MCP: Protokol Model Context

Definice

Model Context Protocol (MCP) je otevřené standardizované rozhraní, které umožňuje velkým jazykovým modelům (LLM) bezpečně a konzistentně přistupovat k externím datovým zdrojům, nástrojům a funkcím. Vytváří standardizovanou komunikační vrstvu mezi AI aplikacemi a různými poskytovateli kontextu a slouží jako „USB-C“ pro AI systémy.

Klíčové komponenty

Architektura

MCP využívá klient-server architekturu:

• MCP Hostitelé: Aplikace, kde uživatelé nebo AI systémy interagují (např. Claude Desktop, IDE pluginy)
• MCP Klienti: Komponenty v rámci hostitelských aplikací, které zajišťují komunikaci se servery
• MCP Servery: Lehká rozhraní, která zpřístupňují konkrétní funkce (přístup k souborům, databázím, API) přes standardizované MCP rozhraní
• Datové zdroje: Lokální či vzdálené informační úložiště, ke kterým mají MCP servery bezpečný přístup

Základní prvky

MCP definuje tři základní prvky, které tvoří stavební kameny protokolu:

1. Zdroje

Zdroje představují data a obsah, které MCP servery zpřístupňují LLM.

• Charakteristika: Ovládá aplikace, identifikace pomocí unikátních URI
• Typy dat: Text (UTF-8 kódování) nebo binární (Base64 kódování)
• Způsoby objevení: Přímý výpis nebo šablony pro dynamické požadavky
• Operace: Čtení obsahu, příjem aktualizací

Příklad použití: MCP server zpřístupňující logovací soubor jako zdroj s URI file:///logs/app.log

2. Prompty

Prompty jsou předdefinované šablony nebo pracovní postupy, které servery nabízejí pro vedení interakcí s LLM.

• Charakteristika: Spouštěné uživatelem, často ve formě příkazů (slash commands)
• Struktura: Unikátní název, popis, volitelné argumenty
• Možnosti: Přijímají argumenty pro úpravu, zahrnují kontext zdrojů, definují vícekrokové interakce
• Operace: Objevení pomocí výpisu, spuštění na požádání

Příklad použití: Prompt generující git commit zprávu, který přijímá změny kódu jako vstup

3. Nástroje

Nástroje zpřístupňují spustitelné funkce, které LLM mohou vyvolat (obvykle se souhlasem uživatele) pro provádění akcí.

• Charakteristika: Ovládá model, vyžadují přesně definovaná vstupní schémata
• Anotace: Obsahují nápovědy ohledně chování (pouze pro čtení, destruktivní, idempotentní, open-world)
• Bezpečnostní prvky: Validace vstupů, řízení přístupu, jasná varování pro uživatele
• Operace: Objevení pomocí výpisu, spuštění voláním s parametry

Příklad použití: Kalkulačka jako nástroj, který provádí matematické operace na vstupech poskytnutých modelem

Význam a přínosy

Pro vývojáře

• Standardizovaná integrace: Propojte AI aplikace s různými datovými zdroji bez nutnosti vlastního kódu pro každé spojení
• Bezpečnostní doporučení: Vestavěné směrnice pro bezpečné zpřístupnění citlivých informací
• Zjednodušená architektura: Jasné oddělení mezi AI modely a jejich zdroji kontextu

Pro uživatele a organizace

• Flexibilita: Snadnější přechod mezi různými poskytovateli LLM nebo hostitelskými aplikacemi
• Interoperabilita: Snížení závislosti na jednom dodavateli díky standardizovaným rozhraním
• Rozšířené možnosti: AI systémy získávají přístup k širším informacím a akčním schopnostem

Příklady implementace

Server se zdrojem souboru

// Server zpřístupňující jeden logovací soubor jako zdroj
const server = new Server({ /* config */ }, { capabilities: { resources: {} } });

// Výpis dostupných zdrojů
server.setRequestHandler(ListResourcesRequestSchema, async () => {
  return {
    resources: [
      {
        uri: "file:///logs/app.log",
        name: "Aplikační logy",
        mimeType: "text/plain"
      }
    ]
  };
});

// Poskytnutí obsahu zdroje
server.setRequestHandler(ReadResourceRequestSchema, async (request) => {
  if (request.params.uri === "file:///logs/app.log") {
    const logContents = await readLogFile();
    return {
      contents: [{
        uri: request.params.uri,
        mimeType: "text/plain",
        text: logContents
      }]
    };
  }
  throw new Error("Zdroj nebyl nalezen");
});

Server s kalkulačkou jako nástrojem

const server = new Server({ /* config */ }, { capabilities: { tools: {} } });

// Výpis dostupných nástrojů
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [{
      name: "calculate_sum",
      description: "Sečte dvě čísla dohromady",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number", description: "První číslo" },
          b: { type: "number", description: "Druhé číslo" }
        },
        required: ["a", "b"]
      },
      annotations: {
        title: "Spočítat součet",
        readOnlyHint: true,
        openWorldHint: false
      }
    }]
  };
});

// Zpracování spuštění nástroje
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  if (request.params.name === "calculate_sum") {
    try {
      const { a, b } = request.params.arguments;
      if (typeof a !== 'number' || typeof b !== 'number') {
         throw new Error("Neplatný vstup: 'a' a 'b' musí být čísla.");
      }
      const sum = a + b;
      return {
        content: [{ type: "text", text: String(sum) }]
      };
    } catch (error: any) {
      return {
        isError: true,
        content: [{ type: "text", text: `Chyba při výpočtu součtu: ${error.message}` }]
      };
    }
  }
  throw new Error("Nástroj nebyl nalezen");
});

Související pojmy

• LLM Function Calling: Model Context Protocol poskytuje standardizovaný přístup ke konceptu vyvolávání funkcí LLM
• AI agenti: MCP nabízí strukturovaný způsob, jak mohou agentní AI systémy přistupovat k nástrojům a informacím
• AI pluginy: Podobně jako rozšíření pro prohlížeče lze MCP servery chápat jako „pluginy“, které rozšiřují schopnosti AI

Budoucí směry

• Podniková AI integrace: Propojování firemních znalostních bází, nástrojů a pracovních postupů
• Multimodální AI: Standardizace přístupu k různým typům dat nad rámec textu
• Kolaborativní AI systémy: Umožnění spolupráce AI asistentů prostřednictvím sdílených protokolů