Čo je Model Context Protocol (MCP)? Kľúč k agentickej AI integrácii

Čo je Model Context Protocol (MCP)? Kľúč k agentickej AI integrácii

Agentická AI nanovo definuje oblasť automatizácie pracovných procesov – umožňuje systémom konať autonómne, integrovať rôzne digitálne zdroje a prinášať reálnu hodnotu ďaleko za hranicami statického promptovania. Motorom tejto evolúcie je Model Context Protocol (MCP) – otvorený protokol na štandardizáciu kontextu v rámci veľkých jazykových modelov (LLM), ktorý sa rýchlo stáva základom škálovateľnej AI integrácie.

Definícia MCP: Otvorený protokol pre agentickú AI

V jadre Model Context Protocol (MCP) predstavuje štandardizovaný, open-source rámec na sprístupnenie a využívanie kontextu, externých nástrojov a dátových zdrojov v aplikáciách poháňaných LLM. Ide o významný posun oproti tradičným prompt-responz modelom, kde je interakcia obmedzená len na výmenu textu. Agentická AI naopak vyžaduje možnosť spúšťať nástroje, pristupovať k aktuálnym dátam, volať API a reagovať dynamicky na meniace sa informácie – a práve to MCP umožňuje.

Vďaka sade dobre definovaných RESTful endpointov – využívajúcich HTTP, Server-Sent Events a JSON RPC – umožňuje MCP hostiteľským aplikáciám (klientom) objavovať, opisovať a interagovať so širokou škálou zdrojov poskytovaných servermi. Znamená to, že AI systémy môžu automaticky identifikovať dostupné nástroje a dáta, získavať štruktúrované popisy a vyžadovať akcie – všetko cez jednotné, skladateľné rozhranie.

Analógia s USB-C – a prečo je MCP iné

MCP sa často prirovnáva k USB-C pre AI aplikácie, a to oprávnene: obe majú za cieľ poskytnúť univerzálny, plug-and-play zážitok. Zatiaľ čo však USB-C je hardvérový štandard pre fyzické prepojenie zariadení, MCP je softvérový protokol navrhnutý pre digitálnu doménu. Jeho inovácia spočíva v tom, že nástroje a zdroje sú nielen pripojiteľné, ale aj objaviteľné a dynamicky dostupné pre akýkoľvek kompatibilný agentický AI systém.

Na rozdiel od tvrdých integrácií umožňuje MCP vývojárom registrovať nové nástroje alebo dátové zdroje ako servery – okamžite ich tak sprístupniť každému kompatibilnému klientovi. Táto modularita a flexibilita umožňuje rýchlu skladbu a prekonfigurovanie AI automatizácie bez potreby rozsiahlych prepisov alebo individuálnych integrácií.

Ako MCP odomyká AI automatizáciu pracovných procesov

Predstavte si vývoj agentického AI asistenta na plánovanie schôdzok. Tradične by ste museli tesne prepojiť kalendárne API, rezervačné systémy a interné dáta – a komplexnú logiku zapracovať priamo do aplikácie. S MCP sú všetky tieto zdroje vystavené ako objaviteľné endpointy. AI klient sa dotazuje MCP servera na dostupné schopnosti, predkladá kontext a požiadavky LLM, a na základe odporúčaní modelu získava dáta alebo spúšťa nástroje bezproblémovo.

Napríklad, ak AI potrebuje zoznam blízkych kaviarní na naplánovanie stretnutia, jednoducho sa dotáže MCP servera, získa aktuálne výsledky a vloží ich do ďalšieho promptu. Popisy nástrojov, parametre a schémy spúšťania sú poskytnuté v štruktúrovanej forme, čo umožňuje LLM odporučiť presné akcie, ktoré môže klient vykonať s plnou transparentnosťou a kontrolou.

Táto architektúra nielen umožňuje bohatšie agentické AI workflowy, ale aj zabezpečuje, že zdroje sa dajú jednoducho zdieľať a aktualizovať naprieč tímami a organizáciami – čím vzniká živý ekosystém opakovane použiteľných AI komponentov.

Adopcia v priemysle a open source momentum

Prijatie MCP rastie medzi progresívnymi podnikmi a AI odborníkmi, ktorí chcú agentickú AI zaviesť v rozsahu. Jeho open-source základ zaručuje širokú dostupnosť, neustály rozvoj a silnú komunitnú podporu. Popredné platformy a dodávatelia – vrátane tých z ekosystému Kafka a Confluent – už dnes budujú MCP-kompatibilné servery, čím okamžite rozširujú svet dátových zdrojov a automatizačných nástrojov pre agentickú AI integráciu.

Pre AI decision-makerov znamená prijatie MCP odomknutie plnej agility, škálovateľnosti a skladateľnosti AI systémov – od internej automatizácie až po sofistikované, zákaznícky orientované AI služby na jednotnej štandardizovanej báze.

Prijatím Model Context Protocol sa organizácia stavia na čelo modernej AI integrácie – vybavuje tímy možnosťou budovať, prispôsobovať a škálovať agentické AI riešenia s neprekonateľnou rýchlosťou a efektivitou. MCP nie je len protokol; je to brána do novej éry AI automatizácie pracovných procesov.

Ako MCP rieši výzvy agentickej AI: Za hranicou statických promptov a izolovaných AI modelov

Roky bola sila veľkých jazykových modelov (LLM) obmedzená statickou povahou ich interakcií. V tradičnom scenári zadá používateľ prompt a LLM vráti textovú odpoveď. Hoci to funguje pri jednoduchých dotazoch, zásadne to limituje, čo môže AI dosiahnuť pri automatizácii podnikov a integrácii workflowov.

Statické limity tradičných LLM promptov

Tradičné LLM nástroje fungujú v rigidnom rámci – vstup textu/výstup textu. Generujú len textové odpovede, bez ohľadu na sofistikovanosť požiadavky. To znamená:

• Len textový výstup: Nech je jazykový model akokoľvek pokročilý, nemôže vykonať reálne akcie alebo riadiť procesy mimo produkcie viet či odstavcov.
• Obmedzené informácie: LLM sú viazané na dáta, na ktorých boli trénované. Nemajú prístup k aktuálnym firemným databázam, neťahajú živé informácie ani si neaktualizujú vedomosti v reálnom čase.
• Žiadna akcieschopnosť: Modely nedokážu spúšťať workflowy, interagovať s podnikových nástrojmi či automatizovať úlohy – používateľ musí manuálne prepájať AI odporúčania s reálnymi výsledkami.

Pre lepšiu predstavu: Predstavte si, že požiadate tradičný LLM: „Naplánuj kávu s Petrom na budúci týždeň.“ Model môže poradiť, ako plánovať, alebo požiadať o upresnenie, ale nedokáže skontrolovať váš kalendár, zistiť Petrovu dostupnosť, nájsť kaviareň ani vytvoriť pozvánku. Každý krok zostáva manuálny a každý kontext treba opakovane zadávať.

Potreba agentickej AI

Prichádza agentická AI – ďalší vývojový stupeň inteligentnej automatizácie. Agentické AI modely nielen odpovedajú, ale aj konajú. Spúšťajú externé nástroje, pristupujú k aktuálnym firemným dátam a automatizujú viacstupňové workflowy.

Prečo je to potrebné? Pretože skutočné podnikové scenáre sú dynamické a vyžadujú viac ako len slová. Napríklad:

• Scenár 1: Rezervácia stretnutia. Statické LLM navrhne termíny, ale len agentická AI skontroluje všetky kalendáre, nájde miesto a odošle pozvánky automaticky.
• Scenár 2: Zákaznícka podpora. Tradičný model odpovie na FAQ, ale agentická AI vytiahne konkrétne údaje, iniciuje vrátenie peňazí alebo eskaluje ticket v CRM.
• Scenár 3: Spracovanie dát. Statické LLM zhrnie trendy, ale agentická AI stiahne čerstvé dáta z podnikového systému, urobí analýzu a spustí upozornenie či akciu.

V každom prípade starý prístup poskytne len odporúčania alebo čiastkové riešenia, zatiaľ čo agentická AI doručí akcieschopný, integrovaný výsledok.

MCP: Kľúč k inteligentnej AI automatizácii workflowov

Model Context Protocol (MCP) je kritická infraštruktúra, ktorá mení statické LLM nástroje na agentické AI centrály. MCP prepája jazykové modely s reálnym svetom – podnikové dáta, API, súbory či automatizačné nástroje – a umožňuje bezproblémovú AI integráciu.

Ako MCP rieši tieto výzvy?

• Dynamické objavovanie schopností: Pomocou MCP klienta a servera môžu aplikácie zistiť, aké nástroje, zdroje a dáta sú dostupné v danom čase – žiadne tvrdé kódovanie alebo manuálne integrácie.
• Spúšťanie zdrojov a nástrojov: LLM vedené MCP protokolom môžu vybrať a spustiť tie správne zdroje (databázy, API, externé služby) podľa zámeru používateľa.
• Skladateľná architektúra: Potrebujete nový nástroj alebo zdroj? Stačí ho zapojiť. MCP umožňuje škálovať a rozširovať AI workflowy bez nutnosti prebudovania agentov.
• End-to-end automatizácia workflowov: Od analýzy promptu po akcie – ako vytvorenie kalendárnych pozvánok, odoslanie správ či aktualizáciu záznamov – MCP umožňuje AI agentom plne automatizovať komplexné firemné procesy.

Praktický príklad:

• Starý prístup: „Chcem ísť na kávu s Petrom budúci týždeň.“ LLM odpovie: „Prosím, zadajte Petrovo meno a preferovaný čas.“
• S agentickou AI cez MCP: AI agent skontroluje váš a Petrov kalendár, vyhľadá blízke kaviarne, navrhne najlepšie časy a miesta a vytvorí pozvánku – všetko bez manuálneho zásahu.

Biznis hodnota agentickej AI s MCP

MCP je revolúciou v AI automatizácii workflowov v podniku:

• Agentická AI: AI, ktorá koná, nielen reaguje.
• Hlboká integrácia: LLM napojené na podnikové nástroje, databázy a API – žiadne izolované modely.
• Škálovateľná automatizácia: Budujte, adaptujte a rozširujte workflowy podľa svojich potrieb.
• Rýchla inovácia: Objavujte a skladajte nové nástroje a zdroje bez potreby preprogramovať AI agentov.

Skrátka, MCP preklenuje priepasť medzi jazykovo orientovanými modelmi a skutočnou AI integráciou. Umožňuje firmám posunúť sa za hranice statických promptov a izolovaných AI modelov – a odomknúť skutočný potenciál agentickej AI pre efektivitu, produktivitu a automatizáciu vo veľkom.

Prečo je MCP nevyhnutný pre podnikové agentické AI integrácie

Ako podniky zrýchľujú prijatie agentickej AI, dopyt po bezproblémovej, škálovateľnej AI integrácii s rôznymi organizačnými zdrojmi nikdy nebol vyšší. Moderné firmy sa spoliehajú na AI agentov nielen pri generovaní informácií, ale aj na vykonávanie zmysluplných akcií – spúšťanie nástrojov, automatizáciu workflowov a reakciu na reálne udalosti. Dosiahnuť to v podnikovej praxi si vyžaduje robustný, štandardizovaný prístup – a tu nastupuje Model Context Protocol (MCP).

Potreba dynamického prístupu k zdrojom v podnikovej AI

Agentická AI na úrovni podniku si vyžaduje viac než statické, tvrdo zakódované integrácie. AI agenti musia pristupovať k širokej škále aktuálnych zdrojov – od interných databáz a súborových systémov, cez externé API, streamingové platformy ako Kafka, až po špecializované nástroje. Statická povaha bežných integrácií – kde je každé prepojenie zapracované priamo do AI aplikácie – vedie rýchlo k krehkej, monolitickej architektúre. Tento prístup je nielen ťažko škálovateľný, ale aj brzdí inovácie, pretože každý nový zdroj či nástroj vyžaduje individuálne kódovanie a údržbu.

V praxi firmy často potrebujú AI agentov, ktorí:

• Získavajú živé dáta z kľúčových systémov (napr. CRM, ERP, datalake).
• Pristupujú k real-time event streamom, ako sú Kafka topiky.
• Interagujú s plánovacími nástrojmi, rezervačnými systémami či doménovými API.
• Komponujú a orchestrujú akcie naprieč viacerými zdrojmi podľa požiadaviek používateľa.

Tieto požiadavky ukazujú nedostatočnosť monolitických, tvrdo zakódovaných integrácií, najmä keď organizácie chcú škálovať agentickú AI naprieč tímami, oddeleniami a use-caseami.

Problémy s tvrdo zakódovanými, monolitickými integráciami

Tvrdo zakódované integrácie uzamykajú biznis logiku a prepojenie so zdrojmi v jednotlivých AI aplikáciách. Napríklad ak firma chce AI agenta na plánovanie stretnutí, agent môže obsahovať priamo kód pre kalendárne API, vyhľadávanie miest a rezervačné systémy. Takáto logika je izolovaná, nedostupná pre iných agentov alebo aplikácie – vznikajú silá, duplicita a zložitá údržba.

Takéto monolitické návrhy spôsobujú:

• Obmedzenú opakovateľnosť: Nástroje a integrácie sú uzamknuté pre konkrétnych agentov, čím sa bráni opätovnému využitiu v rámci organizácie.
• Obmedzená škálovateľnosť: Každá nová integrácia vyžaduje manuálne kódovanie, čo spomaľuje nasadenie a inovácie.
• Nároky na údržbu: Aktualizácia rozhrania zdroja/nástroja znamená úpravy u každého agenta, ktorý ho používa – čo je neudržateľné vo veľkom.
• Problémy s objaviteľnosťou: Agenti o nových zdrojoch nevedia, pokiaľ nie sú explicitne aktualizovaní, čo znižuje ich flexibilitu.

MCP: Štandardizovaný, plug-and-play protokol pre agentickú AI

Model Context Protocol (MCP) tieto výzvy rieši ako štandardizovaný, plug-and-play protokol na prepojenie AI agentov s podnikovými zdrojmi a nástrojmi. MCP je chrbticou, ktorá umožňuje AI flexibilne objavovať, pristupovať a orchestrálne konať naprieč dynamickým ekosystémom schopností – bez tvrdého kódovania či manuálnych aktualizácií.

Ako MCP funguje

V jadre MCP zavádza jasnú architektúru klient-server:

• Hostiteľská aplikácia (klient): AI agent alebo mikroslužba, ktorá potrebuje pristupovať k externým zdrojom či nástrojom.
• MCP server: Server vystavuje zdroje, nástroje a schopnosti cez sadu dobre definovaných RESTful endpointov podľa MCP štandardu.

Komunikácia medzi agentom (klientom) a serverom prebieha cez HTTP pomocou JSON-RPC, čo umožňuje asynchrónne notifikácie, objavovanie schopností a prístup k zdrojom. Agent sa môže dynamicky dotazovať MCP servera na dostupné nástroje, zdroje či prompty – čím sa zdroje stávajú objaviteľnými a plugovateľnými.

Príklad z praxe v podniku

Predstavte si AI agenta na plánovanie stretnutí. Namiesto tvrdého zakódovania integrácií na kalendáre, API miest a rezervačné systémy sa agent dotazuje MCP servera na dostupné schopnosti. Server popíše svoje nástroje (napr. kalendárna integrácia, rezervačný systém) a vystaví zdroje (napr. zoznam kaviarní, dostupné meeting room). Agent môže dynamicky vybrať a spustiť správne nástroje podľa zámeru používateľa – napríklad: „Naplánuj kávu s Petrom budúci týždeň.“

S MCP, ak iný tím chce umožniť svojmu agentovi rezervovať konferenčné miestnosti alebo pristupovať k iným zdrojom, stačí tieto schopnosti zaregistrovať v MCP serveri. Nie je potrebné prepisovať logiku agenta či duplikovať integrácie. Architektúra je škálovateľná, skladateľná a objaviteľná.

Škálovateľnosť a skladateľnosť

Kľúčovou silou MCP v podnikovej sfére je skladateľnosť. Servery môžu byť zároveň klientmi iných MCP serverov – umožňujú vrstvené, modulárne integrácie. Napríklad MCP server napojený na Kafka topic môže poskytovať real-time dáta viacerým agentom bez potreby individuálneho Kafka kódu. Tento plugovateľný dizajn podporuje nasadenie v rozsahu, kde zdroje, nástroje a integrácie rýchlo evolvujú.

Podnikové výhody

Adopciou MCP firmy získajú:

• Škálovateľnú AI integráciu: Rýchle nasadenie nových zdrojov a nástrojov bez prepísania logiky agentov.
• Zníženie duplicity: Centralizované integrácie dostupné celej organizácii, odstránenie sil.
• Zvýšenú objaviteľnosť: Agenti môžu využiť nové zdroje, akonáhle sú registrované.
• Odolnosť voči budúcnosti: Štandardizované protokoly uľahčujú upgrade a rozšírenie.

MCP umožňuje budúcnosť, kde podniková AI nie je obmedzená rigiditou tvrdých integrácií, ale je poháňaná flexibilnou, skladateľnou a škálovateľnou architektúrou. Pre organizácie, ktoré chcú agentickú AI zaviesť v rozsahu, je MCP nielen technickou možnosťou – je základom.

Architektúra MCP vysvetlená: Budovanie plugovateľných agentických AI systémov

Moderná AI integrácia sa vyvíja rýchlo a vyžaduje architektúry, ktoré sú flexibilné, škálovateľné a umožňujú bezproblémovú interakciu medzi AI agentmi a reálnymi nástrojmi či dátami. Model Context Protocol (MCP) predstavuje prelom v agentickej AI – ponúka robustnú a objaviteľnú architektúru, ktorá ďaleko presahuje jednoduché pridanie AI funkcií do desktopových aplikácií. Pozrime sa, ako architektúra MCP umožňuje plugovateľné, agentické AI systémy cez svoj model klient-server, všestrannú komunikáciu a silné objaviteľné prvky.

MCP klient-server model

V jadre MCP využíva jasnú architektúru klient-server, ktorá oddeluje zodpovednosti a maximalizuje modularitu:

• Hostiteľská aplikácia: Vaša hlavná AI aplikácia (orchestrujúca mikroslužba). Integruje MCP klientskú knižnicu a vytvára MCP klienta v aplikácii.
• MCP server: Samostatný proces (môže byť vzdialený alebo lokálny), ktorý vystavuje katalóg zdrojov, nástrojov, promptov a schopností. Servery môžete vytvoriť vy alebo ich poskytujú tretie strany – a môžu byť vrstvené, pretože servery môžu byť klientmi iných MCP serverov.

Toto rozdelenie znamená, že hostiteľská aplikácia nemusí „vypekať“ všetky integrácie alebo logiku nástrojov. Namiesto toho môže dynamicky objavovať, dotazovať a využívať externé zdroje cez MCP servery, čo systém robí vysoko plugovateľným a udržiavateľným.

Spojenia: Lokálna a HTTP komunikácia

MCP podporuje dva hlavné režimy komunikácie medzi klientom a serverom:

1. Lokálne spojenia (Standard IO/Pipes):

   • Ak klient aj server bežia na jednom zariadení, komunikujú cez štandardné vstupno-výstupné prúdy (pipes). Toto je efektívne pre lokálne, desktopové integrácie.

2. Vzdialené spojenia (HTTP, Server Sent Events, JSON RPC):

   • Pre distribuované alebo škálovateľné nastavenia podporuje MCP HTTP spojenia s využitím Server Sent Events pre asynchrónne aktualizácie. Protokol na výmenu správ je JSON RPC, ľahký a široko používaný štandard pre štruktúrovanú obojsmernú komunikáciu.
   • To umožňuje klientom a serverom spoľahlivo interagovať cez siete a nasadzovať agentickú AI v podnikovej škále.

Objaviteľnosť: Dynamické dotazovanie zdrojov a nástrojov

Jedinečnou vlastnosťou MCP je inherentná objaviteľnosť, vďaka ktorej je architektúra AI agentov vysoko dynamická:

• Capability endpointy: MCP servery vystavujú RESTful endpointy podľa MCP štandardu – vrátane endpointu „zoznam schopností“, cez ktorý môžu klienti zisťovať dostupné nástroje, zdroje a prompty spolu s detailnými popismi.
• Dynamický workflow: Keď príde požiadavka používateľa (napr. „Chcem ísť na kávu s Petrom budúci týždeň“), MCP klient môže:
  • Dotazovať server na dostupné zdroje a nástroje.
  • Predložiť ich LLM a opýtať sa, ktoré sú relevantné pre splnenie požiadavky.
  • Získať a vložiť dáta do promptu LLM, alebo spustiť nástroje podľa odporúčania modelu.

Tento mechanizmus znamená, že hostiteľská aplikácia môže flexibilne podporovať nové integrácie alebo dátové zdroje bez zmeny kódu – stačí „zapojiť“ nové servery či nástroje.

Schéma workflowu MCP architektúry

Nižšie je zjednodušený vizuál workflowu MCP architektúry:

+-------------------------------+
|        Hostiteľská aplikácia  |
| (beží MCP klientská knižnica) |
+---------------+---------------+
                |
                |  1. Prompt používateľa
                v
+---------------+---------------+
|         MCP klient             |
+---------------+---------------+
                |
                | 2. Objavovanie schopností (HTTP/Lokálne)
                v
+-----------------------------------------------+
|                  MCP server                   |
|   (vystavuje RESTful endpointy, zdroje,       |
|    nástroje, prompty)                         |
+----------------+------------------------------+
                 |
   +-------------+----------------+
   |      3. Poskytuje:           |
   |  - Zoznam zdrojov/nástrojov  |
   |  - Popisy/schémy             |
   +------------------------------+
                 |
                 v
+-----------------------------------------------+
|   Príklad workflowu:                          |
|   - Klient sa pýta LLM: "Ktoré zdroje/nástroje?"|
|   - LLM odpovie: "Použi zdroj X, nástroj Y"   |
|   - Klient stiahne zdroj X, spustí nástroj Y  |
|   - Výsledky vrátené používateľovi            |
+-----------------------------------------------+

Prečo je MCP dôležitý pre agentickú AI

S MCP sa AI integrácia presúva od statických, tvrdých spojení k dynamickej, škálovateľnej a skladateľnej agentickej AI architektúre. Klienti môžu objavovať a využívať nové nástroje či zdroje za behu a servery možno vrstviť alebo skladať – čo prináša skutočnú modularitu AI agentom. Táto architektúra je vhodná nielen pre hobby desktopové aplikácie, ale pripravuje pôdu pre profesionálne, podnikové riešenia, kde sú flexibilita a rozšíriteľnosť kritické.

Zhrnutie: Architektúra MCP umožňuje AI systémom byť skutočne agentickými – objavovať a spúšťať nástroje, pristupovať k aktuálnym alebo proprietárnym dátam a dynamicky rozširovať schopnosti – všetko cez štandardizovaný, robustný protokol. Toto je brána do ďalšej generácie plugovateľnej, profesionálnej agentickej AI.

Agentická AI v akcii: MCP workflow pre plánovanie a automatizáciu

Buďme praktickí a pozrime sa, ako agentická AI poháňaná Model Context Protocol (MCP) mení bežné plánovanie – napríklad stretnutie na káve s priateľom – na bezproblémový, plugovateľný workflow. Táto sekcia vás prevedie reálnym prípadom použitia a ukáže presne, ako spolupracujú hostiteľská appka, MCP klient, MCP server a LLM (veľký jazykový model) na automatizácii a orchestrácii stretnutí. Zdôrazníme skladateľnosť, plugovateľnosť a dynamickú integráciu, vďaka ktorým je MCP pre AI workflow revolučný.

Prechádzka use-caseom: Zabezpečenie kávy s priateľom

Predstavte si, že chcete vytvoriť aplikáciu na plánovanie kávových stretnutí – či už s kolegom, priateľom, alebo niekym výnimočným. Takto workflow s agentickou AI a MCP vyzerá:

1. Hostiteľská aplikácia

Všetko začína hostiteľskou aplikáciou (napríklad scheduling appkou). Táto app integruje MCP klientsku knižnicu, ktorá je mostom medzi vašou aplikáciou a agentickými AI zdrojmi.

2. MCP klient

MCP klient začína tým, že prijme prompt od používateľa, napríklad:
„Chcem ísť na kávu s Petrom budúci týždeň.“

V tejto fáze musí aplikácia zistiť, ako túto požiadavku interpretovať a vykonať. Potrebuje viac než textovú odpoveď – potrebuje reálnu akciu.

3. Objavenie schopností

Aby zistil, čo je možné vykonať, MCP klient sa dotazuje MCP servera na zoznam dostupných schopností, nástrojov a zdrojov (napríklad kalendárne API, zoznamy kaviarní či rezervačné systémy). Všetko je objaviteľné cez dobre definovaný RESTful endpoint, takže nové nástroje možno pripojiť bez úprav jadra aplikácie.

Klient sa môže riadiť konfiguračným súborom s registrovanými URL serverov.

4. Využitie LLM na výber zdrojov

MCP klient potom pošle prompt používateľa spolu so zoznamom dostupných zdrojov do LLM. LLM pomáha rozhodnúť, ktoré zdroje sú relevantné:

• Vstup pre LLM:
  • Prompt používateľa: „Chcem ísť na kávu s Petrom budúci týždeň.“
  • Zoznam zdrojov: Prístup ku kalendáru, adresár kaviarní, rezervačný nástroj.
• Výstup z LLM:
  • „Relevantný je zdroj dva, adresár kaviarní. Prosím, načítajte ho.“

5. Získanie a integrácia dát

Na odporúčanie LLM MCP klient získa požadovaný zdroj (napr. zoznam kaviarní) z MCP servera. Tieto dáta sú potom pripojené k ďalšiemu promptu pre LLM, ktorý tak získa kontext na odporúčanie ďalších akcií.

6. Spúšťanie nástrojov a orchestrácia

LLM má teraz k dispozícii zámer používateľa aj aktuálne dáta. Vráti odporúčanie ako napríklad:

• „Spustite kalendárny nástroj na návrh termínov; použite rezervačný nástroj na rezerváciu stola v tejto kaviarni.“

Popisy a schémy každého nástroja sú poskytnuté LLM ako štruktúrované dáta (nie len text), čo mu umožňuje navrhnúť konkrétne spustenia nástrojov a parametre.

7. Hostiteľská aplikácia vykoná akcie

MCP klient vezme odporúčania LLM a spustí potrebné nástroje:

• Zavolá kalendárne API na overenie voľných termínov.
• Použije rezervačný nástroj na rezerváciu v preferovanej kaviarni.
• Môže vyžadovať potvrdenie od používateľa pred finalizáciou akcií.

Hostiteľská appka vďaka architektúre MCP môže podľa potreby pridávať či vymieňať nástroje bez prepísania logiky.