(Klicka på bilden ovan för att se videon till denna lektion)
Generativa AI-applikationer är ett stort framsteg eftersom de ofta låter användaren interagera med appen via naturliga språkkommandon. Men när mer tid och resurser investeras i sådana appar vill du säkerställa att du enkelt kan integrera funktioner och resurser på ett sätt som gör det enkelt att utöka, att din app kan hantera flera modeller och hantera olika modellkomplexiteter. Kort sagt, att bygga generativa AI-appar är enkelt att börja med, men när de växer och blir mer komplexa behöver du börja definiera en arkitektur och förmodligen förlita dig på en standard för att säkerställa att dina appar byggs på ett konsekvent sätt. Det är här MCP kommer in för att organisera saker och tillhandahålla en standard.
Model Context Protocol (MCP) är ett öppet, standardiserat gränssnitt som gör det möjligt för stora språkmodeller (LLMs) att interagera smidigt med externa verktyg, API:er och datakällor. Det erbjuder en konsekvent arkitektur för att förbättra AI-modellens funktionalitet bortom dess träningsdata, vilket möjliggör smartare, skalbara och mer responsiva AI-system.
När generativa AI-applikationer blir mer komplexa är det avgörande att anta standarder som säkerställer skalbarhet, utbyggbarhet, underhållbarhet och undvikande av leverantörslåsning. MCP adresserar dessa behov genom att:
- Enhetliggöra integrationer mellan modeller och verktyg
- Minska sköra, skräddarsydda lösningar
- Möjliggöra att flera modeller från olika leverantörer kan samexistera inom ett ekosystem
Notera: Även om MCP marknadsför sig som en öppen standard finns det inga planer på att standardisera MCP genom befintliga standardiseringsorgan som IEEE, IETF, W3C, ISO eller andra.
Efter att ha läst denna artikel kommer du att kunna:
- Definiera Model Context Protocol (MCP) och dess användningsområden
- Förstå hur MCP standardiserar kommunikation mellan modeller och verktyg
- Identifiera de centrala komponenterna i MCP-arkitekturen
- Utforska verkliga tillämpningar av MCP inom företag och utvecklingssammanhang
Innan MCP krävde integrering av modeller med verktyg:
- Skräddarsydd kod för varje verktyg-modellpar
- Icke-standardiserade API:er för varje leverantör
- Frekventa avbrott på grund av uppdateringar
- Dålig skalbarhet med fler verktyg
| Fördel | Beskrivning |
|---|---|
| Interoperabilitet | LLMs fungerar smidigt med verktyg från olika leverantörer |
| Konsekvens | Enhetligt beteende över plattformar och verktyg |
| Återanvändbarhet | Verktyg byggda en gång kan användas i flera projekt och system |
| Snabbare utveckling | Minska utvecklingstiden med standardiserade, plug-and-play-gränssnitt |
MCP följer en klient-server-modell, där:
- MCP Hosts kör AI-modellerna
- MCP Clients initierar förfrågningar
- MCP Servers tillhandahåller kontext, verktyg och funktioner
- Resurser – Statisk eller dynamisk data för modeller
- Prompter – Fördefinierade arbetsflöden för styrd generering
- Verktyg – Exekverbara funktioner som sökning, beräkningar
- Sampling – Agentiskt beteende via rekursiva interaktioner
MCP-servrar fungerar på följande sätt:
- Förfrågningsflöde:
- En förfrågan initieras av en slutanvändare eller mjukvara som agerar på deras vägnar.
- MCP Client skickar förfrågan till en MCP Host, som hanterar AI-modellens runtime.
- AI-modellen tar emot användarens prompt och kan begära åtkomst till externa verktyg eller data via en eller flera verktygsanrop.
- MCP Host, inte modellen direkt, kommunicerar med lämpliga MCP Server(s) via det standardiserade protokollet.
- MCP Hosts funktionalitet:
- Verktygsregister: Håller en katalog över tillgängliga verktyg och deras funktioner.
- Autentisering: Verifierar behörigheter för verktygsåtkomst.
- Förfrågningshanterare: Bearbetar inkommande verktygsförfrågningar från modellen.
- Svarformatterare: Strukturerar verktygsutdata i ett format som modellen kan förstå.
- MCP Server-exekvering:
- MCP Host dirigerar verktygsanrop till en eller flera MCP Servers, som exponerar specialiserade funktioner (t.ex. sökning, beräkningar, databasfrågor).
- MCP Servers utför sina respektive operationer och returnerar resultat till MCP Host i ett konsekvent format.
- MCP Host formaterar och vidarebefordrar dessa resultat till AI-modellen.
- Slutförande av svar:
- AI-modellen integrerar verktygsutdata i ett slutgiltigt svar.
- MCP Host skickar detta svar tillbaka till MCP Client, som levererar det till slutanvändaren eller den anropande mjukvaran.
---
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-servrar gör det möjligt att utöka LLM-funktioner genom att tillhandahålla data och funktionalitet.
Redo att prova? Här är språk- och/eller stack-specifika SDK:er med exempel på hur man skapar enkla MCP-servrar i olika språk/stacks:
-
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 möjliggör en mängd olika applikationer genom att utöka AI-funktioner:
| Applikation | Beskrivning |
|---|---|
| Företagsdataintegration | Koppla LLMs till databaser, CRM-system eller interna verktyg |
| Agentiska AI-system | Möjliggör autonoma agenter med verktygsåtkomst och arbetsflöden för beslutsfattande |
| Multimodala applikationer | Kombinera text-, bild- och ljudverktyg inom en enda enhetlig AI-app |
| Realtidsdataintegration | Ta in live-data i AI-interaktioner för mer exakta och aktuella resultat |
Model Context Protocol (MCP) fungerar som en universell standard för AI-interaktioner, ungefär som USB-C standardiserade fysiska anslutningar för enheter. Inom AI-världen tillhandahåller MCP ett konsekvent gränssnitt som gör det möjligt för modeller (klienter) att integrera smidigt med externa verktyg och dataleverantörer (servrar). Detta eliminerar behovet av olika, skräddarsydda protokoll för varje API eller datakälla.
Under MCP följer ett MCP-kompatibelt verktyg (kallat MCP-server) en enhetlig standard. Dessa servrar kan lista de verktyg eller åtgärder de erbjuder och utföra dessa åtgärder när de begärs av en AI-agent. AI-agentplattformar som stöder MCP kan upptäcka tillgängliga verktyg från servrarna och anropa dem via detta standardprotokoll.
Utöver att erbjuda verktyg underlättar MCP också åtkomst till kunskap. Det gör det möjligt för applikationer att ge kontext till stora språkmodeller (LLMs) genom att länka dem till olika datakällor. Till exempel kan en MCP-server representera ett företags dokumentarkiv, vilket gör det möjligt för agenter att hämta relevant information vid behov. En annan server kan hantera specifika åtgärder som att skicka e-post eller uppdatera register. Från agentens perspektiv är dessa helt enkelt verktyg den kan använda—vissa verktyg returnerar data (kunskapskontext), medan andra utför åtgärder. MCP hanterar båda effektivt.
En agent som ansluter till en MCP-server lär sig automatiskt serverns tillgängliga funktioner och åtkomlig data via ett standardformat. Denna standardisering möjliggör dynamisk verktygsåtkomst. Till exempel gör tillägget av en ny MCP-server till en agents system dess funktioner omedelbart användbara utan att kräva ytterligare anpassning av agentens instruktioner.
---
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
Utöver den grundläggande MCP-arkitekturen finns det avancerade scenarier där både klient och server innehåller LLMs, vilket möjliggör mer sofistikerade interaktioner. I följande diagram kan Client App vara en IDE med ett antal MCP-verktyg tillgängliga för användning av 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
Här är de praktiska fördelarna med att använda MCP:
- Aktualitet: Modeller kan få tillgång till uppdaterad information bortom deras träningsdata
- Utökad funktionalitet: Modeller kan använda specialiserade verktyg för uppgifter de inte tränats för
- Minskade hallucinationer: Externa datakällor ger faktagrund
- Integritet: Känslig data kan förbli inom säkra miljöer istället för att integreras i prompts
Följande är viktiga insikter för att använda MCP:
- MCP standardiserar hur AI-modeller interagerar med verktyg och data
- Främjar utbyggbarhet, konsekvens och interoperabilitet
- MCP hjälper till att minska utvecklingstid, förbättra tillförlitlighet och utöka modellens funktioner
- Klient-server-arkitekturen möjliggör flexibla, utbyggbara AI-applikationer
Tänk på en AI-applikation du är intresserad av att bygga.
- Vilka externa verktyg eller data skulle kunna förbättra dess funktioner?
- Hur kan MCP göra integrationen enklare och mer tillförlitlig?
Nästa: Kapitel 1: Grundläggande koncept
Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, bör det noteras att automatiserade översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.