Skip to content

Latest commit

 

History

History
319 lines (241 loc) · 15.8 KB

README.md

File metadata and controls

319 lines (241 loc) · 15.8 KB

Uvod v Model Context Protocol (MCP): Zakaj je pomemben za skalabilne AI aplikacije

Uvod v Model Context Protocol

(Kliknite na zgornjo sliko za ogled videa te lekcije)

Generativne AI aplikacije predstavljajo velik korak naprej, saj pogosto omogočajo uporabniku interakcijo z aplikacijo prek naravnih jezikovnih pozivov. Vendar pa, ko se v takšne aplikacije vlaga več časa in virov, želite zagotoviti, da lahko enostavno integrirate funkcionalnosti in vire na način, ki omogoča razširljivost, da aplikacija podpira več kot en model in obvladuje različne posebnosti modelov. Skratka, gradnja generativnih AI aplikacij je na začetku enostavna, vendar postane z rastjo in kompleksnostjo nujno definirati arhitekturo ter se zanašati na standard, ki zagotavlja doslednost pri gradnji aplikacij. Tukaj nastopi MCP, ki organizira stvari in zagotavlja standard.

🔍 Kaj je Model Context Protocol (MCP)?

Model Context Protocol (MCP) je odprt, standardiziran vmesnik, ki omogoča nemoteno interakcijo velikih jezikovnih modelov (LLM) z zunanjimi orodji, API-ji in podatkovnimi viri. Ponuja dosledno arhitekturo za izboljšanje funkcionalnosti AI modelov onkraj njihovih učnih podatkov, kar omogoča pametnejše, skalabilne in bolj odzivne AI sisteme.

🎯 Zakaj je standardizacija v AI pomembna

Z naraščajočo kompleksnostjo generativnih AI aplikacij je ključnega pomena sprejeti standarde, ki zagotavljajo skalabilnost, razširljivost, vzdržljivost in izogibanje odvisnosti od enega ponudnika. MCP naslavlja te potrebe z:

  • Poenotenjem integracij med modeli in orodji
  • Zmanjšanjem krhkih, enkratnih prilagoditev
  • Omogočanjem sobivanja več modelov različnih ponudnikov v enem ekosistemu

Opomba: Čeprav MCP sebe predstavlja kot odprt standard, ni načrtov za standardizacijo MCP prek obstoječih standardizacijskih teles, kot so IEEE, IETF, W3C, ISO ali katero koli drugo telo.

📚 Cilji učenja

Do konca tega članka boste lahko:

  • Definirali Model Context Protocol (MCP) in njegove primere uporabe
  • Razumeli, kako MCP standardizira komunikacijo med modeli in orodji
  • Identificirali ključne komponente MCP arhitekture
  • Raziskali resnične primere uporabe MCP v podjetniških in razvojnih kontekstih

💡 Zakaj je Model Context Protocol (MCP) prelomnica

🔗 MCP rešuje fragmentacijo v AI interakcijah

Pred MCP je integracija modelov z orodji zahtevala:

  • Prilagojeno kodo za vsak par orodje-model
  • Nestandardne API-je za vsakega ponudnika
  • Pogoste prekinitve zaradi posodobitev
  • Slabo skalabilnost z več orodji

✅ Prednosti standardizacije MCP

Prednost Opis
Interoperabilnost LLM-ji delujejo nemoteno z orodji različnih ponudnikov
Doslednost Enotno vedenje na različnih platformah in orodjih
Ponovna uporaba Orodja, zgrajena enkrat, se lahko uporabljajo v različnih projektih in sistemih
Pospešen razvoj Zmanjšanje časa razvoja z uporabo standardiziranih, vtičnih vmesnikov

🧱 Pregled visoke ravni MCP arhitekture

MCP sledi modelu odjemalec-strežnik, kjer:

  • MCP gostitelji poganjajo AI modele
  • MCP odjemalci sprožijo zahteve
  • MCP strežniki zagotavljajo kontekst, orodja in zmogljivosti

Ključne komponente:

  • Viri – Statični ali dinamični podatki za modele
  • Pozivi – Vnaprej določeni delovni tokovi za usmerjeno generacijo
  • Orodja – Izvedljive funkcije, kot so iskanje, izračuni
  • Vzorčenje – Agentno vedenje prek rekurzivnih interakcij

Kako delujejo MCP strežniki

MCP strežniki delujejo na naslednji način:

  • Tok zahteve:
    1. Zahtevo sproži končni uporabnik ali programska oprema, ki deluje v njegovem imenu.
    2. MCP odjemalec pošlje zahtevo MCP gostitelju, ki upravlja z AI modelom.
    3. AI model prejme uporabniški poziv in lahko zahteva dostop do zunanjih orodij ali podatkov prek enega ali več klicev orodij.
    4. MCP gostitelj, ne model neposredno, komunicira z ustreznim MCP strežnikom prek standardiziranega protokola.
  • Funkcionalnost MCP gostitelja:
    • Register orodij: Vzdržuje katalog razpoložljivih orodij in njihovih zmogljivosti.
    • Avtentikacija: Preverja dovoljenja za dostop do orodij.
    • Upravljalec zahtev: Obdeluje dohodne zahteve orodij od modela.
    • Oblikovalec odgovorov: Strukturira izhode orodij v format, ki ga model razume.
  • Izvedba MCP strežnika:
    • MCP gostitelj usmerja klice orodij na enega ali več MCP strežnikov, ki izpostavljajo specializirane funkcije (npr. iskanje, izračuni, poizvedbe v podatkovnih bazah).
    • MCP strežniki izvajajo svoje operacije in vrnejo rezultate MCP gostitelju v doslednem formatu.
    • MCP gostitelj oblikuje in posreduje te rezultate AI modelu.
  • Zaključek odgovora:
    • AI model vključi izhode orodij v končni odgovor.
    • MCP gostitelj pošlje ta odgovor nazaj MCP odjemalcu, ki ga dostavi končnemu uporabniku ali programski opremi.
---
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

👨‍💻 Kako zgraditi MCP strežnik (z zgledi)

MCP strežniki omogočajo razširitev zmogljivosti LLM-jev z zagotavljanjem podatkov in funkcionalnosti.

Pripravljeni za preizkus? Tukaj so SDK-ji za specifične jezike in/ali ogrodja z zgledi za ustvarjanje preprostih MCP strežnikov v različnih jezikih/ogrodjih:

🌍 Resnični primeri uporabe MCP

MCP omogoča širok spekter aplikacij z razširitvijo zmogljivosti AI:

Aplikacija Opis
Integracija podatkov v podjetju Povezovanje LLM-jev s podatkovnimi bazami, CRM-ji ali internimi orodji
Agentni AI sistemi Omogočanje avtonomnih agentov z dostopom do orodij in delovnimi tokovi odločanja
Multimodalne aplikacije Združevanje besedilnih, slikovnih in zvočnih orodij v eni enotni AI aplikaciji
Integracija podatkov v realnem času Vključevanje živih podatkov v AI interakcije za bolj natančne, aktualne izhode

🧠 MCP = Univerzalni standard za AI interakcije

Model Context Protocol (MCP) deluje kot univerzalni standard za AI interakcije, podobno kot je USB-C standardiziral fizične povezave za naprave. V svetu AI MCP zagotavlja dosleden vmesnik, ki omogoča modelom (odjemalcem) nemoteno integracijo z zunanjimi orodji in ponudniki podatkov (strežniki). To odpravlja potrebo po raznolikih, prilagojenih protokolih za vsak API ali podatkovni vir.

Pod MCP orodje, združljivo z MCP (imenovano MCP strežnik), sledi enotnemu standardu. Ti strežniki lahko navedejo orodja ali dejanja, ki jih ponujajo, in ta dejanja izvedejo, ko jih zahteva AI agent. Platforme AI agentov, ki podpirajo MCP, so sposobne odkriti razpoložljiva orodja s strežnikov in jih uporabiti prek tega standardnega protokola.

💡 Omogoča dostop do znanja

Poleg ponujanja orodij MCP omogoča tudi dostop do znanja. Aplikacijam omogoča, da zagotavljajo kontekst velikim jezikovnim modelom (LLM) z njihovo povezavo z različnimi podatkovnimi viri. Na primer, MCP strežnik lahko predstavlja dokumentni repozitorij podjetja, ki agentom omogoča pridobivanje ustreznih informacij na zahtevo. Drug strežnik lahko obravnava specifična dejanja, kot so pošiljanje e-pošte ali posodabljanje zapisov. Z vidika agenta so to preprosto orodja, ki jih lahko uporablja—nekatera orodja vračajo podatke (kontekst znanja), medtem ko druga izvajajo dejanja. MCP učinkovito upravlja oboje.

Agent, ki se poveže z MCP strežnikom, samodejno spozna razpoložljive zmogljivosti strežnika in dostopne podatke prek standardnega formata. Ta standardizacija omogoča dinamično razpoložljivost orodij. Na primer, dodajanje novega MCP strežnika v sistem agenta omogoči takojšnjo uporabo njegovih funkcij brez dodatne prilagoditve navodil agenta.

Ta poenostavljena integracija se ujema s tokom, prikazanim v naslednjem diagramu, kjer strežniki zagotavljajo tako orodja kot znanje, kar omogoča nemoteno sodelovanje med sistemi.

👉 Primer: Skalabilna rešitev za agente

---
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

🔄 Napredni scenariji MCP z integracijo LLM na strani odjemalca

Poleg osnovne MCP arhitekture obstajajo napredni scenariji, kjer tako odjemalec kot strežnik vsebujeta LLM-je, kar omogoča bolj sofisticirane interakcije. Na naslednjem diagramu je odjemalska aplikacija lahko IDE z več MCP orodji, ki so na voljo za uporabo LLM-ju:

---
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

🔐 Praktične prednosti MCP

Tukaj so praktične prednosti uporabe MCP:

  • Svežina: Modeli lahko dostopajo do aktualnih informacij onkraj svojih učnih podatkov
  • Razširitev zmogljivosti: Modeli lahko uporabljajo specializirana orodja za naloge, za katere niso bili usposobljeni
  • Zmanjšanje halucinacij: Zunanji podatkovni viri zagotavljajo dejansko osnovo
  • Zasebnost: Občutljivi podatki lahko ostanejo v varnih okoljih namesto da bi bili vključeni v pozive

📌 Ključne točke

Naslednje so ključne točke za uporabo MCP:

  • MCP standardizira, kako AI modeli interagirajo z orodji in podatki
  • Spodbuja razširljivost, doslednost in interoperabilnost
  • MCP pomaga zmanjšati čas razvoja, izboljšati zanesljivost in razširiti zmogljivosti modelov
  • Arhitektura odjemalec-strežnik omogoča prilagodljive, razširljive AI aplikacije

🧠 Naloga

Razmislite o AI aplikaciji, ki jo želite zgraditi.

  • Katera zunanja orodja ali podatki bi lahko izboljšali njene zmogljivosti?
  • Kako bi MCP lahko naredil integracijo enostavnejšo in zanesljivejšo?

Dodatni viri

Kaj sledi

Naslednje: Poglavje 1: Osnovni koncepti

Omejitev odgovornosti:
Ta dokument je bil preveden z uporabo storitve za prevajanje z umetno inteligenco Co-op Translator. Čeprav si prizadevamo za natančnost, vas prosimo, da upoštevate, da lahko avtomatizirani prevodi vsebujejo napake ali netočnosti. Izvirni dokument v njegovem maternem jeziku je treba obravnavati kot avtoritativni vir. Za ključne informacije priporočamo profesionalni človeški prevod. Ne prevzemamo odgovornosti za morebitne nesporazume ali napačne razlage, ki bi nastale zaradi uporabe tega prevoda.