(I-click ang larawan sa itaas upang panoorin ang video ng araling ito)
Ang mga generative AI applications ay isang malaking hakbang pasulong dahil madalas nilang pinapayagan ang user na makipag-ugnayan sa app gamit ang natural na wika. Gayunpaman, habang mas maraming oras at resources ang inilalagay sa ganitong mga app, nais mong tiyakin na madali mong maisasama ang mga functionality at resources sa paraang madaling palawakin, na ang iyong app ay maaaring gumana sa higit sa isang modelong ginagamit, at kayang hawakan ang iba't ibang intricacies ng mga modelo. Sa madaling salita, madaling magsimula sa paggawa ng Gen AI apps, ngunit habang lumalaki at nagiging mas kumplikado ang mga ito, kailangan mong magsimulang magtakda ng arkitektura at malamang na kakailanganin mong umasa sa isang pamantayan upang matiyak na ang iyong mga app ay binuo sa isang pare-parehong paraan. Dito pumapasok ang MCP upang mag-organisa ng mga bagay at magbigay ng pamantayan.
Ang Model Context Protocol (MCP) ay isang bukas at standardisadong interface na nagpapahintulot sa Large Language Models (LLMs) na makipag-ugnayan nang maayos sa mga panlabas na tools, APIs, at data sources. Nagbibigay ito ng isang pare-parehong arkitektura upang mapahusay ang functionality ng AI models lampas sa kanilang training data, na nagreresulta sa mas matalino, scalable, at mas tumutugong AI systems.
Habang nagiging mas kumplikado ang mga generative AI applications, mahalagang gumamit ng mga pamantayan na nagsisiguro ng scalability, extensibility, maintainability, at pag-iwas sa vendor lock-in. Ang MCP ay tumutugon sa mga pangangailangang ito sa pamamagitan ng:
- Pag-iisa ng mga integration ng modelo at tool
- Pagbabawas ng mga marupok at one-off na custom solutions
- Pagpapahintulot sa maraming modelo mula sa iba't ibang vendor na magkasamang gumana sa isang ecosystem
Note: Bagama't ipinakikilala ng MCP ang sarili bilang isang bukas na pamantayan, walang plano na gawing standardisado ang MCP sa pamamagitan ng anumang umiiral na standards bodies tulad ng IEEE, IETF, W3C, ISO, o iba pang standards body.
Sa pagtatapos ng artikulong ito, magagawa mong:
- Tukuyin ang Model Context Protocol (MCP) at ang mga use case nito
- Maunawaan kung paano standardisado ng MCP ang komunikasyon sa pagitan ng modelo at tool
- Kilalanin ang mga pangunahing bahagi ng arkitektura ng MCP
- Tuklasin ang mga totoong aplikasyon ng MCP sa mga enterprise at development contexts
Bago ang MCP, ang pag-integrate ng mga modelo sa mga tool ay nangangailangan ng:
- Custom na code para sa bawat pares ng tool at modelo
- Non-standard na APIs para sa bawat vendor
- Madalas na pagkasira dahil sa mga update
- Mahinang scalability sa mas maraming tools
| Benepisyo | Paglalarawan |
|---|---|
| Interoperability | Ang mga LLM ay gumagana nang maayos sa mga tool mula sa iba't ibang vendor |
| Consistency | Pare-parehong pag-uugali sa iba't ibang platform at tool |
| Reusability | Ang mga tool na ginawa nang isang beses ay maaaring gamitin sa iba't ibang proyekto at sistema |
| Accelerated Development | Nabawasan ang oras ng development sa paggamit ng standardisadong, plug-and-play na interfaces |
Ang MCP ay sumusunod sa isang client-server model, kung saan:
- Ang MCP Hosts ang nagpapatakbo ng AI models
- Ang MCP Clients ang nagpapasimula ng mga request
- Ang MCP Servers ang nagbibigay ng context, tools, at capabilities
- Resources – Static o dynamic na data para sa mga modelo
- Prompts – Mga predefined na workflow para sa guided generation
- Tools – Mga executable function tulad ng search, calculations
- Sampling – Agentic behavior sa pamamagitan ng recursive interactions
Ang mga MCP server ay gumagana sa sumusunod na paraan:
- Daloy ng Request:
- Ang isang request ay sinisimulan ng isang end user o software na kumikilos sa kanilang ngalan.
- Ang MCP Client ay nagpapadala ng request sa isang MCP Host, na namamahala sa AI Model runtime.
- Natatanggap ng AI Model ang user prompt at maaaring humiling ng access sa mga panlabas na tool o data sa pamamagitan ng isa o higit pang tool calls.
- Ang MCP Host, hindi ang modelo mismo, ang nakikipag-ugnayan sa angkop na MCP Server(s) gamit ang standardisadong protocol.
- Functionality ng MCP Host:
- Tool Registry: Pinapanatili ang katalogo ng mga available na tool at ang kanilang mga kakayahan.
- Authentication: Sini-siguro ang mga pahintulot para sa access sa tool.
- Request Handler: Pinoproseso ang mga papasok na tool request mula sa modelo.
- Response Formatter: Istraktura ng mga output ng tool sa format na maiintindihan ng modelo.
- Pagpapatupad ng MCP Server:
- Ang MCP Host ay nagre-route ng mga tool calls sa isa o higit pang MCP Servers, na bawat isa ay nag-e-expose ng mga specialized na function (hal., search, calculations, database queries).
- Ang MCP Servers ay nagsasagawa ng kani-kanilang mga operasyon at ibinabalik ang mga resulta sa MCP Host sa isang pare-parehong format.
- Ang MCP Host ay nagfo-format at nagre-relay ng mga resultang ito sa AI Model.
- Pagkumpleto ng Tugon:
- Isinasama ng AI Model ang mga output ng tool sa isang panghuling tugon.
- Ang MCP Host ay ipinapadala ang tugon pabalik sa MCP Client, na naghahatid nito sa end user o tumatawag na software.
---
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
Ang mga MCP server ay nagbibigay-daan sa iyo na palawakin ang kakayahan ng LLM sa pamamagitan ng pagbibigay ng data at functionality.
Handa ka na bang subukan? Narito ang mga SDK na partikular sa wika at/o stack na may mga halimbawa ng paggawa ng simpleng MCP servers sa iba't ibang wika/stack:
- Python SDK: https://github.com/modelcontextprotocol/python-sdk
- TypeScript SDK: https://github.com/modelcontextprotocol/typescript-sdk
- Java SDK: https://github.com/modelcontextprotocol/java-sdk
- C#/.NET SDK: https://github.com/modelcontextprotocol/csharp-sdk
Ang MCP ay nagbibigay-daan sa malawak na hanay ng mga aplikasyon sa pamamagitan ng pagpapalawak ng kakayahan ng AI:
| Aplikasyon | Paglalarawan |
|---|---|
| Enterprise Data Integration | Ikonekta ang LLMs sa mga database, CRMs, o internal tools |
| Agentic AI Systems | Paganahin ang mga autonomous agents na may access sa tool at workflows ng desisyon |
| Multi-modal Applications | Pagsamahin ang text, image, at audio tools sa isang unified AI app |
| Real-time Data Integration | Dalhin ang live data sa AI interactions para sa mas tumpak at kasalukuyang outputs |
Ang Model Context Protocol (MCP) ay kumikilos bilang isang universal standard para sa AI interactions, tulad ng kung paano standardisado ng USB-C ang mga physical connections para sa mga device. Sa mundo ng AI, nagbibigay ang MCP ng isang pare-parehong interface, na nagpapahintulot sa mga modelo (clients) na ma-integrate nang maayos sa mga panlabas na tool at data providers (servers). Inaalis nito ang pangangailangan para sa magkakaibang, custom na protocols para sa bawat API o data source.
Sa ilalim ng MCP, ang isang MCP-compatible na tool (tinatawag na MCP server) ay sumusunod sa isang unified standard. Ang mga server na ito ay maaaring maglista ng mga tool o aksyon na kanilang inaalok at isagawa ang mga aksyong iyon kapag hiniling ng isang AI agent. Ang mga AI agent platform na sumusuporta sa MCP ay may kakayahang matuklasan ang mga available na tool mula sa mga server at gamitin ang mga ito sa pamamagitan ng standard na protocol na ito.
Bukod sa pag-aalok ng mga tool, pinapadali rin ng MCP ang access sa kaalaman. Pinapayagan nito ang mga application na magbigay ng context sa mga large language models (LLMs) sa pamamagitan ng pag-link sa kanila sa iba't ibang data sources. Halimbawa, ang isang MCP server ay maaaring kumatawan sa repository ng dokumento ng isang kumpanya, na nagpapahintulot sa mga agent na kunin ang may kaugnayang impormasyon kapag kinakailangan. Ang isa pang server ay maaaring humawak ng mga partikular na aksyon tulad ng pagpapadala ng mga email o pag-update ng mga talaan. Mula sa pananaw ng agent, ang mga ito ay simpleng mga tool na maaari nitong gamitin—ang ilan ay nagbabalik ng data (knowledge context), habang ang iba ay nagsasagawa ng mga aksyon. Pinamamahalaan ng MCP ang pareho nang mahusay.
Ang isang agent na kumokonekta sa isang MCP server ay awtomatikong natututo ng mga available na kakayahan at accessible na data ng server sa pamamagitan ng isang standard na format. Ang standardisasyong ito ay nagbibigay-daan sa dynamic na availability ng tool. Halimbawa, ang pagdaragdag ng bagong MCP server sa sistema ng agent ay agad na nagiging magagamit ang mga function nito nang walang karagdagang customization ng mga tagubilin ng agent.
Ang streamlined na integration na ito ay naaayon sa daloy na inilalarawan sa sumusunod na diagram, kung saan ang mga server ay nagbibigay ng parehong tools at kaalaman, na tinitiyak ang maayos na kolaborasyon sa mga sistema.
---
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
Bukod sa pangunahing arkitektura ng MCP, may mga advanced na scenario kung saan parehong may LLM ang client at server, na nagbibigay-daan sa mas sopistikadong interaksyon. Sa sumusunod na diagram, ang Client App ay maaaring isang IDE na may iba't ibang MCP tools na available para sa paggamit ng 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
Narito ang mga praktikal na benepisyo ng paggamit ng MCP:
- Freshness: Maaaring ma-access ng mga modelo ang pinakabagong impormasyon lampas sa kanilang training data
- Capability Extension: Maaaring gamitin ng mga modelo ang mga specialized na tool para sa mga gawain na hindi sila sinanay para gawin
- Reduced Hallucinations: Ang mga panlabas na data sources ay nagbibigay ng factual grounding
- Privacy: Ang sensitibong data ay maaaring manatili sa loob ng secure na mga environment sa halip na maisama sa prompts
Narito ang mga pangunahing punto sa paggamit ng MCP:
- Ang MCP ay nag-standardize kung paano nakikipag-ugnayan ang mga AI models sa mga tool at data
- Pinapalaganap nito ang extensibility, consistency, at interoperability
- Ang MCP ay tumutulong na bawasan ang oras ng development, mapabuti ang reliability, at mapalawak ang kakayahan ng modelo
- Ang client-server architecture ay nagbibigay-daan sa flexible at extensible na AI applications
Mag-isip ng isang AI application na nais mong buuin.
- Aling mga panlabas na tool o data ang maaaring magpalawak ng kakayahan nito?
- Paano maaaring gawing mas simple at maaasahan ng MCP ang integration?
Susunod: Kabanata 1: Mga Pangunahing Konsepto
Paunawa:
Ang dokumentong ito ay isinalin gamit ang AI translation service na Co-op Translator. Bagama't sinisikap naming maging tumpak, pakitandaan na ang mga awtomatikong pagsasalin ay maaaring maglaman ng mga pagkakamali o hindi pagkakatugma. Ang orihinal na dokumento sa kanyang orihinal na wika ang dapat ituring na opisyal na sanggunian. Para sa mahalagang impormasyon, inirerekomenda ang propesyonal na pagsasalin ng tao. Hindi kami mananagot sa anumang hindi pagkakaunawaan o maling interpretasyon na maaaring magmula sa paggamit ng pagsasaling ito.