Giới thiệu về Giao thức Ngữ cảnh Mô hình (MCP): Tại sao nó quan trọng đối với các ứng dụng AI mở rộng

(Nhấp vào hình ảnh trên để xem video của bài học này)

Các ứng dụng AI tạo sinh là một bước tiến lớn vì chúng thường cho phép người dùng tương tác với ứng dụng bằng các lời nhắc ngôn ngữ tự nhiên. Tuy nhiên, khi đầu tư nhiều thời gian và nguồn lực hơn vào các ứng dụng này, bạn cần đảm bảo rằng có thể dễ dàng tích hợp các chức năng và tài nguyên theo cách dễ mở rộng, ứng dụng của bạn có thể hỗ trợ nhiều mô hình khác nhau và xử lý các đặc điểm phức tạp của từng mô hình. Nói ngắn gọn, việc xây dựng các ứng dụng AI tạo sinh ban đầu khá dễ dàng, nhưng khi chúng phát triển và trở nên phức tạp hơn, bạn cần bắt đầu định nghĩa kiến trúc và có thể cần dựa vào một tiêu chuẩn để đảm bảo các ứng dụng của bạn được xây dựng một cách nhất quán. Đây chính là lúc MCP xuất hiện để tổ chức mọi thứ và cung cấp một tiêu chuẩn.

🔍 Giao thức Ngữ cảnh Mô hình (MCP) là gì?

Giao thức Ngữ cảnh Mô hình (MCP) là một giao diện mở, tiêu chuẩn hóa cho phép các Mô hình Ngôn ngữ Lớn (LLMs) tương tác liền mạch với các công cụ, API và nguồn dữ liệu bên ngoài. Nó cung cấp một kiến trúc nhất quán để nâng cao chức năng của mô hình AI vượt ra ngoài dữ liệu huấn luyện, giúp tạo ra các hệ thống AI thông minh hơn, có khả năng mở rộng và phản hồi tốt hơn.

🎯 Tại sao tiêu chuẩn hóa trong AI lại quan trọng

Khi các ứng dụng AI tạo sinh trở nên phức tạp hơn, việc áp dụng các tiêu chuẩn để đảm bảo khả năng mở rộng, khả năng mở rộng, khả năng duy trì và tránh bị phụ thuộc vào nhà cung cấp là rất cần thiết. MCP giải quyết những nhu cầu này bằng cách:

Hợp nhất tích hợp giữa mô hình và công cụ
Giảm các giải pháp tùy chỉnh dễ bị lỗi
Cho phép nhiều mô hình từ các nhà cung cấp khác nhau cùng tồn tại trong một hệ sinh thái

Lưu ý: Mặc dù MCP tự quảng bá là một tiêu chuẩn mở, hiện không có kế hoạch tiêu chuẩn hóa MCP thông qua bất kỳ tổ chức tiêu chuẩn nào như IEEE, IETF, W3C, ISO hoặc bất kỳ tổ chức tiêu chuẩn nào khác.

📚 Mục tiêu học tập

Sau khi đọc bài viết này, bạn sẽ có thể:

Định nghĩa Giao thức Ngữ cảnh Mô hình (MCP) và các trường hợp sử dụng của nó
Hiểu cách MCP tiêu chuẩn hóa giao tiếp giữa mô hình và công cụ
Xác định các thành phần cốt lõi của kiến trúc MCP
Khám phá các ứng dụng thực tế của MCP trong bối cảnh doanh nghiệp và phát triển

💡 Tại sao Giao thức Ngữ cảnh Mô hình (MCP) là một bước đột phá

🔗 MCP Giải quyết sự phân mảnh trong tương tác AI

Trước MCP, việc tích hợp mô hình với công cụ yêu cầu:

Mã tùy chỉnh cho từng cặp công cụ-mô hình
API không tiêu chuẩn cho mỗi nhà cung cấp
Thường xuyên bị lỗi do cập nhật
Khả năng mở rộng kém khi thêm nhiều công cụ

✅ Lợi ích của MCP tiêu chuẩn hóa

Lợi ích	Mô tả
Tương thích	LLMs hoạt động liền mạch với các công cụ từ các nhà cung cấp khác nhau
Nhất quán	Hành vi đồng nhất trên các nền tảng và công cụ
Tái sử dụng	Công cụ được xây dựng một lần có thể sử dụng trong nhiều dự án và hệ thống
Phát triển nhanh hơn	Giảm thời gian phát triển nhờ giao diện tiêu chuẩn, dễ tích hợp

🧱 Tổng quan về Kiến trúc MCP ở cấp độ cao

MCP tuân theo mô hình client-server, trong đó:

MCP Hosts chạy các mô hình AI
MCP Clients khởi tạo yêu cầu
MCP Servers cung cấp ngữ cảnh, công cụ và khả năng

Các thành phần chính:

Tài nguyên – Dữ liệu tĩnh hoặc động cho mô hình
Lời nhắc – Quy trình làm việc được định trước để hướng dẫn tạo nội dung
Công cụ – Các chức năng có thể thực thi như tìm kiếm, tính toán
Lấy mẫu – Hành vi tác nhân thông qua các tương tác lặp lại

Cách MCP Servers hoạt động

Các máy chủ MCP hoạt động theo cách sau:

Luồng yêu cầu:
1. Một yêu cầu được khởi tạo bởi người dùng cuối hoặc phần mềm thay mặt họ.
2. MCP Client gửi yêu cầu đến MCP Host, nơi quản lý runtime của mô hình AI.
3. Mô hình AI nhận lời nhắc từ người dùng và có thể yêu cầu truy cập vào các công cụ hoặc dữ liệu bên ngoài thông qua một hoặc nhiều cuộc gọi công cụ.
4. MCP Host, chứ không phải mô hình trực tiếp, giao tiếp với MCP Server(s) thích hợp bằng giao thức tiêu chuẩn.
Chức năng của MCP Host:
- Đăng ký công cụ: Duy trì danh mục các công cụ có sẵn và khả năng của chúng.
- Xác thực: Xác minh quyền truy cập vào công cụ.
- Xử lý yêu cầu: Xử lý các yêu cầu công cụ đến từ mô hình.
- Định dạng phản hồi: Cấu trúc đầu ra của công cụ theo định dạng mà mô hình có thể hiểu.
Thực thi MCP Server:
- MCP Host định tuyến các cuộc gọi công cụ đến một hoặc nhiều MCP Server, mỗi máy chủ cung cấp các chức năng chuyên biệt (ví dụ: tìm kiếm, tính toán, truy vấn cơ sở dữ liệu).
- MCP Servers thực hiện các hoạt động tương ứng và trả kết quả về MCP Host theo định dạng nhất quán.
- MCP Host định dạng và chuyển tiếp các kết quả này đến Mô hình AI.
Hoàn thành phản hồi:
- Mô hình AI kết hợp đầu ra của công cụ vào phản hồi cuối cùng.
- MCP Host gửi phản hồi này trở lại MCP Client, nơi chuyển nó đến người dùng cuối hoặc phần mềm gọi.

---
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

👨‍💻 Cách xây dựng MCP Server (kèm ví dụ)

MCP Servers cho phép bạn mở rộng khả năng của LLM bằng cách cung cấp dữ liệu và chức năng.

Sẵn sàng thử nghiệm? Dưới đây là các SDK theo ngôn ngữ và/hoặc stack cụ thể với ví dụ về cách tạo MCP Servers đơn giản bằng các ngôn ngữ/stack khác nhau:

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

🌍 Các trường hợp sử dụng thực tế của MCP

MCP mở rộng khả năng AI cho nhiều ứng dụng:

Ứng dụng	Mô tả
Tích hợp dữ liệu doanh nghiệp	Kết nối LLMs với cơ sở dữ liệu, CRM hoặc công cụ nội bộ
Hệ thống AI tác nhân	Cho phép các tác nhân tự động truy cập công cụ và quy trình ra quyết định
Ứng dụng đa phương tiện	Kết hợp văn bản, hình ảnh và âm thanh trong một ứng dụng AI thống nhất
Tích hợp dữ liệu thời gian thực	Đưa dữ liệu trực tiếp vào tương tác AI để có đầu ra chính xác và cập nhật hơn

🧠 MCP = Tiêu chuẩn toàn cầu cho tương tác AI

Giao thức Ngữ cảnh Mô hình (MCP) hoạt động như một tiêu chuẩn toàn cầu cho tương tác AI, giống như cách USB-C tiêu chuẩn hóa kết nối vật lý cho các thiết bị. Trong thế giới AI, MCP cung cấp một giao diện nhất quán, cho phép các mô hình (clients) tích hợp liền mạch với các công cụ và nhà cung cấp dữ liệu bên ngoài (servers). Điều này loại bỏ nhu cầu về các giao thức tùy chỉnh đa dạng cho mỗi API hoặc nguồn dữ liệu.

Dưới MCP, một công cụ tương thích MCP (được gọi là MCP server) tuân theo tiêu chuẩn thống nhất. Các máy chủ này có thể liệt kê các công cụ hoặc hành động mà chúng cung cấp và thực hiện các hành động đó khi được yêu cầu bởi một tác nhân AI. Các nền tảng tác nhân AI hỗ trợ MCP có khả năng khám phá các công cụ có sẵn từ các máy chủ và gọi chúng thông qua giao thức tiêu chuẩn này.

💡 Tạo điều kiện truy cập kiến thức

Ngoài việc cung cấp công cụ, MCP còn tạo điều kiện truy cập kiến thức. Nó cho phép các ứng dụng cung cấp ngữ cảnh cho các mô hình ngôn ngữ lớn (LLMs) bằng cách liên kết chúng với các nguồn dữ liệu khác nhau. Ví dụ, một MCP server có thể đại diện cho kho tài liệu của một công ty, cho phép các tác nhân truy xuất thông tin liên quan theo yêu cầu. Một máy chủ khác có thể xử lý các hành động cụ thể như gửi email hoặc cập nhật hồ sơ. Từ góc nhìn của tác nhân, đây chỉ là các công cụ mà nó có thể sử dụng—một số công cụ trả về dữ liệu (ngữ cảnh kiến thức), trong khi các công cụ khác thực hiện hành động. MCP quản lý cả hai một cách hiệu quả.

Một tác nhân kết nối với MCP server tự động học được các khả năng và dữ liệu có thể truy cập của máy chủ thông qua định dạng tiêu chuẩn. Sự tiêu chuẩn hóa này cho phép công cụ khả dụng một cách động. Ví dụ, việc thêm một MCP server mới vào hệ thống của tác nhân làm cho các chức năng của nó có thể sử dụng ngay lập tức mà không cần tùy chỉnh thêm hướng dẫn của tác nhân.

Sự tích hợp hợp lý này phù hợp với luồng được mô tả trong sơ đồ sau, nơi các máy chủ cung cấp cả công cụ và kiến thức, đảm bảo sự hợp tác liền mạch giữa các hệ thống.

👉 Ví dụ: Giải pháp tác nhân mở rộng

---
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

🔄 Các kịch bản MCP nâng cao với tích hợp LLM phía client

Ngoài kiến trúc MCP cơ bản, còn có các kịch bản nâng cao nơi cả client và server đều chứa LLMs, cho phép các tương tác phức tạp hơn. Trong sơ đồ sau, Client App có thể là một IDE với một số công cụ MCP có sẵn để LLM sử dụng:

---
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

🔐 Lợi ích thực tiễn của MCP

Dưới đây là các lợi ích thực tiễn của việc sử dụng MCP:

Cập nhật thông tin: Các mô hình có thể truy cập thông tin mới nhất ngoài dữ liệu huấn luyện
Mở rộng khả năng: Các mô hình có thể tận dụng các công cụ chuyên biệt cho các nhiệm vụ mà chúng chưa được huấn luyện
Giảm sai lệch: Các nguồn dữ liệu bên ngoài cung cấp nền tảng thực tế
Bảo mật: Dữ liệu nhạy cảm có thể được giữ trong môi trường an toàn thay vì được nhúng vào lời nhắc

📌 Những điểm chính cần nhớ

Dưới đây là những điểm chính khi sử dụng MCP:

MCP tiêu chuẩn hóa cách các mô hình AI tương tác với công cụ và dữ liệu
Thúc đẩy khả năng mở rộng, nhất quán và tương thích
MCP giúp giảm thời gian phát triển, cải thiện độ tin cậy và mở rộng khả năng của mô hình
Kiến trúc client-server cho phép các ứng dụng AI linh hoạt và mở rộng

🧠 Bài tập

Hãy nghĩ về một ứng dụng AI mà bạn muốn xây dựng.

Những công cụ hoặc dữ liệu bên ngoài nào có thể nâng cao khả năng của nó?
MCP có thể làm cho việc tích hợp đơn giản và đáng tin cậy hơn như thế nào?

Tài nguyên bổ sung

Kho lưu trữ GitHub của MCP

Tiếp theo: Chương 1: Các khái niệm cốt lõi

Tuyên bố miễn trừ trách nhiệm:
Tài liệu này đã được dịch bằng dịch vụ dịch thuật AI Co-op Translator. Mặc dù chúng tôi cố gắng đảm bảo độ chính xác, xin lưu ý rằng các bản dịch tự động có thể chứa lỗi hoặc không chính xác. Tài liệu gốc bằng ngôn ngữ bản địa nên được coi là nguồn tham khảo chính thức. Đối với các thông tin quan trọng, chúng tôi khuyến nghị sử dụng dịch vụ dịch thuật chuyên nghiệp từ con người. Chúng tôi không chịu trách nhiệm cho bất kỳ sự hiểu lầm hoặc diễn giải sai nào phát sinh từ việc sử dụng bản dịch này.

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Giới thiệu về Giao thức Ngữ cảnh Mô hình (MCP): Tại sao nó quan trọng đối với các ứng dụng AI mở rộng

🔍 Giao thức Ngữ cảnh Mô hình (MCP) là gì?

🎯 Tại sao tiêu chuẩn hóa trong AI lại quan trọng

📚 Mục tiêu học tập

💡 Tại sao Giao thức Ngữ cảnh Mô hình (MCP) là một bước đột phá

🔗 MCP Giải quyết sự phân mảnh trong tương tác AI

✅ Lợi ích của MCP tiêu chuẩn hóa

🧱 Tổng quan về Kiến trúc MCP ở cấp độ cao

Các thành phần chính:

Cách MCP Servers hoạt động

👨‍💻 Cách xây dựng MCP Server (kèm ví dụ)

🌍 Các trường hợp sử dụng thực tế của MCP

🧠 MCP = Tiêu chuẩn toàn cầu cho tương tác AI

💡 Tạo điều kiện truy cập kiến thức

👉 Ví dụ: Giải pháp tác nhân mở rộng

🔄 Các kịch bản MCP nâng cao với tích hợp LLM phía client

🔐 Lợi ích thực tiễn của MCP

📌 Những điểm chính cần nhớ

🧠 Bài tập

Tài nguyên bổ sung

Tiếp theo

FilesExpand file tree

README.md

Latest commit

History

README.md

File metadata and controls

Giới thiệu về Giao thức Ngữ cảnh Mô hình (MCP): Tại sao nó quan trọng đối với các ứng dụng AI mở rộng

🔍 Giao thức Ngữ cảnh Mô hình (MCP) là gì?

🎯 Tại sao tiêu chuẩn hóa trong AI lại quan trọng

📚 Mục tiêu học tập

💡 Tại sao Giao thức Ngữ cảnh Mô hình (MCP) là một bước đột phá

🔗 MCP Giải quyết sự phân mảnh trong tương tác AI

✅ Lợi ích của MCP tiêu chuẩn hóa

🧱 Tổng quan về Kiến trúc MCP ở cấp độ cao

Các thành phần chính:

Cách MCP Servers hoạt động

👨‍💻 Cách xây dựng MCP Server (kèm ví dụ)

🌍 Các trường hợp sử dụng thực tế của MCP

🧠 MCP = Tiêu chuẩn toàn cầu cho tương tác AI

💡 Tạo điều kiện truy cập kiến thức

👉 Ví dụ: Giải pháp tác nhân mở rộng

🔄 Các kịch bản MCP nâng cao với tích hợp LLM phía client

🔐 Lợi ích thực tiễn của MCP

📌 Những điểm chính cần nhớ

🧠 Bài tập

Tài nguyên bổ sung

Tiếp theo