MCP: Modellkontekstprotokoll

Definisjon

Modellkontekstprotokollen (MCP) er et åpent standardgrensesnitt som gjør det mulig for store språkmodeller (LLM-er) å få sikker og konsistent tilgang til eksterne datakilder, verktøy og funksjoner. Den etablerer et standardisert kommunikasjonslag mellom AI-applikasjoner og ulike kontekstsleverandører, og fungerer som «USB-C» for AI-systemer.

Hovedkomponenter

Arkitektur

MCP følger en klient-server-arkitektur:

• MCP-verter: Applikasjoner der brukere eller AI-systemer interagerer (f.eks. Claude Desktop, IDE-plugins)
• MCP-klienter: Komponenter i vertsapplikasjoner som håndterer kommunikasjon med servere
• MCP-servere: Lettvektsprogrammer som eksponerer spesifikke funksjoner (filtilgang, databasekoblinger, API-tilgang) via det standardiserte MCP-grensesnittet
• Datakilder: Lokale eller eksterne informasjonskilder som MCP-servere kan få sikker tilgang til

Kjerneprimitiver

MCP definerer tre grunnleggende primitiver som utgjør byggesteinene i protokollen:

1. Ressurser

Ressurser representerer data og innhold som MCP-servere gjør tilgjengelig for LLM-er.

• Egenskaper: Applikasjonskontrollert, identifisert av unike URI-er
• Datatyper: Tekst (UTF-8-kodet) eller binær (Base64-kodet)
• Oppdagelsesmetoder: Direkte oppføring eller maler for dynamiske ressursforespørsler
• Operasjoner: Lesing av innhold, mottak av oppdateringer

Eksempel på bruk: En MCP-server som eksponerer en loggfil som ressurs med URI file:///logs/app.log

2. Prompt

Prompt er forhåndsdefinerte maler eller arbeidsflyter som servere tilbyr for å veilede LLM-interaksjoner.

• Egenskaper: Brukerutløst, vises ofte som skråstrek-kommandoer
• Struktur: Unikt navn, beskrivelse, valgfrie argumenter
• Funksjonalitet: Aksepterer tilpasningsargumenter, innlemmer ressurskontekst, definerer flertrinnsinteraksjoner
• Operasjoner: Oppdages via oppføring, kjøres på forespørsel

Eksempel på bruk: En git commit-melding-generator som aksepterer kodeendringer som input

3. Verktøy

Verktøy eksponerer kjørbare funksjoner som LLM-er kan påkalle (vanligvis med brukerens godkjenning) for å utføre handlinger.

• Egenskaper: Modellkontrollert, krever veldefinerte input-skjemaer
• Annotasjoner: Inkluderer hint om oppførsel (read-only, destruktiv, idempotent, åpen verden)
• Sikkerhetsfunksjoner: Input-validering, tilgangskontroll, tydelige brukeradvarsler
• Operasjoner: Oppdages via oppføring, kjøres via kall med parametere

Eksempel på bruk: Et kalkulatorverktøy som utfører matematiske operasjoner på input fra modellen

Viktighet og fordeler

For utviklere

• Standardisert integrasjon: Koble AI-applikasjoner til ulike datakilder uten spesialtilpasset kode for hver enkelt
• Sikkerhetsbeste praksis: Innebygde retningslinjer for sikker eksponering av sensitiv informasjon
• Forenklet arkitektur: Klar separasjon mellom AI-modeller og deres kontekstkilder

For brukere og organisasjoner

• Fleksibilitet: Enklere å bytte mellom ulike LLM-leverandører eller vertsapplikasjoner
• Interoperabilitet: Redusert leverandørbinding gjennom standardiserte grensesnitt
• Forbedrede funksjoner: AI-systemer får tilgang til mer variert informasjon og handlingsmuligheter

Implementeringseksempler

Fileressurs-server

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

// List opp tilgjengelige ressurser
server.setRequestHandler(ListResourcesRequestSchema, async () => {
  return {
    resources: [
      {
        uri: "file:///logs/app.log",
        name: "Applikasjonslogger",
        mimeType: "text/plain"
      }
    ]
  };
});

// Gi ressursinnhold
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("Ressurs ikke funnet");
});

Kalkulatorverktøy-server

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

// List opp tilgjengelige verktøy
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [{
      name: "calculate_sum",
      description: "Legg sammen to tall",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number", description: "Første tall" },
          b: { type: "number", description: "Andre tall" }
        },
        required: ["a", "b"]
      },
      annotations: {
        title: "Beregn Sum",
        readOnlyHint: true,
        openWorldHint: false
      }
    }]
  };
});

// Håndter verktøykjøring
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("Ugyldig input: 'a' og 'b' må være tall.");
      }
      const sum = a + b;
      return {
        content: [{ type: "text", text: String(sum) }]
      };
    } catch (error: any) {
      return {
        isError: true,
        content: [{ type: "text", text: `Feil ved beregning av sum: ${error.message}` }]
      };
    }
  }
  throw new Error("Verktøy ikke funnet");
});

Relaterte konsepter

• LLM-funksjonskall: Modellkontekstprotokollen gir en standardisert tilnærming til konseptet med at LLM-er kaller funksjoner
• AI-agenter: MCP tilbyr en strukturert måte for agentbaserte AI-systemer å få tilgang til verktøy og informasjon
• AI-plugins: På lik linje med nettleserutvidelser kan MCP-servere sees som «plugins» som utvider AI-funksjonaliteten

Fremtidige retninger

• Enterprise AI-integrasjon: Koble sammen bedriftskunnskapsbaser, verktøy og arbeidsflyter
• Multimodal AI: Standardisere tilgang til ulike datatyper utover tekst
• Samarbeidende AI-systemer: Gjøre det mulig for AI-assistenter å samarbeide via delte protokoller