MCP: Model Context-protokol

Definition

Model Context-protokollet (MCP) er en åben standardgrænseflade, der gør det muligt for store sprogmodeller (LLM’er) at tilgå eksterne datakilder, værktøjer og funktioner sikkert og konsistent. Den etablerer et standardiseret kommunikationslag mellem AI-applikationer og forskellige context providers, og fungerer som “USB-C” for AI-systemer.

Nøglekomponenter

Arkitektur

MCP følger en klient-server-arkitektur:

• MCP Hosts: Applikationer, hvor brugere eller AI-systemer interagerer (fx Claude Desktop, IDE-plugins)
• MCP Klienter: Komponenter i host-applikationer, der håndterer kommunikation med servere
• MCP Servere: Letvægtsprogrammer, der eksponerer specifikke funktioner (filadgang, databaseforbindelser, API-adgang) via MCP’s standardiserede grænseflade
• Datakilder: Lokale eller eksterne informationskilder, som MCP-servere kan tilgå sikkert

Kerneprimitiver

MCP definerer tre grundlæggende primitivtyper, der udgør protokollens byggesten:

1. Ressourcer

Ressourcer repræsenterer data og indhold, som MCP-servere stiller til rådighed for LLM’er.

• Karakteristika: Applikationsstyret, identificeret med unikke URI’er
• Datatyper: Tekst (UTF-8-kodet) eller binær (Base64-kodet)
• Oplysningsmetoder: Direkte opremsning eller skabeloner til dynamiske ressourceforespørgsler
• Operationer: Læsning af indhold, modtagelse af opdateringer

Eksempel på brug: En MCP-server, der eksponerer en logfil som ressource med URI file:///logs/app.log

2. Prompts

Prompts er foruddefinerede skabeloner eller arbejdsgange, som servere tilbyder for at guide LLM-interaktioner.

• Karakteristika: Brugerudløst, ofte vist som slash-kommandoer
• Struktur: Unikt navn, beskrivelse, valgfrie argumenter
• Funktionalitet: Kan modtage tilpasningsargumenter, inkludere ressourcekontekst, definere flerstegs-interaktioner
• Operationer: Oplysning via opremsning, udførelse ved anmodning

Eksempel på brug: En prompt til at generere git-commit-beskeder, der modtager kodeændringer som input

3. Værktøjer

Værktøjer eksponerer eksekverbare funktioner, som LLM’er kan kalde (ofte med brugerens godkendelse) for at udføre handlinger.

• Karakteristika: Modelstyret, kræver veldefinerede inputskemaer
• Annotationer: Indeholder hints om adfærd (read-only, destruktiv, idempotent, open-world)
• Sikkerhedsfunktioner: Inputvalidering, adgangskontrol, tydelige brugeradvarsler
• Operationer: Oplysning via opremsning, udførelse gennem kald med parametre

Eksempel på brug: Et regneværktøj, der udfører matematiske operationer på input fra modellen

Vigtighed og fordele

For udviklere

• Standardiseret integration: Forbind AI-applikationer til forskellige datakilder uden specialkode for hver integration
• Sikkerhedsprincipper: Indbyggede retningslinjer for sikker eksponering af følsom information
• Forenklet arkitektur: Klar adskillelse mellem AI-modeller og deres context-kilder

For brugere og organisationer

• Fleksibilitet: Nemmere at skifte mellem forskellige LLM-udbydere eller host-applikationer
• Interoperabilitet: Mindre leverandørlåsning gennem standardiserede grænseflader
• Udvidede muligheder: AI-systemer får adgang til en bredere vifte af information og funktioner

Implementeringseksempler

Filressource-server

// Server, der eksponerer en enkelt logfil som ressource
const server = new Server({ /* config */ }, { capabilities: { resources: {} } });

// Oplist tilgængelige ressourcer
server.setRequestHandler(ListResourcesRequestSchema, async () => {
  return {
    resources: [
      {
        uri: "file:///logs/app.log",
        name: "Applikationslog",
        mimeType: "text/plain"
      }
    ]
  };
});

// Lever indholdet af ressourcen
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("Ressource ikke fundet");
});

Regneværktøj-server

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

// Oplist tilgængelige værktøjer
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [{
      name: "calculate_sum",
      description: "Læg to tal sammen",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number", description: "Første tal" },
          b: { type: "number", description: "Andet tal" }
        },
        required: ["a", "b"]
      },
      annotations: {
        title: "Beregn sum",
        readOnlyHint: true,
        openWorldHint: false
      }
    }]
  };
});

// Håndter værktøjseksekvering
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("Ugyldigt input: 'a' og 'b' skal være tal.");
      }
      const sum = a + b;
      return {
        content: [{ type: "text", text: String(sum) }]
      };
    } catch (error: any) {
      return {
        isError: true,
        content: [{ type: "text", text: `Fejl ved beregning af sum: ${error.message}` }]
      };
    }
  }
  throw new Error("Værktøj ikke fundet");
});

Relaterede begreber

• LLM-funktionskald: Model Context-protokollet tilbyder en standardiseret tilgang til, at LLM’er kan kalde funktioner
• AI-agenter: MCP tilbyder en struktureret metode for agentbaserede AI-systemer til at tilgå værktøjer og information
• AI-plugins: Ligesom browserudvidelser kan MCP-servere opfattes som “plugins”, der udvider AI’s muligheder

Fremtidige retninger

• Enterprise-AI-integration: Forbindelse af virksomhedsvidensbaser, værktøjer og arbejdsgange
• Multimodal AI: Standardisering af adgang til forskellige datatyper ud over tekst
• Samarbejdende AI-systemer: Gør det muligt for AI-assistenter at samarbejde gennem fælles protokoller