Skip to content

Latest commit

 

History

History
311 lines (232 loc) · 13.5 KB

README.md

File metadata and controls

311 lines (232 loc) · 13.5 KB

Model Context Protocol (MCP) 簡介：為何它對可擴展的 AI 應用至關重要

生成式 AI 應用是一大進步，因為它們通常允許使用者透過自然語言提示與應用互動。然而，隨著投入更多時間和資源，你會希望能輕鬆整合各種功能和資源，使應用易於擴展，能同時支援多個模型，並處理各種模型細節。簡言之，建立生成式 AI 應用起步容易，但隨著規模擴大和複雜度增加，你需要開始定義架構，並可能需要依賴一套標準，確保應用的一致性。這正是 MCP 發揮作用，組織並提供標準的地方。

🔍 什麼是 Model Context Protocol (MCP)?

Model Context Protocol (MCP) 是一個開放且標準化的介面，讓大型語言模型（LLM）能無縫連接外部工具、API 和資料來源。它提供一致的架構，讓 AI 模型的功能超越訓練資料，實現更智慧、可擴展且反應靈敏的 AI 系統。

🎯 為什麼 AI 領域需要標準化

隨著生成式 AI 應用越來越複雜，採用標準以確保可擴展性、可延展性和可維護性變得至關重要。MCP 解決了這些需求，透過：

  • 統一模型與工具的整合
  • 減少脆弱且一次性的客製化解決方案
  • 允許多個模型共存於同一生態系統

📚 學習目標

閱讀完本文後，你將能夠：

  • 定義 Model Context Protocol (MCP) 及其應用場景
  • 理解 MCP 如何標準化模型與工具的溝通
  • 辨識 MCP 架構的核心組件
  • 探索 MCP 在企業與開發環境中的實際應用

💡 為什麼 Model Context Protocol (MCP) 是改變遊戲規則的技術

🔗 MCP 解決 AI 互動的碎片化問題

在 MCP 出現之前，模型與工具的整合需要：

  • 每對工具與模型撰寫客製化程式碼
  • 各廠商使用非標準 API
  • 更新頻繁導致整合中斷
  • 工具數量增加時擴展性差

✅ MCP 標準化的好處

好處 說明
互通性 LLM 能與不同廠商的工具無縫合作
一致性 跨平台與工具保持統一行為
可重用性 工具只需開發一次，可跨專案與系統使用
加速開發 使用標準化、即插即用介面，減少開發時間

🧱 MCP 架構高階概覽

MCP 採用客戶端-伺服器模型，其中：

  • MCP Hosts 運行 AI 模型
  • MCP Clients 發起請求
  • MCP Servers 提供上下文、工具與功能

主要組件：

  • Resources – 提供模型的靜態或動態資料
  • Prompts – 預先定義的工作流程，用於引導生成
  • Tools – 可執行的功能，如搜尋、計算
  • Sampling – 透過遞迴互動實現代理行為

MCP 伺服器如何運作

MCP 伺服器的運作流程如下：

  • 請求流程：

    1. MCP Client 向運行於 MCP Host 的 AI 模型發送請求。
    2. AI 模型判斷何時需要外部工具或資料。
    3. 模型使用標準化協議與 MCP Server 通訊。

  • MCP Server 功能：

    • 工具註冊表：維護可用工具及其功能目錄。
    • 認證：驗證工具存取權限。
    • 請求處理器：處理模型發出的工具請求。
    • 回應格式化器：將工具輸出整理成模型可理解的格式。

  • 工具執行：

    • 伺服器將請求導向適當的外部工具。
    • 工具執行其專門功能（搜尋、計算、資料庫查詢等）。
    • 結果以一致格式回傳給模型。

  • 回應完成：

    • AI 模型將工具輸出整合進回應中。
    • 最終回應送回客戶端應用。
---
title: MCP Server Architecture and Component Interactions
description: A diagram showing how AI models interact with MCP servers and various tools, depicting the request flow and server components including Tool Registry, Authentication, Request Handler, and Response Formatter
---
graph TD
    A[AI Model in MCP Host] <-->|MCP Protocol| B[MCP Server]
    B <-->|Tool Interface| C[Tool 1: Web Search]
    B <-->|Tool Interface| D[Tool 2: Calculator]
    B <-->|Tool Interface| E[Tool 3: Database Access]
    B <-->|Tool Interface| F[Tool 4: File System]
    
    Client[MCP Client/Application] -->|Sends Request| A
    A -->|Returns Response| Client
    
    subgraph "MCP Server Components"
        B
        G[Tool Registry]
        H[Authentication]
        I[Request Handler]
        J[Response Formatter]
    end
    
    B <--> G
    B <--> H
    B <--> I
    B <--> J
    
    style A fill:#f9d5e5,stroke:#333,stroke-width:2px
    style B fill:#eeeeee,stroke:#333,stroke-width:2px
    style Client fill:#d5e8f9,stroke:#333,stroke-width:2px
    style C fill:#c2f0c2,stroke:#333,stroke-width:1px
    style D fill:#c2f0c2,stroke:#333,stroke-width:1px
    style E fill:#c2f0c2,stroke:#333,stroke-width:1px
    style F fill:#c2f0c2,stroke:#333,stroke-width:1px
Loading

👨‍💻 如何建立 MCP 伺服器（附範例）

MCP 伺服器讓你能透過提供資料與功能，擴展 LLM 的能力。

準備好試試看了嗎？以下是用不同語言建立簡易 MCP 伺服器的範例：

🌍 MCP 的實際應用案例

MCP 透過擴展 AI 能力，支援多種應用：

應用 說明
企業資料整合 連接 LLM 與資料庫、CRM 或內部工具
代理式 AI 系統 讓自主代理具備工具存取與決策工作流程
多模態應用 在單一統一 AI 應用中結合文字、影像與音訊工具
即時資料整合 將即時資料引入 AI 互動，提供更準確、即時的輸出

🧠 MCP = AI 互動的通用標準

Model Context Protocol (MCP) 就像 USB-C 標準化裝置的物理連接一樣，是 AI 互動的通用標準。在 AI 世界中，MCP 提供一致介面，讓模型（客戶端）能無縫整合外部工具與資料提供者（伺服器），免去為每個 API 或資料來源設計多樣化客製協議的麻煩。

在 MCP 下，符合 MCP 的工具（稱為 MCP 伺服器）遵循統一標準，能列出其提供的工具或動作，並在 AI 代理請求時執行。支援 MCP 的 AI 代理平台能發現伺服器上的可用工具，並透過此標準協議調用它們。

💡 促進知識存取

除了提供工具，MCP 也促進知識存取。它讓應用能為大型語言模型（LLM）提供上下文，將它們連結到各種資料來源。例如，某個 MCP 伺服器可能代表公司的文件庫，讓代理能按需檢索相關資訊。另一個伺服器則負責特定動作，如發送電子郵件或更新紀錄。對代理來說，這些都是可用的工具——有些工具回傳資料（知識上下文），有些則執行動作。MCP 有效管理兩者。

代理連接 MCP 伺服器時，會自動透過標準格式了解伺服器的可用功能與可存取資料。這種標準化讓工具能動態可用。例如，新增 MCP 伺服器到代理系統後，其功能即可立即使用，無需額外調整代理指令。

這種流暢整合與下方的 mermaid 圖示流程相符，伺服器同時提供工具與知識，確保系統間無縫協作。

👉 範例：可擴展的代理解決方案

---
title: Scalable Agent Solution with MCP
description: A diagram illustrating how a user interacts with an LLM that connects to multiple MCP servers, with each server providing both knowledge and tools, creating a scalable AI system architecture
---
graph TD
    User -->|Prompt| LLM
    LLM -->|Response| User
    LLM -->|MCP| ServerA
    LLM -->|MCP| ServerB
    ServerA -->|Universal connector| ServerB
    ServerA --> KnowledgeA
    ServerA --> ToolsA
    ServerB --> KnowledgeB
    ServerB --> ToolsB

    subgraph Server A
        KnowledgeA[Knowledge]
        ToolsA[Tools]
    end

    subgraph Server B
        KnowledgeB[Knowledge]
        ToolsB[Tools]
    end
Loading

🔄 進階 MCP 場景：客戶端 LLM 整合

除了基本 MCP 架構外，還有進階場景，客戶端與伺服器皆包含 LLM，實現更複雜的互動：

---
title: Advanced MCP Scenarios with Client-Server LLM Integration
description: A sequence diagram showing the detailed interaction flow between user, client application, client LLM, multiple MCP servers, and server LLM, illustrating tool discovery, user interaction, direct tool calling, and feature negotiation phases
---
sequenceDiagram
    autonumber
    actor User as 👤 User
    participant ClientApp as 🖥️ Client App
    participant ClientLLM as 🧠 Client LLM
    participant Server1 as 🔧 MCP Server 1
    participant Server2 as 📚 MCP Server 2
    participant ServerLLM as 🤖 Server LLM
    
    %% Discovery Phase
    rect rgb(220, 240, 255)
        Note over ClientApp, Server2: TOOL DISCOVERY PHASE
        ClientApp->>+Server1: Request available tools/resources
        Server1-->>-ClientApp: Return tool list (JSON)
        ClientApp->>+Server2: Request available tools/resources
        Server2-->>-ClientApp: Return tool list (JSON)
        Note right of ClientApp: Store combined tool<br/>catalog locally
    end
    
    %% User Interaction
    rect rgb(255, 240, 220)
        Note over User, ClientLLM: USER INTERACTION PHASE
        User->>+ClientApp: Enter natural language prompt
        ClientApp->>+ClientLLM: Forward prompt + tool catalog
        ClientLLM->>-ClientLLM: Analyze prompt & select tools
    end
    
    %% Scenario A: Direct Tool Calling
    alt Direct Tool Calling
        rect rgb(220, 255, 220)
            Note over ClientApp, Server1: SCENARIO A: DIRECT TOOL CALLING
            ClientLLM->>+ClientApp: Request tool execution
            ClientApp->>+Server1: Execute specific tool
            Server1-->>-ClientApp: Return results
            ClientApp->>+ClientLLM: Process results
            ClientLLM-->>-ClientApp: Generate response
            ClientApp-->>-User: Display final answer
        end
    
    %% Scenario B: Feature Negotiation (VS Code style)
    else Feature Negotiation (VS Code style)
        rect rgb(255, 220, 220)
            Note over ClientApp, ServerLLM: SCENARIO B: FEATURE NEGOTIATION
            ClientLLM->>+ClientApp: Identify needed capabilities
            ClientApp->>+Server2: Negotiate features/capabilities
            Server2->>+ServerLLM: Request additional context
            ServerLLM-->>-Server2: Provide context
            Server2-->>-ClientApp: Return available features
            ClientApp->>+Server2: Call negotiated tools
            Server2-->>-ClientApp: Return results
            ClientApp->>+ClientLLM: Process results
            ClientLLM-->>-ClientApp: Generate response
            ClientApp-->>-User: Display final answer
        end
    end
Loading

🔐 MCP 的實際好處

使用 MCP 的實際好處包括：

  • 資訊新鮮度：模型能存取訓練資料外的最新資訊
  • 能力擴展：模型可利用專門工具完成未訓練的任務
  • 減少幻覺：外部資料來源提供事實依據
  • 隱私保護：敏感資料可保留在安全環境，不需嵌入提示中

📌 重要重點整理

使用 MCP 的關鍵重點：

  • MCP 標準化 AI 模型與工具及資料的互動方式
  • 促進可延展性、一致性與互通性
  • MCP 有助於縮短開發時間、提升可靠性並擴展模型能力
  • 客戶端-伺服器架構支援靈活且可擴展的 AI 應用

🧠 練習

思考你有興趣開發的 AI 應用：

  • 哪些外部工具或資料能提升其能力？
  • MCP 如何讓整合變得更簡單且更可靠？

其他資源

接下來

下一章：第 1 章：核心概念

免責聲明：
本文件係使用 AI 翻譯服務 Co-op Translator 進行翻譯。雖然我們致力於確保翻譯的準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應視為權威來源。對於重要資訊，建議採用專業人工翻譯。我們不對因使用本翻譯而產生的任何誤解或誤釋負責。