(Kliknite na sliku iznad za video lekciju)
Generativne AI aplikacije predstavljaju veliki korak naprijed jer često omogućuju korisnicima interakciju s aplikacijom putem prirodnih jezičnih upita. Međutim, kako se više vremena i resursa ulaže u takve aplikacije, važno je osigurati jednostavnu integraciju funkcionalnosti i resursa na način koji omogućuje lako proširenje, podršku za više modela i upravljanje različitim specifičnostima modela. Ukratko, izrada generativnih AI aplikacija je jednostavna na početku, ali kako rastu i postaju složenije, potrebno je definirati arhitekturu i osloniti se na standard kako bi aplikacije bile dosljedno izgrađene. Tu MCP dolazi u igru kako bi organizirao stvari i pružio standard.
Model Context Protocol (MCP) je otvoreno, standardizirano sučelje koje omogućuje velikim jezičnim modelima (LLM-ovima) besprijekornu interakciju s vanjskim alatima, API-ima i izvorima podataka. MCP pruža dosljednu arhitekturu za proširenje funkcionalnosti AI modela izvan njihovih podataka za obuku, omogućujući pametnije, skalabilne i responzivne AI sustave.
Kako generativne AI aplikacije postaju složenije, ključno je usvojiti standarde koji osiguravaju skalabilnost, proširivost, održivost i izbjegavanje ovisnosti o jednom dobavljaču. MCP odgovara na ove potrebe:
- Ujedinjuje integracije modela i alata
- Smanjuje krhka, jednokratna prilagođena rješenja
- Omogućuje koegzistenciju više modela različitih dobavljača unutar jednog ekosustava
Napomena: Iako MCP sebe predstavlja kao otvoreni standard, ne postoje planovi za standardizaciju MCP-a putem postojećih tijela za standardizaciju poput IEEE, IETF, W3C, ISO ili drugih.
Na kraju ovog članka moći ćete:
- Definirati Model Context Protocol (MCP) i njegove primjene
- Razumjeti kako MCP standardizira komunikaciju između modela i alata
- Identificirati ključne komponente MCP arhitekture
- Istražiti primjene MCP-a u poslovnim i razvojnim kontekstima
Prije MCP-a, integracija modela s alatima zahtijevala je:
- Prilagođeni kod za svaki par alat-model
- Nestandardizirane API-je za svakog dobavljača
- Česte prekide zbog ažuriranja
- Lošu skalabilnost s više alata
| Prednost | Opis |
|---|---|
| Interoperabilnost | LLM-ovi besprijekorno rade s alatima različitih dobavljača |
| Dosljednost | Jednoliko ponašanje na različitim platformama i alatima |
| Ponovna upotreba | Jednom izrađeni alati mogu se koristiti u različitim projektima i sustavima |
| Ubrzani razvoj | Smanjenje vremena razvoja korištenjem standardiziranih sučelja |
MCP slijedi model klijent-poslužitelj, gdje:
- MCP domaćini pokreću AI modele
- MCP klijenti iniciraju zahtjeve
- MCP poslužitelji pružaju kontekst, alate i mogućnosti
- Resursi – Statički ili dinamički podaci za modele
- Upiti – Unaprijed definirani tijekovi rada za vođenu generaciju
- Alati – Izvršne funkcije poput pretraživanja, izračuna
- Uzorci – Agentičko ponašanje putem rekurzivnih interakcija
MCP poslužitelji funkcioniraju na sljedeći način:
- Tijek zahtjeva:
- Krajnji korisnik ili softver u njegovo ime inicira zahtjev.
- MCP klijent šalje zahtjev MCP domaćinu, koji upravlja runtimeom AI modela.
- AI model prima korisnički upit i može zatražiti pristup vanjskim alatima ili podacima putem jednog ili više poziva alata.
- MCP domaćin, a ne model izravno, komunicira s odgovarajućim MCP poslužiteljima koristeći standardizirani protokol.
- Funkcionalnost MCP domaćina:
- Registar alata: Održava katalog dostupnih alata i njihovih mogućnosti.
- Autentifikacija: Provjerava dozvole za pristup alatima.
- Obrađivač zahtjeva: Procesira dolazne zahtjeve alata od modela.
- Formatiranje odgovora: Strukturira izlaze alata u format koji model može razumjeti.
- Izvršenje MCP poslužitelja:
- MCP domaćin usmjerava pozive alata na jedan ili više MCP poslužitelja, od kojih svaki izlaže specijalizirane funkcije (npr. pretraživanje, izračuni, upiti baze podataka).
- MCP poslužitelji izvršavaju svoje operacije i vraćaju rezultate MCP domaćinu u dosljednom formatu.
- MCP domaćin formatira i prosljeđuje te rezultate AI modelu.
- Dovršavanje odgovora:
- AI model uključuje izlaze alata u konačni odgovor.
- MCP domaćin šalje taj odgovor natrag MCP klijentu, koji ga dostavlja krajnjem korisniku ili pozivnom softveru.
---
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
MCP poslužitelji omogućuju proširenje mogućnosti LLM-ova pružanjem podataka i funkcionalnosti.
Spremni za isprobavanje? Evo SDK-ova specifičnih za jezik i/ili tehnologiju s primjerima izrade jednostavnih MCP poslužitelja u različitim jezicima/tehnologijama:
-
Python SDK: https://github.com/modelcontextprotocol/python-sdk
-
TypeScript SDK: https://github.com/modelcontextprotocol/typescript-sdk
-
C#/.NET SDK: https://github.com/modelcontextprotocol/csharp-sdk
MCP omogućuje širok raspon aplikacija proširenjem AI mogućnosti:
| Primjena | Opis |
|---|---|
| Integracija podataka u poduzeću | Povezivanje LLM-ova s bazama podataka, CRM-ovima ili internim alatima |
| Agentički AI sustavi | Omogućavanje autonomnih agenata s pristupom alatima i tijekovima odlučivanja |
| Multimodalne aplikacije | Kombiniranje teksta, slike i zvuka unutar jedne AI aplikacije |
| Integracija podataka u stvarnom vremenu | Uključivanje aktualnih podataka u AI interakcije za točnije rezultate |
Model Context Protocol (MCP) djeluje kao univerzalni standard za AI interakcije, slično kao što je USB-C standardizirao fizičke veze za uređaje. U svijetu AI-a, MCP pruža dosljedno sučelje, omogućujući modelima (klijentima) besprijekornu integraciju s vanjskim alatima i pružateljima podataka (poslužiteljima). Time se eliminira potreba za raznolikim, prilagođenim protokolima za svaki API ili izvor podataka.
Osim što nudi alate, MCP olakšava pristup znanju. Omogućuje aplikacijama pružanje konteksta velikim jezičnim modelima (LLM-ovima) povezivanjem s različitim izvorima podataka. Na primjer, MCP poslužitelj može predstavljati repozitorij dokumenata tvrtke, omogućujući agentima da na zahtjev dohvaćaju relevantne informacije. Drugi poslužitelj može obavljati specifične radnje poput slanja e-pošte ili ažuriranja zapisa. Iz perspektive agenta, to su jednostavno alati koje može koristiti—neki alati vraćaju podatke (kontekst znanja), dok drugi obavljaju radnje. MCP učinkovito upravlja oboje.
---
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
Osim osnovne MCP arhitekture, postoje napredni scenariji gdje i klijent i poslužitelj sadrže LLM-ove, omogućujući sofisticiranije interakcije. Na sljedećem dijagramu, klijentska aplikacija može biti IDE s brojnim MCP alatima dostupnim za korištenje od strane LLM-a:
---
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
Evo praktičnih prednosti korištenja MCP-a:
- Svježina: Modeli mogu pristupiti ažuriranim informacijama izvan svojih podataka za obuku
- Proširenje mogućnosti: Modeli mogu koristiti specijalizirane alate za zadatke za koje nisu obučeni
- Smanjenje halucinacija: Vanjski izvori podataka pružaju činjenično utemeljenje
- Privatnost: Osjetljivi podaci mogu ostati unutar sigurnih okruženja umjesto da se ugrađuju u upite
Sljedeće su ključne točke za korištenje MCP-a:
- MCP standardizira način na koji AI modeli komuniciraju s alatima i podacima
- Promiče proširivost, dosljednost i interoperabilnost
- MCP pomaže smanjiti vrijeme razvoja, poboljšati pouzdanost i proširiti mogućnosti modela
- Arhitektura klijent-poslužitelj omogućuje fleksibilne, proširive AI aplikacije
Razmislite o AI aplikaciji koju želite izraditi.
- Koji vanjski alati ili podaci bi mogli poboljšati njezine mogućnosti?
- Kako bi MCP mogao učiniti integraciju jednostavnijom i pouzdanijom?
Sljedeće: Poglavlje 1: Osnovni koncepti
Odricanje od odgovornosti:
Ovaj dokument je preveden pomoću AI usluge za prevođenje Co-op Translator. Iako nastojimo osigurati točnost, imajte na umu da automatski prijevodi mogu sadržavati pogreške ili netočnosti. Izvorni dokument na izvornom jeziku treba smatrati autoritativnim izvorom. Za kritične informacije preporučuje se profesionalni prijevod od strane čovjeka. Ne preuzimamo odgovornost za nesporazume ili pogrešna tumačenja koja mogu proizaći iz korištenja ovog prijevoda.