });
        
        string contextId = contextResult.ContextId;
        Console.WriteLine($"Created root context with ID: {contextId}");
        
        // 2. First interaction using the context
        var response1 = await _client.SendPromptAsync(
            "I'm having issues scaling my web service deployment in the cloud.", 
            new SendPromptOptions { RootContextId = contextId }
        );
        
        Console.WriteLine($"First response: {response1.GeneratedText}");
        
        // Second interaction - the model will have access to the previous conversation
        var response2 = await _client.SendPromptAsync(
            "Yes, we're using containerized deployments with Kubernetes.", 
            new SendPromptOptions { RootContextId = contextId }
        );
        
        Console.WriteLine($"Second response: {response2.GeneratedText}");
        
        // 3. Add metadata to the context based on conversation
        await _contextManager.UpdateContextMetadataAsync(contextId, new Dictionary<string, string>
        {
            ["TechnicalEnvironment"] = "Kubernetes",
            ["IssueType"] = "Scaling"
        });
        
        // 4. Get context information
        var contextInfo = await _contextManager.GetRootContextInfoAsync(contextId);
        
        Console.WriteLine("Context Information:");
        Console.WriteLine($"- Name: {contextInfo.Name}");
        Console.WriteLine($"- Created: {contextInfo.CreatedAt}");
        Console.WriteLine($"- Messages: {contextInfo.MessageCount}");
        
        // 5. When the conversation is complete, archive the context
        await _contextManager.ArchiveRootContextAsync(contextId);
        Console.WriteLine($"Archived context {contextId}");
    }
}

A fenti kódban:

  1. Létrehoztunk egy root contextot egy ügyféltámogatási munkamenethez.
  2. Több üzenetet küldtünk ebben a contextben, lehetővé téve a modell számára az állapot fenntartását.
  3. Frissítettük a contextet a beszélgetés alapján releváns metaadatokkal.
  4. Lekértük a context információit a beszélgetési előzmények megértéséhez.
  5. Archiváltuk a contextet, amikor a beszélgetés befejeződött.

Példa: Root context megvalósítása pénzügyi elemzéshez

Ebben a példában létrehozunk egy root contextot egy pénzügyi elemzési munkamenethez, bemutatva, hogyan lehet az állapotot több interakción keresztül megőrizni.

Java megvalósítás

// Java Example: Root Context Implementation
package com.example.mcp.contexts;

import com.mcp.client.McpClient;
import com.mcp.client.ContextManager;
import com.mcp.models.RootContext;
import com.mcp.models.McpResponse;

import java.util.HashMap;
import java.util.Map;
import java.util.UUID;

public class RootContextsDemo {
    private final McpClient client;
    private final ContextManager contextManager;
    
    public RootContextsDemo(String serverUrl) {
        this.client = new McpClient.Builder()
            .setServerUrl(serverUrl)
            .build();
            
        this.contextManager = new ContextManager(client);
    }
    
    public void demonstrateRootContext() throws Exception {
        // Create context metadata
        Map<String, String> metadata = new HashMap<>();
        metadata.put("projectName", "Financial Analysis");
        metadata.put("userRole", "Financial Analyst");
        metadata.put("dataSource", "Q1 2025 Financial Reports");
        
        // 1. Create a new root context
        RootContext context = contextManager.createRootContext("Financial Analysis Session", metadata);
        String contextId = context.getId();
        
        System.out.println("Created context: " + contextId);
        
        // 2. First interaction
        McpResponse response1 = client.sendPrompt(
            "Analyze the trends in Q1 financial data for our technology division",
            contextId
        );
        
        System.out.println("First response: " + response1.getGeneratedText());
        
        // 3. Update context with important information gained from response
        contextManager.addContextMetadata(contextId, 
            Map.of("identifiedTrend", "Increasing cloud infrastructure costs"));
        
        // Second interaction - using the same context
        McpResponse response2 = client.sendPrompt(
            "What's driving the increase in cloud infrastructure costs?",
            contextId
        );
        
        System.out.println("Second response: " + response2.getGeneratedText());
        
        // 4. Generate a summary of the analysis session
        McpResponse summaryResponse = client.sendPrompt(
            "Summarize our analysis of the technology division financials in 3-5 key points",
            contextId
        );
        
        // Store the summary in context metadata
        contextManager.addContextMetadata(contextId, 
            Map.of("analysisSummary", summaryResponse.getGeneratedText()));
            
        // Get updated context information
        RootContext updatedContext = contextManager.getRootContext(contextId);
        
        System.out.println("Context Information:");
        System.out.println("- Created: " + updatedContext.getCreatedAt());
        System.out.println("- Last Updated: " + updatedContext.getLastUpdatedAt());
        System.out.println("- Analysis Summary: " + 
            updatedContext.getMetadata().get("analysisSummary"));
            
        // 5. Archive context when done
        contextManager.archiveContext(contextId);
        System.out.println("Context archived");
    }
}

A fenti kódban:

  1. Létrehoztunk egy root contextot egy pénzügyi elemzési munkamenethez.
  2. Több üzenetet küldtünk ebben a contextben, lehetővé téve a modell számára az állapot fenntartását.
  3. Frissítettük a contextet a beszélgetés alapján releváns metaadatokkal.
  4. Összefoglalót készítettünk az elemzési munkamenetről, és elmentettük a context metaadatai közé.
  5. Archiváltuk a contextet, amikor a beszélgetés befejeződött.

Példa: Root context kezelés

A root contextok hatékony kezelése kulcsfontosságú a beszélgetési előzmények és állapot megőrzéséhez. Az alábbi példa bemutatja a root context kezelés megvalósítását.

JavaScript megvalósítás

// JavaScript Example: Managing MCP Root Contexts
const { McpClient, RootContextManager } = require('@mcp/client');

class ContextSession {
  constructor(serverUrl, apiKey = null) {
    // Initialize the MCP client
    this.client = new McpClient({
      serverUrl,
      apiKey
    });
    
    // Initialize context manager
    this.contextManager = new RootContextManager(this.client);
  }
  
  /**
   * Create a new conversation context
   * @param {string} sessionName - Name of the conversation session
   * @param {Object} metadata - Additional metadata for the context
   * @returns {Promise<string>} - Context ID
   */
  async createConversationContext(sessionName, metadata = {}) {
    try {
      const contextResult = await this.contextManager.createRootContext({
        name: sessionName,
        metadata: {
          ...metadata,
          createdAt: new Date().toISOString(),
          status: 'active'
        }
      });
      
      console.log(`Created root context '${sessionName}' with ID: ${contextResult.id}`);
      return contextResult.id;
    } catch (error) {
      console.error('Error creating root context:', error);
      throw error;
    }
  }
  
  /**
   * Send a message in an existing context
   * @param {string} contextId - The root context ID
   * @param {string} message - The user's message
   * @param {Object} options - Additional options
   * @returns {Promise<Object>} - Response data
   */
  async sendMessage(contextId, message, options = {}) {
    try {
      // Send the message using the specified context
      const response = await this.client.sendPrompt(message, {
        rootContextId: contextId,
        temperature: options.temperature || 0.7,
        allowedTools: options.allowedTools || []
      });
      
      // Optionally store important insights from the conversation
      if (options.storeInsights) {
        await this.storeConversationInsights(contextId, message, response.generatedText);
      }
      
      return {
        message: response.generatedText,
        toolCalls: response.toolCalls || [],
        contextId
      };
    } catch (error) {
      console.error(`Error sending message in context ${contextId}:`, error);
      throw error;
    }
  }
  
  /**
   * Store important insights from a conversation
   * @param {string} contextId - The root context ID
   * @param {string} userMessage - User's message
   * @param {string} aiResponse - AI's response
   */
  async storeConversationInsights(contextId, userMessage, aiResponse) {
    try {
      // Extract potential insights (in a real app, this would be more sophisticated)
      const combinedText = userMessage + "\n" + aiResponse;
      
      // Simple heuristic to identify potential insights
      const insightWords = ["important", "key point", "remember", "significant", "crucial"];
      
      const potentialInsights = combinedText
        .split(".")
        .filter(sentence => 
          insightWords.some(word => sentence.toLowerCase().includes(word))
        )
        .map(sentence => sentence.trim())
        .filter(sentence => sentence.length > 10);
      
      // Store insights in context metadata
      if (potentialInsights.length > 0) {
        const insights = {};
        potentialInsights.forEach((insight, index) => {
          insights[`insight_${Date.now()}_${index}`] = insight;
        });
        
        await this.contextManager.updateContextMetadata(contextId, insights);
        console.log(`Stored ${potentialInsights.length} insights in context ${contextId}`);
      }
    } catch (error) {
      console.warn('Error storing conversation insights:', error);
      // Non-critical error, so just log warning
    }
  }
  
  /**
   * Get summary information about a context
   * @param {string} contextId - The root context ID
   * @returns {Promise<Object>} - Context information
   */
  async getContextInfo(contextId) {
    try {
      const contextInfo = await this.contextManager.getContextInfo(contextId);
      
      return {
        id: contextInfo.id,
        name: contextInfo.name,
        created: new Date(contextInfo.createdAt).toLocaleString(),
        lastUpdated: new Date(contextInfo.lastUpdatedAt).toLocaleString(),
        messageCount: contextInfo.messageCount,
        metadata: contextInfo.metadata,
        status: contextInfo.status
      };
    } catch (error) {
      console.error(`Error getting context info for ${contextId}:`, error);
      throw error;
    }
  }
  
  /**
   * Generate a summary of the conversation in a context
   * @param {string} contextId - The root context ID
   * @returns {Promise<string>} - Generated summary
   */
  async generateContextSummary(contextId) {
    try {
      // Ask the model to generate a summary of the conversation so far
      const response = await this.client.sendPrompt(
        "Please summarize our conversation so far in 3-4 sentences, highlighting the main points discussed.",
        { rootContextId: contextId, temperature: 0.3 }
      );
      
      // Store the summary in context metadata
      await this.contextManager.updateContextMetadata(contextId, {
        conversationSummary: response.generatedText,
        summarizedAt: new Date().toISOString()
      });
      
      return response.generatedText;
    } catch (error) {
      console.error(`Error generating context summary for ${contextId}:`, error);
      throw error;
    }
  }
  
  /**
   * Archive a context when it's no longer needed
   * @param {string} contextId - The root context ID
   * @returns {Promise<Object>} - Result of the archive operation
   */
  async archiveContext(contextId) {
    try {
      // Generate a final summary before archiving
      const summary = await this.generateContextSummary(contextId);
      
      // Archive the context
      await this.contextManager.archiveContext(contextId);
      
      return {
        status: "archived",
        contextId,
        summary
      };
    } catch (error) {
      console.error(`Error archiving context ${contextId}:`, error);
      throw error;
    }
  }
}

// Example usage
async function demonstrateContextSession() {
  const session = new ContextSession('https://mcp-server-example.com');
  
  try {
    // 1. Create a new context for a product support conversation
    const contextId = await session.createConversationContext(
      'Product Support - Database Performance',
      {
        customer: 'Globex Corporation',
        product: 'Enterprise Database',
        severity: 'Medium',
        supportAgent: 'AI Assistant'
      }
    );
    
    // 2. First message in the conversation
    const response1 = await session.sendMessage(
      contextId,
      "I'm experiencing slow query performance on our database cluster after the latest update.",
      { storeInsights: true }
    );
    console.log('Response 1:', response1.message);
    
    // Follow-up message in the same context
    const response2 = await session.sendMessage(
      contextId,
      "Yes, we've already checked the indexes and they seem to be properly configured.",
      { storeInsights: true }
    );
    console.log('Response 2:', response2.message);
    
    // 3. Get information about the context
    const contextInfo = await session.getContextInfo(contextId);
    console.log('Context Information:', contextInfo);
    
    // 4. Generate and display conversation summary
    const summary = await session.generateContextSummary(contextId);
    console.log('Conversation Summary:', summary);
    
    // 5. Archive the context when done
    const archiveResult = await session.archiveContext(contextId);
    console.log('Archive Result:', archiveResult);
    
    // 6. Handle any errors gracefully
  } catch (error) {
    console.error('Error in context session demonstration:', error);
  }
}

demonstrateContextSession();

A fenti kódban:

  1. Létrehoztunk egy root contextot egy terméktámogatási beszélgetéshez a createConversationContext függvénnyel. Ebben az esetben a context adatbázis teljesítményproblémákról szól.

  2. Több üzenetet küldtünk ebben a contextben, lehetővé téve a modell számára az állapot fenntartását a sendMessage függvénnyel. Az üzenetek lassú lekérdezési teljesítményről és index konfigurációról szólnak.

  3. Frissítettük a contextet a beszélgetés alapján releváns metaadatokkal.

  4. Összefoglalót generáltunk a beszélgetésről, és elmentettük a context metaadatai közé a generateContextSummary függvénnyel.

  5. Archiváltuk a contextet a beszélgetés befejezésekor az archiveContext függvénnyel.

  6. Hibakezelést alkalmaztunk a megbízhatóság biztosítása érdekében.

Root context többszörös körös segítségnyújtáshoz

Ebben a példában létrehozunk egy root contextot egy többszörös körös segítségnyújtási munkamenethez, bemutatva, hogyan lehet az állapotot több interakción keresztül megőrizni.

Python megvalósítás

# Python Example: Root Context for Multi-Turn Assistance
import asyncio
from datetime import datetime
from mcp_client import McpClient, RootContextManager

class AssistantSession:
    def __init__(self, server_url, api_key=None):
        self.client = McpClient(server_url=server_url, api_key=api_key)
        self.context_manager = RootContextManager(self.client)
    
    async def create_session(self, name, user_info=None):
        """Create a new root context for an assistant session"""
        metadata = {
            "session_type": "assistant",
            "created_at": datetime.now().isoformat(),
        }
        
        # Add user information if provided
        if user_info:
            metadata.update({f"user_{k}": v for k, v in user_info.items()})
            
        # Create the root context
        context = await self.context_manager.create_root_context(name, metadata)
        return context.id
    
    async def send_message(self, context_id, message, tools=None):
        """Send a message within a root context"""
        # Create options with context ID
        options = {
            "root_context_id": context_id
        }
        
        # Add tools if specified
        if tools:
            options["allowed_tools"] = tools
        
        # Send the prompt within the context
        response = await self.client.send_prompt(message, options)
        
        # Update context metadata with conversation progress
        await self.context_manager.update_context_metadata(
            context_id,
            {
                f"message_{datetime.now().timestamp()}": message[:50] + "...",
                "last_interaction": datetime.now().isoformat()
            }
        )
        
        return response
    
    async def get_conversation_history(self, context_id):
        """Retrieve conversation history from a context"""
        context_info = await self.context_manager.get_context_info(context_id)
        messages = await self.client.get_context_messages(context_id)
        
        return {
            "context_info": context_info,
            "messages": messages
        }
    
    async def end_session(self, context_id):
        """End an assistant session by archiving the context"""
        # Generate a summary prompt first
        summary_response = await self.client.send_prompt(
            "Please summarize our conversation and any key points or decisions made.",
            {"root_context_id": context_id}
        )
        
        # Store summary in metadata
        await self.context_manager.update_context_metadata(
            context_id,
            {
                "summary": summary_response.generated_text,
                "ended_at": datetime.now().isoformat(),
                "status": "completed"
            }
        )
        
        # Archive the context
        await self.context_manager.archive_context(context_id)
        
        return {
            "status": "completed",
            "summary": summary_response.generated_text
        }

# Example usage
async def demo_assistant_session():
    assistant = AssistantSession("https://mcp-server-example.com")
    
    # 1. Create session
    context_id = await assistant.create_session(
        "Technical Support Session",
        {"name": "Alex", "technical_level": "advanced", "product": "Cloud Services"}
    )
    print(f"Created session with context ID: {context_id}")
    
    # 2. First interaction
    response1 = await assistant.send_message(
        context_id, 
        "I'm having trouble with the auto-scaling feature in your cloud platform.",
        ["documentation_search", "diagnostic_tool"]
    )
    print(f"Response 1: {response1.generated_text}")
    
    # Second interaction in the same context
    response2 = await assistant.send_message(
        context_id,
        "Yes, I've already checked the configuration settings you mentioned, but it's still not working."
    )
    print(f"Response 2: {response2.generated_text}")
    
    # 3. Get history
    history = await assistant.get_conversation_history(context_id)
    print(f"Session has {len(history['messages'])} messages")
    
    # 4. End session
    end_result = await assistant.end_session(context_id)
    print(f"Session ended with summary: {end_result['summary']}")

if __name__ == "__main__":
    asyncio.run(demo_assistant_session())

A fenti kódban:

  1. Létrehoztunk egy root contextot egy műszaki támogatási munkamenethez a create_session függvénnyel. A context tartalmazza a felhasználó adatait, például nevet és technikai szintet.

  2. Több üzenetet küldtünk ebben a contextben, lehetővé téve a modell számára az állapot fenntartását a send_message függvénnyel. Az üzenetek az automatikus skálázási funkcióval kapcsolatos problémákról szólnak.

  3. Lekértük a beszélgetési előzményeket a get_conversation_history függvénnyel, amely kontextusinformációkat és üzeneteket szolgáltat.

  4. Befejeztük a munkamenetet a context archiválásával és összefoglaló generálásával az end_session függvénnyel. Az összefoglaló rögzíti a beszélgetés fő pontjait.

Root context legjobb gyakorlatok

Íme néhány legjobb gyakorlat a root contextok hatékony kezeléséhez:

  • Fókuszált contextok létrehozása: Külön root contextokat hozz létre különböző beszélgetési célokra vagy területekre a tisztaság megőrzése érdekében.

  • Lejárati szabályok beállítása: Alkalmazz archiválási vagy törlési szabályokat a régi contextok kezelésére, hogy optimalizáld a tárhelyet és megfelelj az adatmegőrzési előírásoknak.

  • Releváns metaadatok tárolása: Használd a context metaadatait fontos információk tárolására, amelyek később hasznosak lehetnek.

  • Kontekstusazonosítók következetes használata: Miután létrehoztál egy contextot, használd annak azonosítóját következetesen az összes kapcsolódó kérésnél a folytonosság érdekében.

  • Összefoglalók generálása: Ha egy context túl nagyra nő, fontold meg összefoglalók készítését, hogy a lényeges információkat megőrizd, miközben kezelhető méretű maradjon.

  • Hozzáférés-vezérlés megvalósítása: Többfelhasználós rendszerek esetén alkalmazz megfelelő hozzáférés-vezérlést a beszélgetési contextok adatvédelme és biztonsága érdekében.

  • Kontekstus korlátok kezelése: Légy tisztában a context méretkorlátokkal, és dolgozz ki stratégiákat nagyon hosszú beszélgetések kezelésére.

  • Archiválás a befejezéskor: Archiváld a contextokat a beszélgetések befejezésekor, hogy felszabadítsd az erőforrásokat, miközben megőrzöd a beszélgetési előzményeket.

Mi következik

Jogi nyilatkozat:
Ez a dokumentum az AI fordító szolgáltatás, a Co-op Translator segítségével készült. Bár a pontosságra törekszünk, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az anyanyelvén tekintendő hiteles forrásnak. Fontos információk esetén szakmai, emberi fordítást javaslunk. Nem vállalunk felelősséget az ebből a fordításból eredő félreértésekért vagy téves értelmezésekért.