MCP : Protocole de Contexte de Modèle

Définition

Le Model Context Protocol (MCP) est une interface standard ouverte qui permet aux grands modèles de langage (LLM) d’accéder de manière sécurisée et cohérente à des sources de données externes, des outils et des fonctionnalités. Il établit une couche de communication standardisée entre les applications d’IA et divers fournisseurs de contexte, servant de « USB-C » pour les systèmes d’IA.

Composants clés

Architecture

MCP suit une architecture client-serveur :

• Hôtes MCP : Applications où interagissent utilisateurs ou systèmes IA (ex. : Claude Desktop, plugins IDE)
• Clients MCP : Composants au sein des applications hôtes gérant la communication avec les serveurs
• Serveurs MCP : Programmes légers exposant des fonctionnalités spécifiques (accès fichiers, connexions base de données, accès API) via l’interface standardisée MCP
• Sources de données : Dépôts d’informations locaux ou distants auxquels les serveurs MCP peuvent accéder de manière sécurisée

Primitives de base

MCP définit trois primitives fondamentales qui constituent les briques de base du protocole :

1. Ressources

Les ressources représentent des données et contenus que les serveurs MCP mettent à disposition des LLM.

• Caractéristiques : Contrôlées par l’application, identifiées par des URI uniques
• Types de données : Texte (encodé UTF-8) ou binaire (encodé Base64)
• Méthodes de découverte : Liste directe ou modèles pour des requêtes de ressources dynamiques
• Opérations : Lecture du contenu, réception de mises à jour

Exemple d’usage : Un serveur MCP exposant un fichier journal comme ressource avec l’URI file:///logs/app.log

2. Prompts

Les prompts sont des modèles ou workflows prédéfinis que les serveurs proposent pour guider l’interaction avec les LLM.

• Caractéristiques : Déclenchés par l’utilisateur, souvent sous forme de commandes slash
• Structure : Nom unique, description, arguments optionnels
• Capacités : Acceptent des arguments de personnalisation, intègrent le contexte des ressources, définissent des interactions multi-étapes
• Opérations : Découverte par liste, exécution sur demande

Exemple d’usage : Un prompt générateur de message de commit git acceptant des modifications de code en entrée

3. Outils

Les outils exposent des fonctions exécutables que les LLM peuvent invoquer (généralement avec l’accord de l’utilisateur) pour réaliser des actions.

• Caractéristiques : Contrôlés par le modèle, nécessitant des schémas d’entrée bien définis
• Annotations : Indiquent des comportements (lecture seule, destructif, idempotent, monde ouvert)
• Fonctionnalités de sécurité : Validation des entrées, contrôle d’accès, avertissements clairs à l’utilisateur
• Opérations : Découverte par liste, exécution par appels avec paramètres

Exemple d’usage : Un outil calculatrice qui effectue des opérations mathématiques sur des entrées fournies par le modèle

Importance et avantages

Pour les développeurs

• Intégration standardisée : Connectez des applications IA à diverses sources de données sans code spécifique à chaque intégration
• Bonnes pratiques de sécurité : Lignes directrices intégrées pour exposer de façon sécurisée des informations sensibles
• Architecture simplifiée : Séparation claire entre les modèles IA et leurs sources de contexte

Pour les utilisateurs et organisations

• Flexibilité : Plus facile de changer de fournisseur LLM ou d’application hôte
• Interopérabilité : Enfermement propriétaire réduit grâce à des interfaces standardisées
• Capacités étendues : Les systèmes IA accèdent à une diversité accrue d’informations et de fonctions

Exemples de mise en œuvre

Serveur de ressource fichier

// Serveur exposant un fichier journal comme ressource
const server = new Server({ /* config */ }, { capabilities: { resources: {} } });

// Lister les ressources disponibles
server.setRequestHandler(ListResourcesRequestSchema, async () => {
  return {
    resources: [
      {
        uri: "file:///logs/app.log",
        name: "Journaux d'application",
        mimeType: "text/plain"
      }
    ]
  };
});

// Fournir le contenu de la ressource
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("Resource not found");
});

Serveur d’outil calculatrice

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

// Lister les outils disponibles
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [{
      name: "calculate_sum",
      description: "Additionner deux nombres",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number", description: "Premier nombre" },
          b: { type: "number", description: "Second nombre" }
        },
        required: ["a", "b"]
      },
      annotations: {
        title: "Calculer la somme",
        readOnlyHint: true,
        openWorldHint: false
      }
    }]
  };
});

// Gérer l'exécution de l'outil
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("Entrée invalide : 'a' et 'b' doivent être des nombres.");
      }
      const sum = a + b;
      return {
        content: [{ type: "text", text: String(sum) }]
      };
    } catch (error: any) {
      return {
        isError: true,
        content: [{ type: "text", text: `Erreur lors du calcul de la somme : ${error.message}` }]
      };
    }
  }
  throw new Error("Tool not found");
});

Concepts associés

• Appel de fonction LLM : Le Model Context Protocol fournit une approche standardisée de l’invocation de fonctions par les LLM
• Agents IA : MCP offre un cadre structuré pour permettre aux systèmes d’IA basés sur des agents d’accéder à des outils et des informations
• Plugins IA : À l’image des extensions de navigateur, les serveurs MCP peuvent être vus comme des « plugins » étendant les capacités de l’IA

Perspectives d’avenir

• Intégration IA en entreprise : Connexion des bases de connaissances, outils et workflows d’entreprise
• IA multimodale : Standardisation de l’accès à des types de données variés au-delà du texte
• Systèmes IA collaboratifs : Permettre à des assistants IA de collaborer via des protocoles partagés