Skip to content

Latest commit

 

History

History
314 lines (232 loc) · 13 KB

README.md

File metadata and controls

314 lines (232 loc) · 13 KB

Introduction to Model Context Protocol (MCP): 點解對可擴展嘅 AI 應用咁重要

生成式 AI 應用係一大進步，因為用戶通常可以用自然語言提示同應用互動。不過，隨住投入嘅時間同資源越嚟越多，你要確保可以輕鬆整合功能同資源，方便擴展，令應用可以支援多個模型同處理各種模型細節。簡單嚟講，建立生成式 AI 應用起步容易，但隨住規模增大同複雜度提升，你就要開始定義架構，可能需要依賴標準去確保應用建得一致。呢個就係 MCP 出場嘅地方，幫你組織同提供標準。

🔍 乜嘢係 Model Context Protocol (MCP)?

Model Context Protocol (MCP) 係一個開放同標準化嘅介面，令大型語言模型（LLMs）可以無縫連接外部工具、API 同數據來源。佢提供一致嘅架構，令 AI 模型功能超越訓練數據，打造更智能、可擴展同反應快嘅 AI 系統。

🎯 點解 AI 標準化咁重要

隨住生成式 AI 應用愈嚟愈複雜，採用標準去確保可擴展性、可延伸性同可維護性變得必須。MCP 解決咗以下問題：

  • 統一模型同工具嘅整合
  • 減少脆弱嘅一次性自訂方案
  • 令多個模型可以喺同一生態系統共存

📚 學習目標

睇完呢篇文章，你會識：

  • 定義 Model Context Protocol (MCP) 同佢嘅應用場景
  • 理解 MCP 點樣標準化模型同工具嘅溝通
  • 識別 MCP 架構嘅核心組件
  • 探索 MCP 喺企業同開發場景嘅實際應用

💡 點解 Model Context Protocol (MCP) 係改變遊戲規則嘅技術

🔗 MCP 解決 AI 互動嘅碎片化問題

喺 MCP 出現之前，模型同工具嘅整合需要：

  • 每對工具同模型寫自訂代碼
  • 每個供應商用唔同嘅非標準 API
  • 經常因更新而中斷
  • 工具越多，擴展性越差

✅ MCP 標準化嘅好處

好處 描述
互通性 LLM 可以無縫同不同供應商嘅工具合作
一致性 平台同工具行為統一
可重用性 工具建好一次，可以喺多個項目同系統用
加快開發 用標準化、即插即用介面減少開發時間

🧱 MCP 高層架構概覽

MCP 採用客戶端-伺服器模型，當中：

  • MCP Hosts 運行 AI 模型
  • MCP Clients 發起請求
  • MCP Servers 提供上下文、工具同功能

主要組件：

  • Resources – 靜態或動態嘅模型數據
  • Prompts – 預設工作流程指引生成
  • Tools – 可執行功能，如搜尋、計算
  • Sampling – 透過遞迴互動實現代理行為

MCP 伺服器點運作

MCP 伺服器嘅運作流程：

  • 請求流程：

    1. MCP Client 向運行喺 MCP Host 嘅 AI 模型發送請求。
    2. AI 模型判斷需要外部工具或數據。
    3. 模型用標準協議同 MCP Server 通訊。

  • MCP Server 功能：

    • 工具登記：維護可用工具同功能目錄。
    • 認證：驗證工具訪問權限。
    • 請求處理：處理模型發出嘅工具請求。
    • 回應格式化：將工具輸出整理成模型可理解嘅格式。

  • 工具執行：

    • 伺服器將請求轉發到相應嘅外部工具
    • 工具執行專門功能（搜尋、計算、資料庫查詢等）
    • 結果以一致格式回傳模型

  • 回應完成：

    • AI 模型將工具輸出整合入回應
    • 最終回應發返俾客戶端應用
---
title: MCP Server Architecture and Component Interactions
description: A diagram showing how AI models interact with MCP servers and various tools, depicting the request flow and server components including Tool Registry, Authentication, Request Handler, and Response Formatter
---
graph TD
    A[AI Model in MCP Host] <-->|MCP Protocol| B[MCP Server]
    B <-->|Tool Interface| C[Tool 1: Web Search]
    B <-->|Tool Interface| D[Tool 2: Calculator]
    B <-->|Tool Interface| E[Tool 3: Database Access]
    B <-->|Tool Interface| F[Tool 4: File System]
    
    Client[MCP Client/Application] -->|Sends Request| A
    A -->|Returns Response| Client
    
    subgraph "MCP Server Components"
        B
        G[Tool Registry]
        H[Authentication]
        I[Request Handler]
        J[Response Formatter]
    end
    
    B <--> G
    B <--> H
    B <--> I
    B <--> J
    
    style A fill:#f9d5e5,stroke:#333,stroke-width:2px
    style B fill:#eeeeee,stroke:#333,stroke-width:2px
    style Client fill:#d5e8f9,stroke:#333,stroke-width:2px
    style C fill:#c2f0c2,stroke:#333,stroke-width:1px
    style D fill:#c2f0c2,stroke:#333,stroke-width:1px
    style E fill:#c2f0c2,stroke:#333,stroke-width:1px
    style F fill:#c2f0c2,stroke:#333,stroke-width:1px
Loading

👨‍💻 點樣建立 MCP 伺服器（附範例）

MCP 伺服器令你可以透過提供數據同功能擴展 LLM 能力。

準備試吓？以下係唔同語言建立簡單 MCP 伺服器嘅範例：

🌍 MCP 喺現實世界嘅應用場景

MCP 透過擴展 AI 能力，支持多種應用：

應用 描述
企業數據整合 連接 LLM 同資料庫、CRM 或內部工具
代理式 AI 系統 支援自主代理接入工具同決策流程
多模態應用 喺單一統一 AI 應用中結合文字、圖像同音頻工具
實時數據整合 將即時數據帶入 AI 互動，提升準確同時效性

🧠 MCP = AI 互動嘅通用標準

Model Context Protocol (MCP) 就好似 USB-C 標準化實體裝置嘅連接一樣，係 AI 互動嘅通用標準。喺 AI 世界，MCP 提供一個一致嘅介面，令模型（客戶端）可以無縫整合外部工具同數據供應商（伺服器）。咁樣就唔使為每個 API 或數據源寫唔同嘅自訂協議。

符合 MCP 嘅工具（即 MCP 伺服器）遵守統一標準，能列出提供嘅工具或操作，並喺 AI 代理請求時執行。支援 MCP 嘅 AI 代理平台可以發現伺服器上可用嘅工具，並透過呢個標準協議調用佢哋。

💡 方便知識存取

除咗提供工具，MCP 仲方便存取知識。佢令應用可以透過連結多個數據來源，為大型語言模型（LLMs）提供上下文。例如，一個 MCP 伺服器可以係公司嘅文件庫，令代理隨時調取相關資料。另一個伺服器可能處理特定操作，如發送電郵或更新紀錄。喺代理角度，呢啲都係佢可以用嘅工具——有啲工具返數據（知識上下文），有啲執行操作。MCP 有效管理兩者。

代理連接 MCP 伺服器時，會自動透過標準格式識別伺服器可用功能同可訪問數據。呢種標準化令工具可用性具動態性。例如新增一個 MCP 伺服器，代理即刻可以用佢嘅功能，唔使再修改代理指令。

呢種簡化整合同下方 mermaid 圖示嘅流程相符，伺服器同時提供工具同知識，確保系統之間無縫協作。

👉 範例：可擴展嘅代理解決方案

---
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

🔄 進階 MCP 場景：客戶端 LLM 整合

除咗基本 MCP 架構，仲有啲進階場景，客戶端同伺服器雙方都有 LLM，實現更複雜嘅互動：

---
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

🔐 MCP 嘅實際好處

使用 MCP 嘅實際好處包括：

  • 資訊新鮮度：模型可以存取超越訓練數據嘅最新資料
  • 功能擴展：模型可以利用專門工具完成未訓練過嘅任務
  • 減少幻覺：外部數據源提供事實依據
  • 私隱保障：敏感數據可以留喺安全環境，唔使嵌入提示中

📌 主要重點

以下係使用 MCP 嘅主要重點：

  • MCP 標準化 AI 模型同工具同數據嘅互動方式
  • 推動可擴展性、一致性同互通性
  • MCP 幫助減少開發時間、提升可靠性、擴展模型能力
  • 客戶端-伺服器架構支持靈活、可擴展嘅 AI 應用

🧠 練習

諗下你有興趣建立嘅 AI 應用。

  • 有咩外部工具或數據可以提升佢嘅能力？
  • MCP 會點樣令整合變得簡單同可靠？

附加資源

下一步

下一篇：Chapter 1: Core Concepts

免責聲明：
本文件係使用 AI 翻譯服務 Co-op Translator 進行翻譯。雖然我哋致力確保準確性，但請注意自動翻譯可能包含錯誤或不準確之處。原始文件嘅母語版本應視為權威來源。對於重要資訊，建議使用專業人工翻譯。我哋對因使用此翻譯而引致嘅任何誤解或誤釋概不負責。