Skip to content

Latest commit

 

History

History
333 lines (248 loc) · 16.1 KB

README.md

File metadata and controls

333 lines (248 loc) · 16.1 KB

Pengantar Model Context Protocol (MCP): Mengapa Penting untuk Aplikasi AI yang Skalabel

Pengantar Model Context Protocol

(Klik gambar di atas untuk menonton video pelajaran ini)

Aplikasi AI generatif adalah langkah maju yang luar biasa karena sering kali memungkinkan pengguna berinteraksi dengan aplikasi menggunakan perintah bahasa alami. Namun, seiring waktu dan sumber daya yang diinvestasikan dalam aplikasi semacam itu, Anda ingin memastikan bahwa Anda dapat dengan mudah mengintegrasikan fungsionalitas dan sumber daya dengan cara yang mudah diperluas, sehingga aplikasi Anda dapat mendukung lebih dari satu model yang digunakan, serta menangani berbagai kompleksitas model. Singkatnya, membangun aplikasi AI generatif mudah untuk dimulai, tetapi seiring pertumbuhannya dan menjadi lebih kompleks, Anda perlu mulai mendefinisikan arsitektur dan kemungkinan memerlukan standar untuk memastikan aplikasi Anda dibangun dengan cara yang konsisten. Di sinilah MCP hadir untuk mengatur segalanya dan menyediakan standar.

🔍 Apa Itu Model Context Protocol (MCP)?

Model Context Protocol (MCP) adalah antarmuka terbuka dan terstandarisasi yang memungkinkan Model Bahasa Besar (LLM) berinteraksi dengan mulus dengan alat eksternal, API, dan sumber data. MCP menyediakan arsitektur yang konsisten untuk meningkatkan fungsionalitas model AI di luar data pelatihannya, memungkinkan sistem AI yang lebih cerdas, skalabel, dan responsif.

🎯 Mengapa Standarisasi dalam AI Penting

Seiring aplikasi AI generatif menjadi lebih kompleks, penting untuk mengadopsi standar yang memastikan skalabilitas, ekstensibilitas, pemeliharaan, dan menghindari ketergantungan pada vendor tertentu. MCP menjawab kebutuhan ini dengan:

  • Menyatukan integrasi model-alat
  • Mengurangi solusi kustom yang rapuh dan satu kali
  • Memungkinkan beberapa model dari berbagai vendor untuk hidup berdampingan dalam satu ekosistem

Catatan: Meskipun MCP mengklaim sebagai standar terbuka, tidak ada rencana untuk menstandarisasi MCP melalui badan standar yang ada seperti IEEE, IETF, W3C, ISO, atau badan standar lainnya.

📚 Tujuan Pembelajaran

Pada akhir artikel ini, Anda akan dapat:

  • Mendefinisikan Model Context Protocol (MCP) dan kasus penggunaannya
  • Memahami bagaimana MCP menstandarisasi komunikasi model-ke-alat
  • Mengidentifikasi komponen inti arsitektur MCP
  • Mengeksplorasi aplikasi dunia nyata MCP dalam konteks perusahaan dan pengembangan

💡 Mengapa Model Context Protocol (MCP) Menjadi Terobosan

🔗 MCP Mengatasi Fragmentasi dalam Interaksi AI

Sebelum MCP, integrasi model dengan alat membutuhkan:

  • Kode kustom untuk setiap pasangan alat-model
  • API yang tidak standar untuk setiap vendor
  • Gangguan yang sering terjadi akibat pembaruan
  • Skalabilitas yang buruk dengan lebih banyak alat

✅ Manfaat Standarisasi MCP

Manfaat Deskripsi
Interoperabilitas LLM bekerja dengan mulus dengan alat dari berbagai vendor
Konsistensi Perilaku yang seragam di berbagai platform dan alat
Dapat Digunakan Kembali Alat yang dibangun sekali dapat digunakan di berbagai proyek dan sistem
Pengembangan Lebih Cepat Mengurangi waktu pengembangan dengan antarmuka standar yang siap pakai

🧱 Gambaran Arsitektur MCP Tingkat Tinggi

MCP mengikuti model klien-server, di mana:

  • MCP Hosts menjalankan model AI
  • MCP Clients memulai permintaan
  • MCP Servers menyediakan konteks, alat, dan kemampuan

Komponen Utama:

  • Resources – Data statis atau dinamis untuk model
  • Prompts – Alur kerja yang telah ditentukan untuk generasi terpandu
  • Tools – Fungsi yang dapat dieksekusi seperti pencarian, perhitungan
  • Sampling – Perilaku agen melalui interaksi berulang

Cara Kerja MCP Servers

Server MCP beroperasi dengan cara berikut:

  • Alur Permintaan:
    1. Permintaan dimulai oleh pengguna akhir atau perangkat lunak yang bertindak atas nama mereka.
    2. MCP Client mengirimkan permintaan ke MCP Host, yang mengelola runtime model AI.
    3. Model AI menerima perintah pengguna dan mungkin meminta akses ke alat atau data eksternal melalui satu atau lebih panggilan alat.
    4. MCP Host, bukan model secara langsung, berkomunikasi dengan MCP Server(s) yang sesuai menggunakan protokol standar.
  • Fungsi MCP Host:
    • Tool Registry: Memelihara katalog alat yang tersedia dan kemampuannya.
    • Authentication: Memverifikasi izin untuk akses alat.
    • Request Handler: Memproses permintaan alat yang masuk dari model.
    • Response Formatter: Menyusun keluaran alat dalam format yang dapat dipahami oleh model.
  • Eksekusi MCP Server:
    • MCP Host mengarahkan panggilan alat ke satu atau lebih MCP Servers, masing-masing menyediakan fungsi khusus (misalnya, pencarian, perhitungan, kueri basis data).
    • MCP Servers melakukan operasi masing-masing dan mengembalikan hasil ke MCP Host dalam format yang konsisten.
    • MCP Host menyusun dan menyampaikan hasil ini ke Model AI.
  • Penyelesaian Respons:
    • Model AI menggabungkan keluaran alat ke dalam respons akhir.
    • MCP Host mengirimkan respons ini kembali ke MCP Client, yang menyampaikannya kepada pengguna akhir atau perangkat lunak pemanggil.
---
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

👨‍💻 Cara Membangun MCP Server (Dengan Contoh)

Server MCP memungkinkan Anda memperluas kemampuan LLM dengan menyediakan data dan fungsionalitas.

Siap mencobanya? Berikut adalah SDK spesifik bahasa dan/atau stack dengan contoh pembuatan server MCP sederhana dalam berbagai bahasa/stack:

🌍 Kasus Penggunaan Dunia Nyata untuk MCP

MCP memungkinkan berbagai aplikasi dengan memperluas kemampuan AI:

Aplikasi Deskripsi
Integrasi Data Perusahaan Menghubungkan LLM ke basis data, CRM, atau alat internal
Sistem AI Agen Memungkinkan agen otonom dengan akses alat dan alur kerja pengambilan keputusan
Aplikasi Multi-modal Menggabungkan alat teks, gambar, dan audio dalam satu aplikasi AI yang terpadu
Integrasi Data Real-time Membawa data langsung ke interaksi AI untuk keluaran yang lebih akurat dan terkini

🧠 MCP = Standar Universal untuk Interaksi AI

Model Context Protocol (MCP) bertindak sebagai standar universal untuk interaksi AI, seperti halnya USB-C menstandarisasi koneksi fisik untuk perangkat. Dalam dunia AI, MCP menyediakan antarmuka yang konsisten, memungkinkan model (klien) untuk berintegrasi dengan mulus dengan alat eksternal dan penyedia data (server). Ini menghilangkan kebutuhan akan protokol kustom yang beragam untuk setiap API atau sumber data.

Di bawah MCP, alat yang kompatibel dengan MCP (disebut sebagai server MCP) mengikuti standar yang seragam. Server ini dapat mencantumkan alat atau tindakan yang mereka tawarkan dan menjalankan tindakan tersebut saat diminta oleh agen AI. Platform agen AI yang mendukung MCP mampu menemukan alat yang tersedia dari server dan memanggilnya melalui protokol standar ini.

💡 Memfasilitasi akses ke pengetahuan

Selain menawarkan alat, MCP juga memfasilitasi akses ke pengetahuan. Ini memungkinkan aplikasi untuk memberikan konteks kepada model bahasa besar (LLM) dengan menghubungkannya ke berbagai sumber data. Misalnya, server MCP dapat mewakili repositori dokumen perusahaan, memungkinkan agen untuk mengambil informasi yang relevan sesuai permintaan. Server lain dapat menangani tindakan spesifik seperti mengirim email atau memperbarui catatan. Dari perspektif agen, ini hanyalah alat yang dapat digunakan—beberapa alat mengembalikan data (konteks pengetahuan), sementara yang lain melakukan tindakan. MCP secara efisien mengelola keduanya.

Agen yang terhubung ke server MCP secara otomatis mempelajari kemampuan yang tersedia dan data yang dapat diakses server melalui format standar. Standarisasi ini memungkinkan ketersediaan alat yang dinamis. Misalnya, menambahkan server MCP baru ke sistem agen membuat fungsinya langsung dapat digunakan tanpa memerlukan penyesuaian lebih lanjut pada instruksi agen.

Integrasi yang efisien ini selaras dengan alur yang digambarkan dalam diagram berikut, di mana server menyediakan alat dan pengetahuan, memastikan kolaborasi yang mulus di seluruh sistem.

👉 Contoh: Solusi Agen yang Skalabel

---
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

🔄 Skenario MCP Lanjutan dengan Integrasi LLM di Sisi Klien

Selain arsitektur MCP dasar, ada skenario lanjutan di mana baik klien maupun server mengandung LLM, memungkinkan interaksi yang lebih canggih. Dalam diagram berikut, Client App bisa berupa IDE dengan sejumlah alat MCP yang tersedia untuk digunakan oleh LLM:

---
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

🔐 Manfaat Praktis MCP

Berikut adalah manfaat praktis menggunakan MCP:

  • Keterkinian: Model dapat mengakses informasi terkini di luar data pelatihannya
  • Ekstensi Kemampuan: Model dapat memanfaatkan alat khusus untuk tugas yang tidak dilatihnya
  • Mengurangi Halusinasi: Sumber data eksternal memberikan landasan faktual
  • Privasi: Data sensitif dapat tetap berada dalam lingkungan yang aman daripada disematkan dalam perintah

📌 Poin Penting

Berikut adalah poin penting dalam menggunakan MCP:

  • MCP menstandarisasi cara model AI berinteraksi dengan alat dan data
  • Mendorong ekstensibilitas, konsistensi, dan interoperabilitas
  • MCP membantu mengurangi waktu pengembangan, meningkatkan keandalan, dan memperluas kemampuan model
  • Arsitektur klien-server memungkinkan aplikasi AI yang fleksibel dan dapat diperluas

🧠 Latihan

Pikirkan tentang aplikasi AI yang ingin Anda bangun.

  • Alat atau data eksternal apa yang dapat meningkatkan kemampuannya?
  • Bagaimana MCP dapat membuat integrasi lebih sederhana dan lebih andal?

Sumber Daya Tambahan

Apa Selanjutnya

Selanjutnya: Bab 1: Konsep Inti

Penafian:
Dokumen ini telah diterjemahkan menggunakan layanan penerjemahan AI Co-op Translator. Meskipun kami berupaya untuk memberikan hasil yang akurat, harap diperhatikan bahwa terjemahan otomatis mungkin mengandung kesalahan atau ketidakakuratan. Dokumen asli dalam bahasa aslinya harus dianggap sebagai sumber yang berwenang. Untuk informasi yang bersifat kritis, disarankan menggunakan jasa penerjemahan manusia profesional. Kami tidak bertanggung jawab atas kesalahpahaman atau penafsiran yang keliru yang timbul dari penggunaan terjemahan ini.