Skip to content

Latest commit

 

History

History
665 lines (526 loc) · 24.6 KB

README.md

File metadata and controls

665 lines (526 loc) · 24.6 KB

MCP Root Contexts

Root contextit ovat keskeinen käsite Model Context Protocolissa, joka tarjoaa pysyvän kerroksen keskusteluhistorian ja jaetun tilan ylläpitämiseen useiden pyyntöjen ja istuntojen välillä.

Johdanto

Tässä oppitunnissa tutustumme siihen, miten root contextit luodaan, hallitaan ja hyödynnetään MCP:ssä.

Oppimistavoitteet

Oppitunnin lopussa osaat:

  • Ymmärtää root contextien tarkoituksen ja rakenteen
  • Luoda ja hallita root contexteja MCP-asiakirjastojen avulla
  • Toteuttaa root contexteja .NET-, Java-, JavaScript- ja Python-sovelluksissa
  • Hyödyntää root contexteja monivaiheisissa keskusteluissa ja tilanhallinnassa
  • Soveltaa parhaita käytäntöjä root contextien hallinnassa

Root Contextien ymmärtäminen

Root contextit toimivat säiliöinä, jotka pitävät sisällään sarjan toisiinsa liittyvien vuorovaikutusten historian ja tilan. Ne mahdollistavat:

  • Keskustelun pysyvyyden: Monivaiheisten keskustelujen johdonmukaisen ylläpidon
  • Muistinhallinnan: Tiedon tallentamisen ja hakemisen vuorovaikutusten välillä
  • Tilanhallinnan: Edistymisen seuraamisen monimutkaisissa työnkuluissa
  • Contextin jakamisen: Useiden asiakkaiden pääsyn samaan keskustelutilaan

MCP:ssä root contexteilla on seuraavat keskeiset ominaisuudet:

  • Jokaisella root contextilla on yksilöllinen tunniste.
  • Ne voivat sisältää keskusteluhistorian, käyttäjäasetukset ja muuta metadataa.
  • Ne voidaan luoda, käyttää ja arkistoida tarpeen mukaan.
  • Ne tukevat tarkkaa käyttöoikeuksien hallintaa.

Root Contextin elinkaari

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 Contextien kanssa työskentely

Tässä esimerkki root contextien luomisesta ja hallinnasta.

C#-toteutus

// .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}");
    }
}

Edellisessä koodissa olemme:

  1. Luoneet root contextin asiakastukisessiota varten.
  2. Lähettäneet useita viestejä kyseisessä contextissa, jolloin malli pystyy ylläpitämään tilaa.
  3. Päivittäneet contextin asiaankuuluvalla metadatalla keskustelun perusteella.
  4. Hainneet contextin tietoja keskusteluhistorian ymmärtämiseksi.
  5. Arkistoineet contextin, kun keskustelu oli päättynyt.

Esimerkki: Root Contextin toteutus talousanalyysia varten

Tässä esimerkissä luomme root contextin talousanalyysisessiota varten, demonstroiden tilan ylläpitoa useiden vuorovaikutusten yli.

Java-toteutus

// 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");
    }
}

Edellisessä koodissa olemme:

  1. Luoneet root contextin talousanalyysisessiota varten.
  2. Lähettäneet useita viestejä kyseisessä contextissa, jolloin malli pystyy ylläpitämään tilaa.
  3. Päivittäneet contextin asiaankuuluvalla metadatalla keskustelun perusteella.
  4. Luoneet analyysisession yhteenvedon ja tallentaneet sen contextin metadataan.
  5. Arkistoineet contextin, kun keskustelu oli päättynyt.

Esimerkki: Root Contextin hallinta

Root contextien tehokas hallinta on ratkaisevaa keskusteluhistorian ja tilan ylläpidossa. Alla on esimerkki root contextin hallinnan toteutuksesta.

JavaScript-toteutus

// 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();

Edellisessä koodissa olemme:

  1. Luoneet root contextin tuotetukikeskustelua varten funktiolla createConversationContext. Tässä tapauksessa context liittyy tietokannan suorituskykyongelmiin.

  2. Lähettäneet useita viestejä kyseisessä contextissa, jolloin malli pystyy ylläpitämään tilaa funktiolla sendMessage. Lähetetyt viestit koskevat hitaita kyselysuorituksia ja indeksointiasetuksia.

  3. Päivittäneet contextin asiaankuuluvalla metadatalla keskustelun perusteella.

  4. Luoneet keskustelun yhteenvedon ja tallentaneet sen contextin metadataan funktiolla generateContextSummary.

  5. Arkistoineet contextin keskustelun päätyttyä funktiolla archiveContext.

  6. Käsitelleet virheitä sujuvasti varmistaen järjestelmän vakauden.

Root Context monivaiheiseen avustukseen

Tässä esimerkissä luomme root contextin monivaiheista avustussessiota varten, demonstroiden tilan ylläpitoa useiden vuorovaikutusten yli.

Python-toteutus

# 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())

Edellisessä koodissa olemme:

  1. Luoneet root contextin teknisen tuen sessiota varten funktiolla create_session. Context sisältää käyttäjätietoja, kuten nimen ja teknisen tason.

  2. Lähettäneet useita viestejä kyseisessä contextissa, jolloin malli pystyy ylläpitämään tilaa funktiolla send_message. Lähetetyt viestit koskevat auto-skaalausominaisuuden ongelmia.

  3. Hainneet keskusteluhistorian funktiolla get_conversation_history, joka tarjoaa context-tiedot ja viestit.

  4. Päättäneet session arkistoimalla contextin ja luomalla yhteenvedon funktiolla end_session. Yhteenveto tiivistää keskustelun keskeiset kohdat.

Root Contextin parhaat käytännöt

Tässä muutamia parhaita käytäntöjä root contextien tehokkaaseen hallintaan:

  • Luo kohdennettuja contexteja: Luo erilliset root contextit eri keskustelutarkoituksia tai toimialoja varten selkeyden ylläpitämiseksi.

  • Aseta vanhenemiskäytännöt: Toteuta käytännöt vanhojen contextien arkistointiin tai poistoon tallennustilan hallitsemiseksi ja tietosuojavaatimusten noudattamiseksi.

  • Tallenna oleellinen metadata: Käytä contextin metadataa tallentaaksesi tärkeitä tietoja keskustelusta, jotka voivat olla hyödyllisiä myöhemmin.

  • Käytä context ID:tä johdonmukaisesti: Kun context on luotu, käytä sen tunnistetta johdonmukaisesti kaikissa siihen liittyvissä pyynnöissä jatkuvuuden varmistamiseksi.

  • Luo yhteenvetoja: Kun context kasvaa suureksi, harkitse yhteenvetojen luomista, jotta keskeinen tieto säilyy ja contextin koko pysyy hallittavana.

  • Toteuta käyttöoikeuksien hallinta: Monikäyttäjäjärjestelmissä toteuta asianmukaiset käyttöoikeudet keskusteluiden yksityisyyden ja turvallisuuden varmistamiseksi.

  • Huomioi contextin rajoitukset: Ole tietoinen contextin koon rajoituksista ja toteuta strategioita hyvin pitkien keskustelujen käsittelyyn.

  • Arkistoi keskustelun päätyttyä: Arkistoi contextit keskustelun päätyttyä vapauttaaksesi resursseja ja säilyttääksesi keskusteluhistorian.

Mitä seuraavaksi

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattikäännöksissä saattaa esiintyä virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäiskielellä tulee pitää virallisena lähteenä. Tärkeissä tiedoissa suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa tämän käännöksen käytöstä aiheutuvista väärinymmärryksistä tai tulkinnoista.