Skip to content

Latest commit

 

History

History
665 lines (526 loc) · 24.7 KB

README.md

File metadata and controls

665 lines (526 loc) · 24.7 KB

MCP Root Contexts

Root contextler, Model Context Protocol'de temel bir kavramdır ve birden fazla istek ve oturum arasında konuşma geçmişini ve paylaşılan durumu kalıcı olarak koruyan bir katman sağlar.

Giriş

Bu derste, MCP'de root contextlerin nasıl oluşturulacağını, yönetileceğini ve kullanılacağını inceleyeceğiz.

Öğrenme Hedefleri

Bu dersin sonunda şunları yapabileceksiniz:

  • Root contextlerin amacı ve yapısını anlamak
  • MCP istemci kütüphanelerini kullanarak root contextler oluşturmak ve yönetmek
  • Root contextleri .NET, Java, JavaScript ve Python uygulamalarında uygulamak
  • Çok turlu konuşmalar ve durum yönetimi için root contextleri kullanmak
  • Root context yönetimi için en iyi uygulamaları hayata geçirmek

Root Contextleri Anlamak

Root contextler, ilişkili etkileşimler dizisi için geçmişi ve durumu tutan kapsayıcılar olarak hizmet eder. Bunlar şunları sağlar:

  • Konuşma Sürekliliği: Tutarlı çok turlu konuşmaların sürdürülmesi
  • Bellek Yönetimi: Etkileşimler arasında bilgi depolama ve geri çağırma
  • Durum Yönetimi: Karmaşık iş akışlarında ilerlemenin takibi
  • Context Paylaşımı: Birden fazla istemcinin aynı konuşma durumuna erişebilmesi

MCP'de root contextlerin temel özellikleri şunlardır:

  • Her root context benzersiz bir kimliğe sahiptir.
  • Konuşma geçmişi, kullanıcı tercihleri ve diğer meta verileri içerebilirler.
  • Gerektiğinde oluşturulabilir, erişilebilir ve arşivlenebilirler.
  • İnce taneli erişim kontrolü ve izinleri desteklerler.

Root Context Yaşam Döngüsü

flowchart TD
    A[Create Root Context] --> B[Initialize with Metadata]
    B --> C[Send Requests with Context ID]
    C --> D[Update Context with Results]
    D --> C
    D --> E[Archive Context When Complete]
Loading

Root Contextlerle Çalışmak

İşte root contextlerin nasıl oluşturulup yönetileceğine dair bir örnek.

C# Uygulaması

// .NET Example: Root Context Management
using Microsoft.Mcp.Client;
using System;
using System.Threading.Tasks;
using System.Collections.Generic;

public class RootContextExample
{
    private readonly IMcpClient _client;
    private readonly IRootContextManager _contextManager;
    
    public RootContextExample(IMcpClient client, IRootContextManager contextManager)
    {
        _client = client;
        _contextManager = contextManager;
    }
    
    public async Task DemonstrateRootContextAsync()
    {
        // 1. Create a new root context
        var contextResult = await _contextManager.CreateRootContextAsync(new RootContextCreateOptions
        {
            Name = "Customer Support Session",
            Metadata = new Dictionary<string, string>
            {
                ["CustomerName"] = "Acme Corporation",
                ["PriorityLevel"] = "High",
                ["Domain"] = "Cloud Services"
            }
        });
        
        string contextId = contextResult.ContextId;
        Console.WriteLine($"Created root context with ID: {contextId}");
        
        // 2. First interaction using the context
        var response1 = await _client.SendPromptAsync(
            "I'm having issues scaling my web service deployment in the cloud.", 
            new SendPromptOptions { RootContextId = contextId }
        );
        
        Console.WriteLine($"First response: {response1.GeneratedText}");
        
        // Second interaction - the model will have access to the previous conversation
        var response2 = await _client.SendPromptAsync(
            "Yes, we're using containerized deployments with Kubernetes.", 
            new SendPromptOptions { RootContextId = contextId }
        );
        
        Console.WriteLine($"Second response: {response2.GeneratedText}");
        
        // 3. Add metadata to the context based on conversation
        await _contextManager.UpdateContextMetadataAsync(contextId, new Dictionary<string, string>
        {
            ["TechnicalEnvironment"] = "Kubernetes",
            ["IssueType"] = "Scaling"
        });
        
        // 4. Get context information
        var contextInfo = await _contextManager.GetRootContextInfoAsync(contextId);
        
        Console.WriteLine("Context Information:");
        Console.WriteLine($"- Name: {contextInfo.Name}");
        Console.WriteLine($"- Created: {contextInfo.CreatedAt}");
        Console.WriteLine($"- Messages: {contextInfo.MessageCount}");
        
        // 5. When the conversation is complete, archive the context
        await _contextManager.ArchiveRootContextAsync(contextId);
        Console.WriteLine($"Archived context {contextId}");
    }
}

Yukarıdaki kodda şunları yaptık:

  1. Bir müşteri destek oturumu için root context oluşturduk.
  2. Modelin durumu korumasını sağlayarak bu context içinde birden fazla mesaj gönderdik.
  3. Konuşmaya bağlı olarak ilgili meta verilerle contexti güncelledik.
  4. Konuşma geçmişini anlamak için context bilgilerini aldık.
  5. Konuşma tamamlandığında contexti arşivledik.

Örnek: Finansal Analiz için Root Context Uygulaması

Bu örnekte, bir finansal analiz oturumu için root context oluşturacağız ve birden fazla etkileşim boyunca durumu nasıl koruyacağımızı göstereceğiz.

Java Uygulaması

// Java Example: Root Context Implementation
package com.example.mcp.contexts;

import com.mcp.client.McpClient;
import com.mcp.client.ContextManager;
import com.mcp.models.RootContext;
import com.mcp.models.McpResponse;

import java.util.HashMap;
import java.util.Map;
import java.util.UUID;

public class RootContextsDemo {
    private final McpClient client;
    private final ContextManager contextManager;
    
    public RootContextsDemo(String serverUrl) {
        this.client = new McpClient.Builder()
            .setServerUrl(serverUrl)
            .build();
            
        this.contextManager = new ContextManager(client);
    }
    
    public void demonstrateRootContext() throws Exception {
        // Create context metadata
        Map<String, String> metadata = new HashMap<>();
        metadata.put("projectName", "Financial Analysis");
        metadata.put("userRole", "Financial Analyst");
        metadata.put("dataSource", "Q1 2025 Financial Reports");
        
        // 1. Create a new root context
        RootContext context = contextManager.createRootContext("Financial Analysis Session", metadata);
        String contextId = context.getId();
        
        System.out.println("Created context: " + contextId);
        
        // 2. First interaction
        McpResponse response1 = client.sendPrompt(
            "Analyze the trends in Q1 financial data for our technology division",
            contextId
        );
        
        System.out.println("First response: " + response1.getGeneratedText());
        
        // 3. Update context with important information gained from response
        contextManager.addContextMetadata(contextId, 
            Map.of("identifiedTrend", "Increasing cloud infrastructure costs"));
        
        // Second interaction - using the same context
        McpResponse response2 = client.sendPrompt(
            "What's driving the increase in cloud infrastructure costs?",
            contextId
        );
        
        System.out.println("Second response: " + response2.getGeneratedText());
        
        // 4. Generate a summary of the analysis session
        McpResponse summaryResponse = client.sendPrompt(
            "Summarize our analysis of the technology division financials in 3-5 key points",
            contextId
        );
        
        // Store the summary in context metadata
        contextManager.addContextMetadata(contextId, 
            Map.of("analysisSummary", summaryResponse.getGeneratedText()));
            
        // Get updated context information
        RootContext updatedContext = contextManager.getRootContext(contextId);
        
        System.out.println("Context Information:");
        System.out.println("- Created: " + updatedContext.getCreatedAt());
        System.out.println("- Last Updated: " + updatedContext.getLastUpdatedAt());
        System.out.println("- Analysis Summary: " + 
            updatedContext.getMetadata().get("analysisSummary"));
            
        // 5. Archive context when done
        contextManager.archiveContext(contextId);
        System.out.println("Context archived");
    }
}

Yukarıdaki kodda şunları yaptık:

  1. Finansal analiz oturumu için root context oluşturduk.
  2. Modelin durumu korumasını sağlayarak bu context içinde birden fazla mesaj gönderdik.
  3. Konuşmaya bağlı olarak ilgili meta verilerle contexti güncelledik.
  4. Analiz oturumunun özetini oluşturup context meta verilerine kaydettik.
  5. Konuşma tamamlandığında contexti arşivledik.

Örnek: Root Context Yönetimi

Root contextleri etkili şekilde yönetmek, konuşma geçmişi ve durumun korunması için çok önemlidir. Aşağıda root context yönetiminin nasıl uygulanacağına dair bir örnek bulunmaktadır.

JavaScript Uygulaması

// JavaScript Example: Managing MCP Root Contexts
const { McpClient, RootContextManager } = require('@mcp/client');

class ContextSession {
  constructor(serverUrl, apiKey = null) {
    // Initialize the MCP client
    this.client = new McpClient({
      serverUrl,
      apiKey
    });
    
    // Initialize context manager
    this.contextManager = new RootContextManager(this.client);
  }
  
  /**
   * Create a new conversation context
   * @param {string} sessionName - Name of the conversation session
   * @param {Object} metadata - Additional metadata for the context
   * @returns {Promise<string>} - Context ID
   */
  async createConversationContext(sessionName, metadata = {}) {
    try {
      const contextResult = await this.contextManager.createRootContext({
        name: sessionName,
        metadata: {
          ...metadata,
          createdAt: new Date().toISOString(),
          status: 'active'
        }
      });
      
      console.log(`Created root context '${sessionName}' with ID: ${contextResult.id}`);
      return contextResult.id;
    } catch (error) {
      console.error('Error creating root context:', error);
      throw error;
    }
  }
  
  /**
   * Send a message in an existing context
   * @param {string} contextId - The root context ID
   * @param {string} message - The user's message
   * @param {Object} options - Additional options
   * @returns {Promise<Object>} - Response data
   */
  async sendMessage(contextId, message, options = {}) {
    try {
      // Send the message using the specified context
      const response = await this.client.sendPrompt(message, {
        rootContextId: contextId,
        temperature: options.temperature || 0.7,
        allowedTools: options.allowedTools || []
      });
      
      // Optionally store important insights from the conversation
      if (options.storeInsights) {
        await this.storeConversationInsights(contextId, message, response.generatedText);
      }
      
      return {
        message: response.generatedText,
        toolCalls: response.toolCalls || [],
        contextId
      };
    } catch (error) {
      console.error(`Error sending message in context ${contextId}:`, error);
      throw error;
    }
  }
  
  /**
   * Store important insights from a conversation
   * @param {string} contextId - The root context ID
   * @param {string} userMessage - User's message
   * @param {string} aiResponse - AI's response
   */
  async storeConversationInsights(contextId, userMessage, aiResponse) {
    try {
      // Extract potential insights (in a real app, this would be more sophisticated)
      const combinedText = userMessage + "\n" + aiResponse;
      
      // Simple heuristic to identify potential insights
      const insightWords = ["important", "key point", "remember", "significant", "crucial"];
      
      const potentialInsights = combinedText
        .split(".")
        .filter(sentence => 
          insightWords.some(word => sentence.toLowerCase().includes(word))
        )
        .map(sentence => sentence.trim())
        .filter(sentence => sentence.length > 10);
      
      // Store insights in context metadata
      if (potentialInsights.length > 0) {
        const insights = {};
        potentialInsights.forEach((insight, index) => {
          insights[`insight_${Date.now()}_${index}`] = insight;
        });
        
        await this.contextManager.updateContextMetadata(contextId, insights);
        console.log(`Stored ${potentialInsights.length} insights in context ${contextId}`);
      }
    } catch (error) {
      console.warn('Error storing conversation insights:', error);
      // Non-critical error, so just log warning
    }
  }
  
  /**
   * Get summary information about a context
   * @param {string} contextId - The root context ID
   * @returns {Promise<Object>} - Context information
   */
  async getContextInfo(contextId) {
    try {
      const contextInfo = await this.contextManager.getContextInfo(contextId);
      
      return {
        id: contextInfo.id,
        name: contextInfo.name,
        created: new Date(contextInfo.createdAt).toLocaleString(),
        lastUpdated: new Date(contextInfo.lastUpdatedAt).toLocaleString(),
        messageCount: contextInfo.messageCount,
        metadata: contextInfo.metadata,
        status: contextInfo.status
      };
    } catch (error) {
      console.error(`Error getting context info for ${contextId}:`, error);
      throw error;
    }
  }
  
  /**
   * Generate a summary of the conversation in a context
   * @param {string} contextId - The root context ID
   * @returns {Promise<string>} - Generated summary
   */
  async generateContextSummary(contextId) {
    try {
      // Ask the model to generate a summary of the conversation so far
      const response = await this.client.sendPrompt(
        "Please summarize our conversation so far in 3-4 sentences, highlighting the main points discussed.",
        { rootContextId: contextId, temperature: 0.3 }
      );
      
      // Store the summary in context metadata
      await this.contextManager.updateContextMetadata(contextId, {
        conversationSummary: response.generatedText,
        summarizedAt: new Date().toISOString()
      });
      
      return response.generatedText;
    } catch (error) {
      console.error(`Error generating context summary for ${contextId}:`, error);
      throw error;
    }
  }
  
  /**
   * Archive a context when it's no longer needed
   * @param {string} contextId - The root context ID
   * @returns {Promise<Object>} - Result of the archive operation
   */
  async archiveContext(contextId) {
    try {
      // Generate a final summary before archiving
      const summary = await this.generateContextSummary(contextId);
      
      // Archive the context
      await this.contextManager.archiveContext(contextId);
      
      return {
        status: "archived",
        contextId,
        summary
      };
    } catch (error) {
      console.error(`Error archiving context ${contextId}:`, error);
      throw error;
    }
  }
}

// Example usage
async function demonstrateContextSession() {
  const session = new ContextSession('https://mcp-server-example.com');
  
  try {
    // 1. Create a new context for a product support conversation
    const contextId = await session.createConversationContext(
      'Product Support - Database Performance',
      {
        customer: 'Globex Corporation',
        product: 'Enterprise Database',
        severity: 'Medium',
        supportAgent: 'AI Assistant'
      }
    );
    
    // 2. First message in the conversation
    const response1 = await session.sendMessage(
      contextId,
      "I'm experiencing slow query performance on our database cluster after the latest update.",
      { storeInsights: true }
    );
    console.log('Response 1:', response1.message);
    
    // Follow-up message in the same context
    const response2 = await session.sendMessage(
      contextId,
      "Yes, we've already checked the indexes and they seem to be properly configured.",
      { storeInsights: true }
    );
    console.log('Response 2:', response2.message);
    
    // 3. Get information about the context
    const contextInfo = await session.getContextInfo(contextId);
    console.log('Context Information:', contextInfo);
    
    // 4. Generate and display conversation summary
    const summary = await session.generateContextSummary(contextId);
    console.log('Conversation Summary:', summary);
    
    // 5. Archive the context when done
    const archiveResult = await session.archiveContext(contextId);
    console.log('Archive Result:', archiveResult);
    
    // 6. Handle any errors gracefully
  } catch (error) {
    console.error('Error in context session demonstration:', error);
  }
}

demonstrateContextSession();

Yukarıdaki kodda şunları yaptık:

  1. createConversationContext fonksiyonuyla ürün destek konuşması için bir root context oluşturduk. Bu durumda context, veritabanı performans sorunlarıyla ilgili.

  2. sendMessage fonksiyonunu kullanarak bu context içinde birden fazla mesaj gönderdik ve modelin durumu korumasını sağladık. Gönderilen mesajlar yavaş sorgu performansı ve indeks yapılandırması hakkındaydı.

  3. Konuşmaya bağlı olarak ilgili meta verilerle contexti güncelledik.

  4. generateContextSummary fonksiyonuyla konuşmanın özetini oluşturup context meta verilerine kaydettik.

  5. Konuşma tamamlandığında archiveContext fonksiyonuyla contexti arşivledik.

  6. Hataları düzgün şekilde ele alarak sağlamlığı sağladık.

Çok Turlu Yardım için Root Context

Bu örnekte, çok turlu yardım oturumu için root context oluşturacağız ve birden fazla etkileşim boyunca durumu nasıl koruyacağımızı göstereceğiz.

Python Uygulaması

# Python Example: Root Context for Multi-Turn Assistance
import asyncio
from datetime import datetime
from mcp_client import McpClient, RootContextManager

class AssistantSession:
    def __init__(self, server_url, api_key=None):
        self.client = McpClient(server_url=server_url, api_key=api_key)
        self.context_manager = RootContextManager(self.client)
    
    async def create_session(self, name, user_info=None):
        """Create a new root context for an assistant session"""
        metadata = {
            "session_type": "assistant",
            "created_at": datetime.now().isoformat(),
        }
        
        # Add user information if provided
        if user_info:
            metadata.update({f"user_{k}": v for k, v in user_info.items()})
            
        # Create the root context
        context = await self.context_manager.create_root_context(name, metadata)
        return context.id
    
    async def send_message(self, context_id, message, tools=None):
        """Send a message within a root context"""
        # Create options with context ID
        options = {
            "root_context_id": context_id
        }
        
        # Add tools if specified
        if tools:
            options["allowed_tools"] = tools
        
        # Send the prompt within the context
        response = await self.client.send_prompt(message, options)
        
        # Update context metadata with conversation progress
        await self.context_manager.update_context_metadata(
            context_id,
            {
                f"message_{datetime.now().timestamp()}": message[:50] + "...",
                "last_interaction": datetime.now().isoformat()
            }
        )
        
        return response
    
    async def get_conversation_history(self, context_id):
        """Retrieve conversation history from a context"""
        context_info = await self.context_manager.get_context_info(context_id)
        messages = await self.client.get_context_messages(context_id)
        
        return {
            "context_info": context_info,
            "messages": messages
        }
    
    async def end_session(self, context_id):
        """End an assistant session by archiving the context"""
        # Generate a summary prompt first
        summary_response = await self.client.send_prompt(
            "Please summarize our conversation and any key points or decisions made.",
            {"root_context_id": context_id}
        )
        
        # Store summary in metadata
        await self.context_manager.update_context_metadata(
            context_id,
            {
                "summary": summary_response.generated_text,
                "ended_at": datetime.now().isoformat(),
                "status": "completed"
            }
        )
        
        # Archive the context
        await self.context_manager.archive_context(context_id)
        
        return {
            "status": "completed",
            "summary": summary_response.generated_text
        }

# Example usage
async def demo_assistant_session():
    assistant = AssistantSession("https://mcp-server-example.com")
    
    # 1. Create session
    context_id = await assistant.create_session(
        "Technical Support Session",
        {"name": "Alex", "technical_level": "advanced", "product": "Cloud Services"}
    )
    print(f"Created session with context ID: {context_id}")
    
    # 2. First interaction
    response1 = await assistant.send_message(
        context_id, 
        "I'm having trouble with the auto-scaling feature in your cloud platform.",
        ["documentation_search", "diagnostic_tool"]
    )
    print(f"Response 1: {response1.generated_text}")
    
    # Second interaction in the same context
    response2 = await assistant.send_message(
        context_id,
        "Yes, I've already checked the configuration settings you mentioned, but it's still not working."
    )
    print(f"Response 2: {response2.generated_text}")
    
    # 3. Get history
    history = await assistant.get_conversation_history(context_id)
    print(f"Session has {len(history['messages'])} messages")
    
    # 4. End session
    end_result = await assistant.end_session(context_id)
    print(f"Session ended with summary: {end_result['summary']}")

if __name__ == "__main__":
    asyncio.run(demo_assistant_session())

Yukarıdaki kodda şunları yaptık:

  1. create_session fonksiyonuyla teknik destek oturumu için root context oluşturduk. Context, isim ve teknik seviye gibi kullanıcı bilgilerini içeriyor.

  2. send_message fonksiyonunu kullanarak bu context içinde birden fazla mesaj gönderdik ve modelin durumu korumasını sağladık. Gönderilen mesajlar otomatik ölçeklendirme özelliğiyle ilgili sorunlardı.

  3. get_conversation_history fonksiyonuyla konuşma geçmişini aldık; bu fonksiyon context bilgisi ve mesajları sağlar.

  4. end_session fonksiyonuyla contexti arşivleyip bir özet oluşturduk. Özet, konuşmanın önemli noktalarını yakalar.

Root Context En İyi Uygulamaları

Root contextleri etkili şekilde yönetmek için bazı en iyi uygulamalar şunlardır:

  • Odaklanmış Contextler Oluşturun: Farklı konuşma amaçları veya alanları için ayrı root contextler oluşturarak netliği koruyun.

  • Süre Sonu Politikaları Belirleyin: Depolamayı yönetmek ve veri saklama politikalarına uymak için eski contextleri arşivleme veya silme politikaları uygulayın.

  • İlgili Meta Verileri Saklayın: Konuşmayla ilgili önemli bilgileri ileride kullanmak üzere context meta verilerinde tutun.

  • Context ID'lerini Tutarlı Kullanın: Bir context oluşturulduktan sonra, sürekliliği sağlamak için tüm ilgili isteklerde aynı ID'yi kullanın.

  • Özetler Oluşturun: Context büyüdüğünde, önemli bilgileri yakalamak ve context boyutunu yönetmek için özetler oluşturmayı düşünün.

  • Erişim Kontrolü Uygulayın: Çok kullanıcılı sistemlerde, konuşma contextlerinin gizliliği ve güvenliği için uygun erişim kontrolleri uygulayın.

  • Context Sınırlamalarını Yönetin: Context boyutu sınırlamalarının farkında olun ve çok uzun konuşmalar için stratejiler geliştirin.

  • Tamamlandığında Arşivleyin: Konuşmalar tamamlandığında contextleri arşivleyerek kaynakları boşaltırken konuşma geçmişini koruyun.

Sonraki Adımlar

Feragatname:
Bu belge, AI çeviri servisi Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hatalar veya yanlışlıklar içerebileceğini lütfen unutmayın. Orijinal belge, kendi dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımı sonucu ortaya çıkabilecek yanlış anlamalar veya yorum hatalarından sorumlu değiliz.