Denne seksjonen består av flere leksjoner:
-
1 Din første server, i denne første leksjonen vil du lære hvordan du oppretter din første server og inspiserer den med inspeksjonsverktøyet, en verdifull måte å teste og feilsøke serveren din på, til leksjonen
-
2 Klient, i denne leksjonen vil du lære hvordan du skriver en klient som kan koble til serveren din, til leksjonen
-
3 Klient med LLM, en enda bedre måte å skrive en klient på er å legge til en LLM slik at den kan "forhandle" med serveren din om hva som skal gjøres, til leksjonen
-
4 Bruke en server GitHub Copilot Agent-modus i Visual Studio Code. Her ser vi på hvordan vi kjører MCP Serveren vår fra Visual Studio Code, til leksjonen
-
5 Bruke SSE (Server Sent Events) SSE er en standard for server-til-klient streaming, som gjør det mulig for servere å sende sanntidsoppdateringer til klienter over HTTP til leksjonen
-
6 HTTP Streaming med MCP (Streamable HTTP). Lær om moderne HTTP-streaming, fremdriftsvarsler og hvordan du implementerer skalerbare, sanntids MCP-servere og klienter ved bruk av Streamable HTTP. til leksjonen
-
7 Bruke AI Toolkit for VSCode for å konsumere og teste MCP-klientene og serverne dine til leksjonen
-
8 Testing. Her fokuserer vi spesielt på hvordan vi kan teste serveren og klienten vår på forskjellige måter, til leksjonen
-
9 Distribuering. Dette kapitlet ser på ulike måter å distribuere MCP-løsningene dine på, til leksjonen
Model Context Protocol (MCP) er en åpen protokoll som standardiserer hvordan applikasjoner gir kontekst til LLM-er. Tenk på MCP som en USB-C-port for AI-applikasjoner – den gir en standardisert måte å koble AI-modeller til ulike datakilder og verktøy på.
Etter denne leksjonen vil du kunne:
- Sette opp utviklingsmiljøer for MCP i C#, Java, Python, TypeScript og JavaScript
- Bygge og distribuere grunnleggende MCP-servere med tilpassede funksjoner (ressurser, prompts og verktøy)
- Lage vertsapplikasjoner som kobler til MCP-servere
- Teste og feilsøke MCP-implementasjoner
- Forstå vanlige oppsettutfordringer og deres løsninger
- Koble MCP-implementasjonene dine til populære LLM-tjenester
Før du begynner å jobbe med MCP, er det viktig å forberede utviklingsmiljøet ditt og forstå den grunnleggende arbeidsflyten. Denne seksjonen vil veilede deg gjennom de første oppsettsstegene for å sikre en smidig start med MCP.
Før du dykker ned i MCP-utvikling, sørg for at du har:
- Utviklingsmiljø: For det valgte språket ditt (C#, Java, Python, TypeScript eller JavaScript)
- IDE/Editor: Visual Studio, Visual Studio Code, IntelliJ, Eclipse, PyCharm eller en moderne kodeeditor
- Pakkehåndterere: NuGet, Maven/Gradle, pip, eller npm/yarn
- API-nøkler: For eventuelle AI-tjenester du planlegger å bruke i vertsapplikasjonene dine
I de kommende kapitlene vil du se løsninger bygget med Python, TypeScript, Java og .NET. Her er alle de offisielt støttede SDK-ene.
MCP tilbyr offisielle SDK-er for flere språk:
- C# SDK - Vedlikeholdes i samarbeid med Microsoft
- Java SDK - Vedlikeholdes i samarbeid med Spring AI
- TypeScript SDK - Den offisielle TypeScript-implementeringen
- Python SDK - Den offisielle Python-implementeringen
- Kotlin SDK - Den offisielle Kotlin-implementeringen
- Swift SDK - Vedlikeholdes i samarbeid med Loopwork AI
- Rust SDK - Den offisielle Rust-implementeringen
- Å sette opp et MCP-utviklingsmiljø er enkelt med språkspesifikke SDK-er
- Å bygge MCP-servere innebærer å lage og registrere verktøy med tydelige skjemaer
- MCP-klienter kobler til servere og modeller for å utnytte utvidede funksjoner
- Testing og feilsøking er avgjørende for pålitelige MCP-implementasjoner
- Distribusjonsmuligheter spenner fra lokal utvikling til skybaserte løsninger
Vi har et sett med eksempler som utfyller øvelsene du vil se i alle kapitlene i denne seksjonen. I tillegg har hvert kapittel også sine egne øvelser og oppgaver
- Bygg agenter med Model Context Protocol på Azure
- Remote MCP med Azure Container Apps (Node.js/TypeScript/JavaScript)
- .NET OpenAI MCP Agent
Neste: Opprette din første MCP Server
Ansvarsfraskrivelse:
Dette dokumentet er oversatt ved hjelp av AI-oversettelsestjenesten Co-op Translator. Selv om vi streber etter nøyaktighet, vær oppmerksom på at automatiske oversettelser kan inneholde feil eller unøyaktigheter. Det opprinnelige dokumentet på originalspråket skal anses som den autoritative kilden. For kritisk informasjon anbefales profesjonell menneskelig oversettelse. Vi er ikke ansvarlige for eventuelle misforståelser eller feiltolkninger som oppstår ved bruk av denne oversettelsen.