Skip to content

Latest commit

 

History

History
302 lines (222 loc) · 16.7 KB

README.md

File metadata and controls

302 lines (222 loc) · 16.7 KB

מבוא לפרוטוקול הקשר מודל (MCP): למה זה חשוב ליישומי AI בקנה מידה גדול

מבוא לפרוטוקול הקשר מודל

(לחצו על התמונה למעלה לצפייה בסרטון של השיעור)

יישומי AI גנרטיביים הם צעד גדול קדימה, שכן הם מאפשרים למשתמשים לתקשר עם האפליקציה באמצעות פקודות בשפה טבעית. עם זאת, ככל שמשקיעים יותר זמן ומשאבים באפליקציות כאלה, חשוב לוודא שניתן לשלב פונקציות ומשאבים בצורה קלה להרחבה, כך שהאפליקציה תוכל לתמוך ביותר ממודל אחד ולהתמודד עם מורכבויות שונות של מודלים. בקיצור, קל להתחיל לבנות אפליקציות AI גנרטיביות, אבל ככל שהן גדלות והופכות למורכבות יותר, יש צורך להגדיר ארכיטקטורה, וסביר להניח שתצטרכו להסתמך על תקן שיבטיח שהאפליקציות שלכם נבנות בצורה עקבית. כאן נכנס MCP לתמונה, מארגן את הדברים ומספק תקן.

🔍 מהו פרוטוקול הקשר מודל (MCP)?

פרוטוקול הקשר מודל (MCP) הוא ממשק פתוח וסטנדרטי שמאפשר למודלים של שפה גדולה (LLMs) לתקשר בצורה חלקה עם כלים חיצוניים, APIs ומקורות נתונים. הוא מספק ארכיטקטורה עקבית לשיפור הפונקציונליות של מודלים מעבר לנתוני האימון שלהם, ומאפשר מערכות AI חכמות, ניתנות להרחבה ותגובתיות יותר.

🎯 למה סטנדרטיזציה ב-AI חשובה

ככל שיישומי AI גנרטיביים הופכים למורכבים יותר, חשוב לאמץ תקנים שמבטיחים יכולת הרחבה, גמישות, תחזוקה, והימנעות מנעילת ספקים. MCP עונה על הצרכים הללו על ידי:

  • איחוד אינטגרציות בין מודלים לכלים
  • הפחתת פתרונות מותאמים אישית ושבירים
  • מתן אפשרות למודלים מספקים שונים להתקיים באותו אקוסיסטם

הערה: למרות ש-MCP מציג את עצמו כתקן פתוח, אין תוכניות לתקנן אותו דרך גופים קיימים כמו IEEE, IETF, W3C, ISO או כל גוף תקינה אחר.

📚 מטרות למידה

בסיום מאמר זה, תוכלו:

  • להגדיר את פרוטוקול הקשר מודל (MCP) ושימושיו
  • להבין כיצד MCP מסטנדרט תקשורת בין מודלים לכלים
  • לזהות את הרכיבים המרכזיים בארכיטקטורת MCP
  • לחקור יישומים מעשיים של MCP בהקשרים ארגוניים ופיתוחיים

💡 למה פרוטוקול הקשר מודל (MCP) הוא משנה משחק

🔗 MCP פותר פיצול באינטראקציות AI

לפני MCP, שילוב מודלים עם כלים דרש:

  • קוד מותאם אישית לכל זוג כלי-מודל
  • APIs לא סטנדרטיים לכל ספק
  • תקלות תכופות עקב עדכונים
  • יכולת הרחבה נמוכה עם ריבוי כלים

✅ יתרונות הסטנדרטיזציה של MCP

יתרון תיאור
תאימות LLMs עובדים בצורה חלקה עם כלים מספקים שונים
עקביות התנהגות אחידה בין פלטפורמות וכלים
שימוש חוזר כלים שנבנו פעם אחת יכולים לשמש בפרויקטים ומערכות שונות
פיתוח מואץ קיצור זמן הפיתוח באמצעות ממשקים סטנדרטיים, מוכנים לשימוש

🧱 סקירה כללית של ארכיטקטורת MCP ברמה גבוהה

MCP פועל לפי מודל לקוח-שרת, שבו:

  • מארחי MCP מריצים את מודלי ה-AI
  • לקוחות MCP יוזמים בקשות
  • שרתי MCP מספקים הקשר, כלים ויכולות

רכיבים מרכזיים:

  • משאבים – נתונים סטטיים או דינמיים למודלים
  • פקודות – תהליכי עבודה מוגדרים מראש להפקה מונחית
  • כלים – פונקציות ניתנות לביצוע כמו חיפוש, חישובים
  • דגימה – התנהגות סוכנית באמצעות אינטראקציות חוזרות

איך שרתי MCP פועלים

שרתי MCP פועלים באופן הבא:

  • זרימת בקשה:
    1. משתמש קצה או תוכנה הפועלת בשמו יוזמים בקשה.
    2. לקוח MCP שולח את הבקשה למארח MCP, שמנהל את זמן הריצה של מודל ה-AI.
    3. מודל ה-AI מקבל את הפקודה מהמשתמש ועשוי לבקש גישה לכלים חיצוניים או נתונים באמצעות קריאות לכלים.
    4. מארח MCP, ולא המודל עצמו, מתקשר עם שרת(י) MCP המתאימים באמצעות הפרוטוקול הסטנדרטי.
  • פונקציונליות מארח MCP:
    • רישום כלים: שומר קטלוג של כלים זמינים ויכולותיהם.
    • אימות: מאמת הרשאות לגישה לכלים.
    • מטפל בקשות: מעבד בקשות לכלים שמגיעות מהמודל.
    • מעצב תגובות: מעצב פלטי כלים בפורמט שהמודל יכול להבין.
  • ביצוע שרת MCP:
    • מארח MCP מנתב קריאות כלים לשרת(י) MCP, שכל אחד מהם חושף פונקציות מיוחדות (למשל, חיפוש, חישובים, שאילתות מסד נתונים).
    • שרתי MCP מבצעים את הפעולות שלהם ומחזירים תוצאות למארח MCP בפורמט עקבי.
    • מארח MCP מעצב ומעביר את התוצאות הללו למודל ה-AI.
  • השלמת תגובה:
    • מודל ה-AI משלב את פלטי הכלים בתגובה הסופית.
    • מארח MCP שולח את התגובה חזרה ללקוח MCP, שמעביר אותה למשתמש הקצה או לתוכנה הקוראת.
---
title: MCP Architecture and Component Interactions
description: A diagram showing the flows of the components in MCP.
---
graph TD
    Client[MCP Client/Application] -->|Sends Request| H[MCP Host]
    H -->|Invokes| A[AI Model]
    A -->|Tool Call Request| H
    H -->|MCP Protocol| T1[MCP Server Tool 01: Web Search]
    H -->|MCP Protocol| T2[MCP Server Tool 02: Calculator tool]
    H -->|MCP Protocol| T3[MCP Server Tool 03: Database Access tool]
    H -->|MCP Protocol| T4[MCP Server Tool 04: File System tool]
    H -->|Sends Response| Client

    subgraph "MCP Host Components"
        H
        G[Tool Registry]
        I[Authentication]
        J[Request Handler]
        K[Response Formatter]
    end

    H <--> G
    H <--> I
    H <--> J
    H <--> K

    style A fill:#f9d5e5,stroke:#333,stroke-width:2px
    style H fill:#eeeeee,stroke:#333,stroke-width:2px
    style Client fill:#d5e8f9,stroke:#333,stroke-width:2px
    style G fill:#fffbe6,stroke:#333,stroke-width:1px
    style I fill:#fffbe6,stroke:#333,stroke-width:1px
    style J fill:#fffbe6,stroke:#333,stroke-width:1px
    style K fill:#fffbe6,stroke:#333,stroke-width:1px
    style T1 fill:#c2f0c2,stroke:#333,stroke-width:1px
    style T2 fill:#c2f0c2,stroke:#333,stroke-width:1px
    style T3 fill:#c2f0c2,stroke:#333,stroke-width:1px
    style T4 fill:#c2f0c2,stroke:#333,stroke-width:1px
Loading

👨‍💻 איך לבנות שרת MCP (עם דוגמאות)

שרתי MCP מאפשרים להרחיב את יכולות ה-LLM על ידי אספקת נתונים ופונקציונליות.

מוכנים לנסות? הנה SDKs ודוגמאות ליצירת שרתי MCP פשוטים בשפות/סטאקים שונים:

🌍 שימושים מעשיים של MCP

MCP מאפשר מגוון רחב של יישומים על ידי הרחבת יכולות AI:

יישום תיאור
אינטגרציה עם נתוני ארגון חיבור LLMs למסדי נתונים, מערכות CRM או כלים פנימיים
מערכות AI סוכניות אפשרות לסוכנים אוטונומיים עם גישה לכלים ותהליכי קבלת החלטות
יישומים מולטי-מודליים שילוב כלים לטקסט, תמונה וקול באפליקציית AI מאוחדת אחת
אינטגרציה עם נתונים בזמן אמת שילוב נתונים חיים באינטראקציות AI לתוצאות מדויקות ועדכניות יותר

🧠 MCP = תקן אוניברסלי לאינטראקציות AI

פרוטוקול הקשר מודל (MCP) משמש כתקן אוניברסלי לאינטראקציות AI, בדומה לאופן שבו USB-C תקנן חיבורים פיזיים למכשירים. בעולם ה-AI, MCP מספק ממשק עקבי, שמאפשר למודלים (לקוחות) להשתלב בצורה חלקה עם כלים חיצוניים וספקי נתונים (שרתים). כך נמנע הצורך בפרוטוקולים מותאמים אישית לכל API או מקור נתונים.

💡 מקל על גישה לידע

מעבר להצעת כלים, MCP גם מקל על גישה לידע. הוא מאפשר לאפליקציות לספק הקשר למודלים של שפה גדולה (LLMs) על ידי חיבורם למקורות נתונים שונים. לדוגמה, שרת MCP עשוי לייצג מאגר מסמכים של חברה, ולאפשר לסוכנים לשלוף מידע רלוונטי לפי דרישה. שרת אחר עשוי לטפל בפעולות ספציפיות כמו שליחת מיילים או עדכון רשומות. מבחינת הסוכן, אלו פשוט כלים שהוא יכול להשתמש בהם—חלק מהכלים מחזירים נתונים (הקשר ידע), בעוד אחרים מבצעים פעולות. MCP מנהל את שניהם ביעילות.

🔄 תרחישים מתקדמים של MCP עם אינטגרציה בצד הלקוח

מעבר לארכיטקטורת MCP הבסיסית, ישנם תרחישים מתקדמים שבהם גם בצד הלקוח וגם בצד השרת יש LLMs, מה שמאפשר אינטראקציות מתוחכמות יותר.

---
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

🔐 יתרונות מעשיים של MCP

הנה היתרונות המעשיים של שימוש ב-MCP:

  • עדכניות: מודלים יכולים לגשת למידע עדכני מעבר לנתוני האימון שלהם
  • הרחבת יכולות: מודלים יכולים להשתמש בכלים מיוחדים למשימות שהם לא אומנו עבורן
  • הפחתת הזיות: מקורות נתונים חיצוניים מספקים ביסוס עובדתי
  • פרטיות: נתונים רגישים יכולים להישאר בסביבות מאובטחות במקום להיות משולבים בפקודות

📌 נקודות מפתח

הנקודות הבאות מסכמות את השימוש ב-MCP:

  • MCP מסטנדרט כיצד מודלים של AI מתקשרים עם כלים ונתונים
  • מקדם הרחבה, עקביות ותאימות
  • MCP מסייע לקצר זמן פיתוח, לשפר אמינות ולהרחיב יכולות מודלים
  • ארכיטקטורת הלקוח-שרת מאפשרת יישומי AI גמישים וניתנים להרחבה

🧠 תרגיל

חשבו על אפליקציית AI שאתם מעוניינים לבנות.

  • אילו כלים חיצוניים או נתונים יכולים לשפר את יכולותיה?
  • כיצד MCP עשוי להפוך את האינטגרציה לפשוטה ואמינה יותר?

משאבים נוספים

מה הלאה

הבא: פרק 1: מושגי יסוד

כתב ויתור:
מסמך זה תורגם באמצעות שירות תרגום מבוסס בינה מלאכותית Co-op Translator. למרות שאנו שואפים לדיוק, יש לקחת בחשבון שתרגומים אוטומטיים עשויים להכיל שגיאות או אי דיוקים. המסמך המקורי בשפתו המקורית צריך להיחשב כמקור סמכותי. עבור מידע קריטי, מומלץ להשתמש בתרגום מקצועי על ידי אדם. אנו לא נושאים באחריות לאי הבנות או לפרשנויות שגויות הנובעות משימוש בתרגום זה.