MCP: Protocollo del Contesto del Modello

Definizione

Il Model Context Protocol (MCP) è un’interfaccia standard aperta che consente ai Large Language Models (LLM) di accedere in modo sicuro e coerente a fonti di dati esterne, strumenti e funzionalità. Stabilisce uno strato di comunicazione standardizzato tra applicazioni AI e diversi provider di contesto, servendo come la “USB-C” per i sistemi di intelligenza artificiale.

Componenti Chiave

Architettura

MCP segue un’architettura client-server:

• Host MCP: Applicazioni dove gli utenti o i sistemi AI interagiscono (es. Claude Desktop, plugin IDE)
• Client MCP: Componenti all’interno delle applicazioni host che gestiscono la comunicazione con i server
• Server MCP: Programmi leggeri che espongono funzionalità specifiche (accesso a file, connessioni a database, accesso API) tramite l’interfaccia standardizzata MCP
• Fonti di Dati: Repository di informazioni locali o remoti a cui i server MCP possono accedere in modo sicuro

Primitive Fondamentali

MCP definisce tre primitive fondamentali che costituiscono i mattoni del protocollo:

1. Risorse

Le risorse rappresentano dati e contenuti che i server MCP mettono a disposizione degli LLM.

• Caratteristiche: Controllate dall’applicazione, identificate da URI unici
• Tipi di Dati: Testo (codificato UTF-8) o Binario (codificato Base64)
• Metodi di Scoperta: Elencazione diretta o modelli per richieste dinamiche di risorse
• Operazioni: Lettura dei contenuti, ricezione di aggiornamenti

Esempio d’uso: Un server MCP che espone un file di log come risorsa con URI file:///logs/app.log

2. Prompt

I prompt sono modelli o workflow predefiniti che i server offrono per guidare le interazioni degli LLM.

• Caratteristiche: Attivati dall’utente, spesso visualizzati come comandi slash
• Struttura: Nome univoco, descrizione, argomenti opzionali
• Capacità: Accettano argomenti di personalizzazione, integrano il contesto delle risorse, definiscono interazioni multi-step
• Operazioni: Scoperta tramite elencazione, esecuzione su richiesta

Esempio d’uso: Un prompt generatore di messaggi di commit git che accetta modifiche al codice come input

3. Strumenti

Gli strumenti espongono funzioni eseguibili che gli LLM possono invocare (solitamente con l’approvazione dell’utente) per compiere azioni.

• Caratteristiche: Controllati dal modello, richiedono schemi di input ben definiti
• Annotazioni: Includono suggerimenti sul comportamento (sola lettura, distruttivo, idempotente, open-world)
• Funzionalità di Sicurezza: Validazione degli input, controllo degli accessi, avvisi chiari per l’utente
• Operazioni: Scoperta tramite elencazione, esecuzione tramite chiamate con parametri

Esempio d’uso: Uno strumento calcolatrice che esegue operazioni matematiche sugli input forniti dal modello

Importanza e Vantaggi

Per gli Sviluppatori

• Integrazione Standardizzata: Collega applicazioni AI a diverse fonti di dati senza codice personalizzato per ciascuna
• Best Practice di Sicurezza: Linee guida integrate per esporre in modo sicuro informazioni sensibili
• Architettura Semplificata: Chiara separazione tra modelli AI e le loro fonti di contesto

Per Utenti e Organizzazioni

• Flessibilità: Più facile passare tra diversi provider LLM o applicazioni host
• Interoperabilità: Riduzione del vincolo verso i fornitori grazie a interfacce standardizzate
• Capacità Avanzate: I sistemi AI ottengono accesso a informazioni e funzionalità di azione più diversificate

Esempi di Implementazione

Server Risorsa File

// Server che espone un singolo file di log come risorsa
const server = new Server({ /* config */ }, { capabilities: { resources: {} } });

// Elenca le risorse disponibili
server.setRequestHandler(ListResourcesRequestSchema, async () => {
  return {
    resources: [
      {
        uri: "file:///logs/app.log",
        name: "Log Applicazione",
        mimeType: "text/plain"
      }
    ]
  };
});

// Fornisce il contenuto della risorsa
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("Risorsa non trovata");
});

Server Strumento Calcolatrice

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

// Elenca gli strumenti disponibili
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [{
      name: "calculate_sum",
      description: "Somma due numeri",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number", description: "Primo numero" },
          b: { type: "number", description: "Secondo numero" }
        },
        required: ["a", "b"]
      },
      annotations: {
        title: "Calcola Somma",
        readOnlyHint: true,
        openWorldHint: false
      }
    }]
  };
});

// Gestisce l'esecuzione dello strumento
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("Input non valido: 'a' e 'b' devono essere numeri.");
      }
      const sum = a + b;
      return {
        content: [{ type: "text", text: String(sum) }]
      };
    } catch (error: any) {
      return {
        isError: true,
        content: [{ type: "text", text: `Errore nel calcolo della somma: ${error.message}` }]
      };
    }
  }
  throw new Error("Strumento non trovato");
});

Concetti Correlati

• LLM Function Calling: Il Model Context Protocol fornisce un approccio standardizzato al concetto di invocazione di funzioni da parte degli LLM
• Agenti AI: MCP offre un modo strutturato per i sistemi AI basati su agenti di accedere a strumenti e informazioni
• Plugin AI: Similmente alle estensioni dei browser, i server MCP possono essere considerati “plugin” che estendono le capacità dell’AI

Prospettive Future

• Integrazione AI aziendale: Connessione di basi di conoscenza, strumenti e flussi di lavoro aziendali
• AI multimodale: Standardizzazione dell’accesso a tipi di dati diversi dal solo testo
• Sistemi AI collaborativi: Abilitare assistenti AI a lavorare insieme tramite protocolli condivisi