README.md

Zastrzeżenie dotyczące przykładów kodu

Ważna uwaga: poniższe przykłady kodu pokazują integrację Model Context Protocol (MCP) z funkcjonalnością wyszukiwania w sieci. Choć bazują na wzorcach i strukturach oficjalnych SDK MCP, zostały uproszczone na potrzeby edukacyjne.

Przykłady te prezentują:

1. Implementację w Pythonie: serwer FastMCP oferujący narzędzie do wyszukiwania w sieci oraz łączący się z zewnętrznym API wyszukiwania. Przykład pokazuje prawidłowe zarządzanie czasem życia, obsługę kontekstu oraz implementację narzędzia zgodnie z wzorcami oficjalnego MCP Python SDK. Serwer korzysta z rekomendowanego transportu HTTP Streamable, który zastąpił starszy transport SSE w zastosowaniach produkcyjnych.

2. Implementację w JavaScript: implementację w TypeScript/JavaScript wykorzystującą wzorzec FastMCP z oficjalnego MCP TypeScript SDK do stworzenia serwera wyszukiwania z poprawnymi definicjami narzędzi i połączeniami klienta. Postępuje zgodnie z najnowszymi zaleceniami dotyczącymi zarządzania sesją i zachowania kontekstu.

Przykłady te wymagają dodatkowej obsługi błędów, uwierzytelniania oraz specyficznego kodu integracji z API do zastosowań produkcyjnych. Pokazane punkty końcowe API wyszukiwania (https://api.search-service.example/search) są symboliczne i należy je zastąpić rzeczywistymi punktami końcowymi usług wyszukiwania.

Dla pełnych szczegółów implementacji i najnowszych podejść, prosimy o zapoznanie się z oficjalną specyfikacją MCP oraz dokumentacją SDK.

Podstawowe pojęcia

Framework Model Context Protocol (MCP)

Na swoim fundamencie Model Context Protocol zapewnia ustandaryzowany sposób wymiany kontekstu pomiędzy modelami AI, aplikacjami i usługami. W wyszukiwaniu w czasie rzeczywistym ten framework jest kluczowy do tworzenia spójnych, wieloetapowych doświadczeń wyszukiwania. Główne komponenty obejmują:

1. Architektura klient-serwer: MCP ustanawia wyraźny podział między klientami wyszukiwania (żądającymi) a serwerami wyszukiwania (dostarczającymi), co umożliwia elastyczne modele wdrożeń.

2. Komunikacja JSON-RPC: protokół wykorzystuje JSON-RPC do wymiany wiadomości, co zapewnia kompatybilność z technologiami webowymi i ułatwia implementację na różnych platformach.

3. Zarządzanie kontekstem: MCP definiuje ustrukturyzowane metody utrzymywania, aktualizacji i wykorzystywania kontekstu wyszukiwania na przestrzeni wielu interakcji.

4. Definicje narzędzi: możliwości wyszukiwania są udostępniane jako ustandaryzowane narzędzia z dobrze określonymi parametrami i wartościami zwracanymi.

5. Wsparcie dla strumieniowania: protokół obsługuje przesyłanie wyników strumieniowo, co jest niezbędne w wyszukiwaniu w czasie rzeczywistym, gdzie wyniki mogą pojawiać się stopniowo.

Wzorce integracji wyszukiwania w sieci

Podczas integracji MCP z wyszukiwaniem w sieci pojawia się kilka wzorców:

1. Bezpośrednia integracja z dostawcą wyszukiwania

graph LR
    Client[MCP Client] --> |MCP Request| Server[MCP Server]
    Server --> |API Call| SearchAPI[Search API]
    SearchAPI --> |Results| Server
    Server --> |MCP Response| Client

Loading

W tym wzorcu serwer MCP bezpośrednio komunikuje się z jednym lub wieloma API wyszukiwania, tłumacząc żądania MCP na specyficzne wywołania API i formatując wyniki jako odpowiedzi MCP.

2. Federacyjne wyszukiwanie z zachowaniem kontekstu

graph LR
    Client[MCP Client] --> |MCP Request| Federation[MCP Federation Layer]
    Federation --> |MCP Request 1| Search1[Search Provider 1]
    Federation --> |MCP Request 2| Search2[Search Provider 2]
    Federation --> |MCP Request 3| Search3[Search Provider 3]
    Search1 --> |MCP Response 1| Federation
    Search2 --> |MCP Response 2| Federation
    Search3 --> |MCP Response 3| Federation
    Federation --> |Aggregated MCP Response| Client

Loading

Ten wzorzec rozdziela zapytania wyszukiwania pomiędzy wielu kompatybilnych z MCP dostawców, z których każdy może specjalizować się w różnych typach treści lub funkcjach wyszukiwania, zachowując jednak spójny kontekst.

3. Łańcuch wyszukiwania z rozszerzonym kontekstem

graph LR
    Client[MCP Client] --> |Query + Context| Server[MCP Server]
    Server --> |1. Query Analysis| NLP[NLP Service]
    NLP --> |Enhanced Query| Server
    Server --> |2. Search Execution| Search[Search Engine]
    Search --> |Raw Results| Server
    Server --> |3. Result Processing| Enhancement[Result Enhancement]
    Enhancement --> |Enhanced Results| Server
    Server --> |Final Results + Updated Context| Client

Loading

W tym wzorcu proces wyszukiwania dzieli się na kilka etapów, gdzie kontekst jest wzbogacany na każdym kroku, co skutkuje stopniowo coraz bardziej trafnymi wynikami.

Komponenty kontekstu wyszukiwania

W wyszukiwaniu w sieci opartym na MCP kontekst zwykle obejmuje:

• Historia zapytań: poprzednie zapytania w sesji
• Preferencje użytkownika: język, region, ustawienia bezpiecznego wyszukiwania
• Historia interakcji: które wyniki zostały kliknięte, czas spędzony na wynikach
• Parametry wyszukiwania: filtry, kolejność sortowania i inne modyfikatory wyszukiwania
• Wiedza domenowa: kontekst specyficzny dla tematu wyszukiwania
• Kontekst czasowy: czynniki związane z aktualnością informacji
• Preferencje źródeł: zaufane lub preferowane źródła informacji

Przypadki użycia i zastosowania

Badania i gromadzenie informacji

MCP usprawnia procesy badawcze poprzez:

• Zachowanie kontekstu badań w trakcie sesji wyszukiwania
• Umożliwienie bardziej zaawansowanych i kontekstowo trafnych zapytań
• Wsparcie federacyjnego wyszukiwania z wielu źródeł
• Ułatwienie ekstrakcji wiedzy z wyników wyszukiwania

Monitorowanie wiadomości i trendów w czasie rzeczywistym

Wyszukiwanie oparte na MCP oferuje korzyści w monitoringu wiadomości:

• Odkrywanie na bieżąco pojawiających się informacji
• Filtrowanie kontekstowe istotnych wiadomości
• Śledzenie tematów i podmiotów w wielu źródłach
• Spersonalizowane alerty newsowe bazujące na kontekście użytkownika

Przeglądanie i badania wspomagane przez AI

MCP otwiera nowe możliwości dla AI wspomagającego przeglądanie:

• Kontekstowe sugestie wyszukiwania bazujące na bieżącej aktywności w przeglądarce
• Bezproblemowa integracja wyszukiwania sieciowego z asystentami opartymi na LLM
• Wieloetapowe udoskonalanie wyszukiwania z zachowaniem kontekstu
• Ulepszone sprawdzanie faktów i weryfikacja informacji

Przyszłe trendy i innowacje

Ewolucja MCP w wyszukiwaniu w sieci

Patrząc w przyszłość, spodziewamy się rozwoju MCP w kierunku:

• Wielomodalnego wyszukiwania: integracji wyszukiwania tekstu, obrazów, audio i wideo z zachowaniem kontekstu
• Wyszukiwania zdecentralizowanego: wsparcia rozproszonych i federacyjnych ekosystemów wyszukiwania
• Prywatności wyszukiwania: mechanizmów zachowujących prywatność w kontekstowym wyszukiwaniu
• Zrozumienia zapytań: głębokiego semantycznego parsowania naturalnych zapytań wyszukiwania

Potencjalne postępy technologiczne

Nowe technologie kształtujące przyszłość wyszukiwania MCP:

1. Neuralne architektury wyszukiwania: systemy wyszukiwania oparte na osadzeniach zoptymalizowane pod MCP
2. Spersonalizowany kontekst wyszukiwania: uczenie się indywidualnych wzorców wyszukiwania użytkownika w czasie
3. Integracja grafów wiedzy: kontekstowe wyszukiwanie wzbogacone o domenowe grafy wiedzy
4. Kontekst międzymodalny: utrzymywanie kontekstu w różnych modalnościach wyszukiwania

Ćwiczenia praktyczne

Ćwiczenie 1: Konfiguracja podstawowego pipeline wyszukiwania MCP

W tym ćwiczeniu nauczysz się:

• Konfigurować podstawowe środowisko wyszukiwania MCP
• Implementować obsługę kontekstu dla wyszukiwania w sieci
• Testować i weryfikować zachowanie kontekstu na przestrzeni iteracji wyszukiwania

Ćwiczenie 2: Budowa asystenta badawczego z wyszukiwaniem MCP

Stwórz kompletną aplikację, która:

• Przetwarza pytania badawcze w języku naturalnym
• Wykonuje kontekstowe wyszukiwania sieciowe
• Syntetyzuje informacje z wielu źródeł
• Prezentuje zorganizowane wyniki badań

Ćwiczenie 3: Implementacja federacyjnego wyszukiwania wieloźródłowego z MCP

Zaawansowane ćwiczenie obejmujące:

• Kontekstowe rozsyłanie zapytań do wielu silników wyszukiwania
• Ranking i agregację wyników
• Kontekstowe usuwanie duplikatów wyników
• Obsługę metadanych specyficznych dla źródeł

Dodatkowe zasoby

• Specyfikacja Model Context Protocol – oficjalna specyfikacja MCP i szczegółowa dokumentacja protokołu
• Dokumentacja Model Context Protocol – szczegółowe samouczki i przewodniki implementacyjne
• MCP Python SDK – oficjalna implementacja MCP w Pythonie
• MCP TypeScript SDK – oficjalna implementacja MCP w TypeScript
• Serwery referencyjne MCP – przykładowe implementacje serwerów MCP
• Dokumentacja Bing Web Search API – API wyszukiwania Microsoftu
• Google Custom Search JSON API – programowalne wyszukiwanie Google
• Dokumentacja SerpAPI – API wyników wyszukiwania
• Dokumentacja Meilisearch – open-source silnik wyszukiwania
• Dokumentacja Elasticsearch – rozproszony silnik wyszukiwania i analityki
• Dokumentacja LangChain – budowanie aplikacji z wykorzystaniem LLM

Efekty nauki

Po ukończeniu tego modułu będziesz potrafił:

• Zrozumieć podstawy wyszukiwania w czasie rzeczywistym i jego wyzwania
• Wyjaśnić, jak Model Context Protocol (MCP) wzmacnia możliwości wyszukiwania w czasie rzeczywistym
• Implementować rozwiązania wyszukiwania oparte na MCP z użyciem popularnych frameworków i API
• Projektować i wdrażać skalowalne, wysokowydajne architektury wyszukiwania z MCP
• Stosować koncepcje MCP w różnych przypadkach użycia, w tym wyszukiwaniu semantycznym, asystentach badawczych i przeglądaniu wspomaganym przez AI
• Ocenić pojawiające się trendy i przyszłe innowacje w technologiach wyszukiwania opartych na MCP

Zagadnienia zaufania i bezpieczeństwa

Implementując rozwiązania wyszukiwania w sieci oparte na MCP, pamiętaj o ważnych zasadach z specyfikacji MCP:

1. Zgoda i kontrola użytkownika: użytkownicy muszą wyraźnie wyrazić zgodę i rozumieć wszystkie operacje oraz dostęp do danych. Szczególnie istotne w implementacjach wyszukiwania, które mogą mieć dostęp do zewnętrznych źródeł danych.

2. Prywatność danych: zapewnij odpowiednie traktowanie zapytań i wyników wyszukiwania, zwłaszcza gdy mogą zawierać wrażliwe informacje. Wdróż odpowiednie mechanizmy kontroli dostępu chroniące dane użytkowników.

3. Bezpieczeństwo narzędzi: wdrażaj właściwą autoryzację i walidację narzędzi wyszukiwania, ponieważ mogą one stanowić ryzyko bezpieczeństwa przez wykonywanie dowolnego kodu. Opisy zachowań narzędzi powinny być traktowane jako niezweryfikowane, chyba że pochodzą z zaufanego serwera.

4. Jasna dokumentacja: dostarczaj przejrzystą dokumentację dotyczącą możliwości, ograniczeń i aspektów bezpieczeństwa twojej implementacji wyszukiwania opartej na MCP, zgodnie z wytycznymi specyfikacji MCP.

5. Solidne procesy zgody: buduj solidne mechanizmy zgody i autoryzacji, które jasno wyjaśniają działanie każdego narzędzia przed jego uruchomieniem, szczególnie dla narzędzi interagujących z zewnętrznymi zasobami sieciowymi.

Dla pełnych informacji na temat bezpieczeństwa i zaufania w MCP, zapoznaj się z oficjalną dokumentacją.

Co dalej

• 6. Wkłady społeczności

Zastrzeżenie:
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Mimo że dokładamy starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym powinien być traktowany jako autorytatywne źródło. W przypadku informacji o krytycznym znaczeniu zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.