(Klikněte na obrázek výše pro zhlédnutí videa této lekce)
Tato sekce obsahuje několik lekcí:
-
1 Váš první server, v této první lekci se naučíte, jak vytvořit svůj první server a prozkoumat ho pomocí inspektorového nástroje, což je cenný způsob testování a ladění vašeho serveru, k lekci
-
2 Klient, v této lekci se naučíte, jak napsat klienta, který se může připojit k vašemu serveru, k lekci
-
3 Klient s LLM, ještě lepší způsob, jak napsat klienta, je přidat k němu LLM, aby mohl „vyjednávat“ s vaším serverem o tom, co dělat, k lekci
-
4 Spotřeba serveru v režimu GitHub Copilot Agent ve Visual Studio Code. Zde se podíváme na spuštění našeho MCP serveru přímo z Visual Studio Code, k lekci
-
5 stdio Transport Server stdio transport je doporučený standard pro komunikaci mezi MCP serverem a klientem v aktuální specifikaci, poskytující bezpečnou komunikaci založenou na podprocesech k lekci
-
6 HTTP Streaming s MCP (Streamable HTTP). Naučte se o moderním HTTP streamování, notifikacích o průběhu a jak implementovat škálovatelné, real-time MCP servery a klienty pomocí Streamable HTTP. k lekci
-
7 Využití AI Toolkit pro VSCode k testování a spotřebě vašich MCP klientů a serverů k lekci
-
8 Testování. Zde se zaměříme zejména na to, jak můžeme testovat náš server a klient různými způsoby, k lekci
-
9 Nasazení. Tato kapitola se zaměří na různé způsoby nasazení vašich MCP řešení, k lekci
Model Context Protocol (MCP) je otevřený protokol, který standardizuje, jak aplikace poskytují kontext LLM. MCP si můžete představit jako USB-C port pro AI aplikace - poskytuje standardizovaný způsob připojení AI modelů k různým datovým zdrojům a nástrojům.
Na konci této lekce budete schopni:
- Nastavit vývojová prostředí pro MCP v C#, Java, Python, TypeScript a JavaScript
- Vytvořit a nasadit základní MCP servery s vlastními funkcemi (zdroje, výzvy a nástroje)
- Vytvořit hostitelské aplikace, které se připojují k MCP serverům
- Testovat a ladit implementace MCP
- Porozumět běžným problémům při nastavení a jejich řešením
- Připojit vaše implementace MCP k populárním LLM službám
Než začnete pracovat s MCP, je důležité připravit vaše vývojové prostředí a porozumět základnímu pracovnímu postupu. Tato sekce vás provede počátečními kroky nastavení, aby byl váš start s MCP hladký.
Než se pustíte do vývoje MCP, ujistěte se, že máte:
- Vývojové prostředí: Pro vámi zvolený jazyk (C#, Java, Python, TypeScript nebo JavaScript)
- IDE/Editor: Visual Studio, Visual Studio Code, IntelliJ, Eclipse, PyCharm nebo jakýkoli moderní editor kódu
- Správce balíčků: NuGet, Maven/Gradle, pip nebo npm/yarn
- API klíče: Pro jakékoli AI služby, které plánujete použít ve vašich hostitelských aplikacích
V nadcházejících kapitolách uvidíte řešení postavená pomocí Pythonu, TypeScriptu, Javy a .NET. Zde jsou všechna oficiálně podporovaná SDK.
MCP poskytuje oficiální SDK pro více jazyků:
- C# SDK - Udržováno ve spolupráci s Microsoftem
- Java SDK - Udržováno ve spolupráci se Spring AI
- TypeScript SDK - Oficiální implementace TypeScriptu
- Python SDK - Oficiální implementace Pythonu
- Kotlin SDK - Oficiální implementace Kotlinu
- Swift SDK - Udržováno ve spolupráci s Loopwork AI
- Rust SDK - Oficiální implementace Rustu
- Nastavení vývojového prostředí MCP je jednoduché díky SDK specifickým pro jednotlivé jazyky
- Vytváření MCP serverů zahrnuje vytváření a registraci nástrojů s jasnými schématy
- MCP klienti se připojují k serverům a modelům, aby využili rozšířené schopnosti
- Testování a ladění jsou nezbytné pro spolehlivé implementace MCP
- Možnosti nasazení sahají od lokálního vývoje po cloudová řešení
Máme sadu ukázek, které doplňují cvičení, jež uvidíte ve všech kapitolách této sekce. Navíc každá kapitola má své vlastní cvičení a úkoly.
- Vytváření agentů pomocí Model Context Protocol na Azure
- Vzdálený MCP s Azure Container Apps (Node.js/TypeScript/JavaScript)
- .NET OpenAI MCP Agent
Další: Vytvoření vašeho prvního MCP serveru
Prohlášení:
Tento dokument byl přeložen pomocí služby pro automatický překlad Co-op Translator. I když se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.
