Skip to content

Latest commit

 

History

History
311 lines (232 loc) · 20.3 KB

README.md

File metadata and controls

311 lines (232 loc) · 20.3 KB

ماڈل کانٹیکسٹ پروٹوکول (MCP) کا تعارف: اس کی اہمیت اسکیل ایبل AI ایپلیکیشنز کے لیے

جنریٹو AI ایپلیکیشنز ایک بڑا قدم ہیں کیونکہ یہ اکثر صارف کو قدرتی زبان کے پرامپٹس کے ذریعے ایپ کے ساتھ بات چیت کرنے کی سہولت دیتی ہیں۔ تاہم، جب آپ ایسی ایپس میں زیادہ وقت اور وسائل لگاتے ہیں، تو آپ چاہتے ہیں کہ آپ آسانی سے فنکشنالٹیز اور وسائل کو اس طرح شامل کر سکیں کہ اسے بڑھانا آسان ہو، آپ کی ایپ ایک سے زیادہ ماڈلز کو سپورٹ کر سکے، اور مختلف ماڈل کی پیچیدگیوں کو سنبھال سکے۔ مختصر یہ کہ، جنریٹو AI ایپس بنانا شروع میں آسان ہوتا ہے، لیکن جیسے جیسے وہ بڑھتی اور پیچیدہ ہوتی ہیں، آپ کو ایک آرکیٹیکچر کی وضاحت شروع کرنی پڑتی ہے اور ممکنہ طور پر ایک معیار پر انحصار کرنا پڑتا ہے تاکہ آپ کی ایپس مستقل انداز میں بن سکیں۔ یہی وہ جگہ ہے جہاں MCP آتا ہے تاکہ چیزوں کو منظم کرے اور ایک معیار فراہم کرے۔

🔍 ماڈل کانٹیکسٹ پروٹوکول (MCP) کیا ہے؟

Model Context Protocol (MCP) ایک کھلا، معیاری انٹرفیس ہے جو بڑے زبان کے ماڈلز (LLMs) کو بیرونی ٹولز، APIs، اور ڈیٹا ذرائع کے ساتھ بغیر کسی رکاوٹ کے بات چیت کرنے کی اجازت دیتا ہے۔ یہ ایک مستقل آرکیٹیکچر فراہم کرتا ہے جو AI ماڈل کی صلاحیتوں کو ان کے تربیتی ڈیٹا سے آگے بڑھاتا ہے، جس سے زیادہ ذہین، اسکیل ایبل، اور زیادہ جوابدہ AI سسٹمز ممکن ہوتے ہیں۔

🎯 AI میں معیاری بنانے کی اہمیت

جب جنریٹو AI ایپلیکیشنز زیادہ پیچیدہ ہوتی جاتی ہیں، تو ایسے معیارات اپنانا ضروری ہو جاتا ہے جو اسکیل ایبلٹی، توسیع پذیری، اور بحالی کو یقینی بنائیں۔ MCP ان ضروریات کو پورا کرتا ہے:

  • ماڈل-ٹول انٹیگریشن کو متحد کرنا
  • کمزور، ایک بار استعمال ہونے والے کسٹم حل کو کم کرنا
  • ایک ہی ماحولیاتی نظام میں متعدد ماڈلز کو ساتھ ساتھ چلنے دینا

📚 سیکھنے کے مقاصد

اس مضمون کے آخر تک، آپ کر سکیں گے:

  • Model Context Protocol (MCP) کی تعریف اور اس کے استعمال کے کیسز
  • سمجھنا کہ MCP ماڈل سے ٹول کے درمیان بات چیت کو کیسے معیاری بناتا ہے
  • MCP آرکیٹیکچر کے بنیادی اجزاء کی شناخت
  • MCP کے حقیقی دنیا میں انٹرپرائز اور ڈیولپمنٹ سیاق و سباق میں استعمالات کا جائزہ

💡 ماڈل کانٹیکسٹ پروٹوکول (MCP) کیوں ایک گیم چینجر ہے

🔗 MCP AI تعاملات میں ٹوٹ پھوٹ کو حل کرتا ہے

MCP سے پہلے، ماڈلز کو ٹولز کے ساتھ جوڑنے کے لیے:

  • ہر ٹول-ماڈل جوڑی کے لیے کسٹم کوڈ کی ضرورت ہوتی تھی
  • ہر وینڈر کے لیے غیر معیاری APIs استعمال ہوتے تھے
  • اپ ڈیٹس کی وجہ سے بار بار ٹوٹ پھوٹ ہوتی تھی
  • زیادہ ٹولز کے ساتھ اسکیل ایبلٹی کمزور ہوتی تھی

✅ MCP معیاری بنانے کے فوائد

فائدہ تفصیل
انٹرآپریبلٹی LLMs مختلف وینڈرز کے ٹولز کے ساتھ بغیر رکاوٹ کام کرتے ہیں
مستقل مزاجی پلیٹ فارمز اور ٹولز میں یکساں رویہ
دوبارہ استعمال ایک بار بنائے گئے ٹولز کو مختلف پروجیکٹس اور سسٹمز میں استعمال کیا جا سکتا ہے
ترقی کی رفتار میں اضافہ معیاری، پلگ اینڈ پلے انٹرفیسز کے استعمال سے ترقی کا وقت کم ہوتا ہے

🧱 MCP آرکیٹیکچر کا اعلیٰ سطحی جائزہ

MCP ایک کلائنٹ-سرور ماڈل پر کام کرتا ہے، جہاں:

  • MCP Hosts AI ماڈلز چلاتے ہیں
  • MCP Clients درخواستیں بھیجتے ہیں
  • MCP Servers کانٹیکسٹ، ٹولز، اور صلاحیتیں فراہم کرتے ہیں

اہم اجزاء:

  • Resources – ماڈلز کے لیے جامد یا متحرک ڈیٹا
  • Prompts – رہنمائی کے لیے پہلے سے طے شدہ ورک فلو
  • Tools – قابل عمل فنکشنز جیسے سرچ، کیلکولیشنز
  • Sampling – ایجنٹک رویہ جو recursive تعاملات کے ذریعے ہوتا ہے

MCP سرورز کیسے کام کرتے ہیں

MCP سرورز درج ذیل طریقے سے کام کرتے ہیں:

  • درخواست کا بہاؤ:

    1. MCP کلائنٹ AI ماڈل کو جو MCP ہوسٹ میں چل رہا ہوتا ہے، درخواست بھیجتا ہے۔
    2. AI ماڈل شناخت کرتا ہے کہ اسے بیرونی ٹولز یا ڈیٹا کی ضرورت ہے۔
    3. ماڈل معیاری پروٹوکول کے ذریعے MCP سرور سے بات چیت کرتا ہے۔

  • MCP سرور کی فعالیت:

    • ٹول رجسٹری: دستیاب ٹولز اور ان کی صلاحیتوں کا کیٹلاگ رکھتا ہے۔
    • توثیق: ٹول تک رسائی کے لیے اجازت کی تصدیق کرتا ہے۔
    • درخواست ہینڈلر: ماڈل سے آنے والی ٹول درخواستوں کو پروسیس کرتا ہے۔
    • جواب فارمیٹر: ٹول کے نتائج کو ماڈل کے سمجھنے کے قابل فارمیٹ میں ترتیب دیتا ہے۔

  • ٹول کا نفاذ:

    • سرور درخواستوں کو مناسب بیرونی ٹولز کی طرف بھیجتا ہے
    • ٹولز اپنی مخصوص فنکشنز انجام دیتے ہیں (سرچ، کیلکولیشن، ڈیٹا بیس کوئریز وغیرہ)
    • نتائج ماڈل کو مستقل فارمیٹ میں واپس کیے جاتے ہیں

  • جواب کی تکمیل:

    • AI ماڈل ٹول کے نتائج کو اپنے جواب میں شامل کرتا ہے
    • حتمی جواب کلائنٹ ایپلیکیشن کو بھیجا جاتا ہے
---
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

👨‍💻 MCP سرور کیسے بنائیں (مثالوں کے ساتھ)

MCP سرورز آپ کو LLM کی صلاحیتوں کو بڑھانے کی اجازت دیتے ہیں، ڈیٹا اور فنکشنالٹی فراہم کر کے۔

کیا آپ اسے آزمانا چاہتے ہیں؟ یہاں مختلف زبانوں میں ایک سادہ MCP سرور بنانے کی مثالیں ہیں:

🌍 MCP کے حقیقی دنیا میں استعمال کے کیسز

MCP AI کی صلاحیتوں کو بڑھا کر مختلف قسم کی ایپلیکیشنز کو ممکن بناتا ہے:

ایپلیکیشن تفصیل
انٹرپرائز ڈیٹا انٹیگریشن LLMs کو ڈیٹا بیسز، CRMs، یا اندرونی ٹولز سے جوڑنا
ایجنٹک AI سسٹمز خود مختار ایجنٹس کو ٹول تک رسائی اور فیصلہ سازی کے ورک فلو فراہم کرنا
ملٹی موڈل ایپلیکیشنز ایک ہی متحد AI ایپ میں متن، تصویر، اور آڈیو ٹولز کو یکجا کرنا
حقیقی وقت ڈیٹا انٹیگریشن AI تعاملات میں تازہ ترین ڈیٹا لانا تاکہ زیادہ درست اور موجودہ نتائج ملیں

🧠 MCP = AI تعاملات کے لیے یونیورسل اسٹینڈرڈ

Model Context Protocol (MCP) AI تعاملات کے لیے ایک یونیورسل معیار کے طور پر کام کرتا ہے، بالکل ویسے ہی جیسے USB-C نے ڈیوائسز کے لیے فزیکل کنکشنز کو معیاری بنایا۔ AI کی دنیا میں، MCP ایک مستقل انٹرفیس فراہم کرتا ہے، جو ماڈلز (کلائنٹس) کو بیرونی ٹولز اور ڈیٹا فراہم کرنے والوں (سرورز) کے ساتھ بغیر رکاوٹ انٹیگریٹ کرنے دیتا ہے۔ اس سے ہر API یا ڈیٹا سورس کے لیے مختلف، کسٹم پروٹوکولز کی ضرورت ختم ہو جاتی ہے۔

MCP کے تحت، ایک MCP-مطابق ٹول (جسے MCP سرور کہا جاتا ہے) ایک متحدہ معیار کی پیروی کرتا ہے۔ یہ سرورز دستیاب ٹولز یا ایکشنز کی فہرست دے سکتے ہیں اور جب AI ایجنٹ درخواست کرے تو ان ایکشنز کو انجام دیتے ہیں۔ MCP کو سپورٹ کرنے والے AI ایجنٹ پلیٹ فارمز سرورز سے دستیاب ٹولز دریافت کر سکتے ہیں اور انہیں اس معیاری پروٹوکول کے ذریعے کال کر سکتے ہیں۔

💡 علم تک رسائی کو آسان بناتا ہے

ٹولز فراہم کرنے کے علاوہ، MCP علم تک رسائی کو بھی آسان بناتا ہے۔ یہ ایپلیکیشنز کو بڑے زبان کے ماڈلز (LLMs) کو مختلف ڈیٹا ذرائع سے جوڑ کر کانٹیکسٹ فراہم کرنے کی اجازت دیتا ہے۔ مثال کے طور پر، ایک MCP سرور کمپنی کے دستاویزات کے ذخیرے کی نمائندگی کر سکتا ہے، جس سے ایجنٹس ضرورت کے مطابق متعلقہ معلومات حاصل کر سکتے ہیں۔ ایک اور سرور مخصوص ایکشنز جیسے ای میل بھیجنا یا ریکارڈز اپ ڈیٹ کرنا سنبھال سکتا ہے۔ ایجنٹ کی نظر میں، یہ صرف ٹولز ہیں جنہیں وہ استعمال کر سکتا ہے—کچھ ٹولز ڈیٹا (علمی کانٹیکسٹ) واپس کرتے ہیں، جبکہ دوسرے ایکشنز انجام دیتے ہیں۔ MCP دونوں کو مؤثر طریقے سے منظم کرتا ہے۔

ایک ایجنٹ جو MCP سرور سے جڑتا ہے، خود بخود سرور کی دستیاب صلاحیتوں اور قابل رسائی ڈیٹا کو ایک معیاری فارمیٹ کے ذریعے سیکھ لیتا ہے۔ یہ معیاری بنانا متحرک ٹول دستیابی کو ممکن بناتا ہے۔ مثال کے طور پر، ایجنٹ کے سسٹم میں نیا MCP سرور شامل کرنے سے اس کے فنکشنز فوراً استعمال کے لیے دستیاب ہو جاتے ہیں، بغیر ایجنٹ کی ہدایات میں مزید تخصیص کے۔

یہ مربوط انضمام اس فلو کے مطابق ہے جو مرمیڈ ڈایاگرام میں دکھایا گیا ہے، جہاں سرورز ٹولز اور علم دونوں فراہم کرتے ہیں، اور سسٹمز کے درمیان بغیر رکاوٹ تعاون کو یقینی بناتے ہیں۔

👉 مثال: اسکیل ایبل ایجنٹ حل

---
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

🔄 کلائنٹ-سائیڈ LLM انٹیگریشن کے ساتھ جدید MCP منظرنامے

بنیادی MCP آرکیٹیکچر سے آگے، ایسے جدید منظرنامے بھی ہیں جہاں کلائنٹ اور سرور دونوں میں LLMs ہوتے ہیں، جو زیادہ پیچیدہ تعاملات کو ممکن بناتے ہیں:

---
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 کے عملی فوائد

MCP استعمال کرنے کے عملی فوائد درج ذیل ہیں:

  • تازگی: ماڈلز اپنے تربیتی ڈیٹا سے آگے تازہ ترین معلومات تک رسائی حاصل کر سکتے ہیں
  • صلاحیت میں اضافہ: ماڈلز ان کاموں کے لیے مخصوص ٹولز استعمال کر سکتے ہیں جن کی تربیت نہیں ہوئی
  • کم ہیلوسینیشنز: بیرونی ڈیٹا ذرائع حقائق کی بنیاد فراہم کرتے ہیں
  • پرائیویسی: حساس ڈیٹا محفوظ ماحول میں رہ سکتا ہے بجائے اس کے کہ پرامپٹس میں شامل ہو

📌 اہم نکات

MCP استعمال کرنے کے لیے اہم نکات:

  • MCP AI ماڈلز کے ٹولز اور ڈیٹا کے ساتھ تعامل کو معیاری بناتا ہے
  • توسیع پذیری، مستقل مزاجی، اور انٹرآپریبلٹی کو فروغ دیتا ہے
  • MCP ترقی کے وقت کو کم کرنے، اعتبار کو بہتر بنانے، اور ماڈل کی صلاحیتوں کو بڑھانے میں مدد دیتا ہے
  • کلائنٹ-سرور آرکیٹیکچر لچکدار، توسیع پذیر AI ایپلیکیشنز کو ممکن بناتا ہے

🧠 مشق

کسی AI ایپلیکیشن کے بارے میں سوچیں جسے آپ بنانا چاہتے ہیں۔

  • کون سے بیرونی ٹولز یا ڈیٹا اس کی صلاحیتوں کو بڑھا سکتے ہیں؟
  • MCP انضمام کو سادہ اور زیادہ قابل اعتماد کیسے بنا سکتا ہے؟

اضافی وسائل

اگلا کیا ہے

اگلا: باب 1: بنیادی تصورات

دستخطی نوٹ:
یہ دستاویز AI ترجمہ سروس Co-op Translator کے ذریعے ترجمہ کی گئی ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم اس بات سے آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستیاں ہو سکتی ہیں۔ اصل دستاویز اپنی مادری زبان میں ہی معتبر ماخذ سمجھی جانی چاہیے۔ اہم معلومات کے لیے پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کی ذمہ داری ہم پر عائد نہیں ہوتی۔