MCP: Protocolul de Context al Modelului

Definiție

Protocolul de Context al Modelului (MCP) este o interfață standard deschisă care permite Modelelor Lingvistice Mari (LLM) să acceseze în siguranță și în mod consecvent surse externe de date, instrumente și capabilități. Acesta stabilește un strat de comunicare standardizat între aplicațiile AI și diverși furnizori de context, servind drept „USB-C” pentru sistemele AI.

Componente Cheie

Arhitectură

MCP urmează o arhitectură client-server:

• Gazde MCP: Aplicații în care utilizatorii sau sistemele AI interacționează (ex: Claude Desktop, pluginuri IDE)
• Clienți MCP: Componente din cadrul aplicațiilor gazdă care gestionează comunicarea cu serverele
• Servere MCP: Programe ușoare ce expun capabilități specifice (acces la fișiere, conexiuni la baze de date, acces API) prin interfața MCP standardizată
• Surse de Date: Repozitorii locale sau la distanță de informații pe care serverele MCP le pot accesa în siguranță

Primitivi de Bază

MCP definește trei primitive fundamentale care formează blocurile de construcție ale protocolului:

1. Resurse

Resursele reprezintă date și conținut pe care serverele MCP le pun la dispoziția LLM-urilor.

• Caracteristici: Controlate de aplicație, identificate prin URI-uri unice
• Tipuri de date: Text (codare UTF-8) sau Binare (codare Base64)
• Metode de descoperire: Listare directă sau șabloane pentru cereri dinamice de resurse
• Operațiuni: Citirea conținutului, primirea actualizărilor

Exemplu de utilizare: Un server MCP care expune un fișier de log ca resursă cu URI file:///logs/app.log

2. Prompturi

Prompturile sunt șabloane sau fluxuri de lucru predefinite pe care serverele le oferă pentru a ghida interacțiunile LLM.

• Caracteristici: Declanșate de utilizator, adesea sub formă de comenzi slash
• Structură: Nume unic, descriere, argumente opționale
• Capabilități: Acceptă argumente de personalizare, pot încorpora context de resursă, pot defini interacțiuni multi-pas
• Operațiuni: Descoperire prin listare, execuție la cerere

Exemplu de utilizare: Un prompt generator de mesaje de commit git care acceptă modificări de cod ca intrare

3. Instrumente

Instrumentele expun funcții executabile pe care LLM-urile le pot invoca (de obicei cu aprobarea utilizatorului) pentru a realiza acțiuni.

• Caracteristici: Controlate de model, necesită scheme de intrare bine definite
• Anotări: Includ indicații despre comportament (doar citire, distructiv, idempotent, open-world)
• Funcții de securitate: Validare a inputului, control de acces, avertizări clare pentru utilizator
• Operațiuni: Descoperire prin listare, execuție prin apel cu parametri

Exemplu de utilizare: Un instrument de calculator care efectuează operații matematice pe valorile oferite de model

Importanță și Beneficii

Pentru Dezvoltatori

• Integrare standardizată: Conectează aplicațiile AI la surse diverse de date, fără cod personalizat pentru fiecare
• Cele mai bune practici de securitate: Ghiduri integrate pentru expunerea în siguranță a informațiilor sensibile
• Arhitectură simplificată: Separare clară între modelele AI și sursele lor de context

Pentru Utilizatori și Organizații

• Flexibilitate: Mai ușor de comutat între diferiți furnizori de LLM sau aplicații gazdă
• Interoperabilitate: Reducerea dependenței de furnizori prin interfețe standardizate
• Capabilități îmbunătățite: Sistemele AI obțin acces la informații și acțiuni mai diverse

Exemple de Implementare

Server de Resurse Fișier

// Server care expune un singur fișier de log ca resursă
const server = new Server({ /* config */ }, { capabilities: { resources: {} } });

// Listare resurse disponibile
server.setRequestHandler(ListResourcesRequestSchema, async () => {
  return {
    resources: [
      {
        uri: "file:///logs/app.log",
        name: "Jurnalele aplicației",
        mimeType: "text/plain"
      }
    ]
  };
});

// Furnizare conținut resursă
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("Resursă negăsită");
});

Server Instrument Calculator

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

// Listare instrumente disponibile
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [{
      name: "calculate_sum",
      description: "Adună două numere",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number", description: "Primul număr" },
          b: { type: "number", description: "Al doilea număr" }
        },
        required: ["a", "b"]
      },
      annotations: {
        title: "Calculează Suma",
        readOnlyHint: true,
        openWorldHint: false
      }
    }]
  };
});

// Gestionare execuție instrument
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 invalid: 'a' și 'b' trebuie să fie numere.");
      }
      const sum = a + b;
      return {
        content: [{ type: "text", text: String(sum) }]
      };
    } catch (error: any) {
      return {
        isError: true,
        content: [{ type: "text", text: `Eroare la calcularea sumei: ${error.message}` }]
      };
    }
  }
  throw new Error("Instrument negăsit");
});

Concepte Asemănătoare

• Apelarea funcțiilor LLM: Protocolul de Context al Modelului oferă o abordare standardizată pentru conceptul de invocare a funcțiilor de către LLM-uri
• Agenți AI: MCP oferă o modalitate structurată pentru sistemele AI bazate pe agenți de a accesa instrumente și informații
• Pluginuri AI: Asemănător extensiilor de browser, serverele MCP pot fi văzute ca „pluginuri” ce extind capabilitățile AI

Direcții Viitoare

• Integrare AI la nivel de întreprindere: Conectarea bazelor de cunoștințe corporative, a instrumentelor și a fluxurilor de lucru
• AI multi-modal: Standardizarea accesului la tipuri diverse de date, dincolo de text
• Sisteme AI colaborative: Permiterea asistenților AI să lucreze împreună prin protocoale partajate