MCP: Protokol kontextu modelu

Definícia

Model Context Protocol (MCP) je otvorené štandardizované rozhranie, ktoré umožňuje veľkým jazykovým modelom (LLM) bezpečne a konzistentne pristupovať k externým dátovým zdrojom, nástrojom a možnostiam. Zavádza štandardizovanú komunikačnú vrstvu medzi AI aplikáciami a rôznymi poskytovateľmi kontextu, pričom slúži ako „USB-C“ pre AI systémy.

Kľúčové komponenty

Architektúra

MCP využíva klient-server architektúru:

• MCP hostitelia: Aplikácie, kde používatelia alebo AI systémy interagujú (napr. Claude Desktop, pluginy do IDE)
• MCP klienti: Komponenty v rámci hostiteľských aplikácií, ktoré zabezpečujú komunikáciu so servermi
• MCP servery: Ľahké programy sprístupňujúce konkrétne možnosti (prístup k súborom, databázové spojenia, prístup k API) cez štandardizované MCP rozhranie
• Dátové zdroje: Lokálne alebo vzdialené informačné úložiská, ku ktorým môžu MCP servery bezpečne pristupovať

Základné primitíva

MCP definuje tri základné primitíva, ktoré tvoria stavebné bloky protokolu:

1. Zdroje

Zdroje predstavujú dáta a obsah, ktoré MCP servery sprístupňujú LLM.

• Charakteristiky: Riadené aplikáciou, identifikované jedinečnými URI
• Typy dát: Text (kódovaný UTF-8) alebo binárne (kódované Base64)
• Metódy objavovania: Priame vypísanie alebo šablóny na dynamické požiadavky zdrojov
• Operácie: Čítanie obsahu, prijímanie aktualizácií

Ukážka použitia: MCP server sprístupňujúci log súbor ako zdroj s URI file:///logs/app.log

2. Výzvy (Prompts)

Výzvy sú preddefinované šablóny alebo pracovné postupy, ktoré servery ponúkajú na usmernenie interakcií LLM.

• Charakteristiky: Spúšťané používateľom, často sa zobrazujú ako príkazy so znakom lomítka
• Štruktúra: Jedinečný názov, popis, voliteľné argumenty
• Možnosti: Prijímajú vlastné argumenty, môžu využívať kontext zdrojov, definujú viacstupňové interakcie
• Operácie: Objavenie vypísaním, vykonanie na požiadanie

Ukážka použitia: Výzva na generovanie git commit správy, ktorá akceptuje zmeny v kóde ako vstup

3. Nástroje

Nástroje sprístupňujú vykonateľné funkcie, ktoré môže LLM vyvolať (zvyčajne so súhlasom používateľa) na vykonanie akcie.

• Charakteristiky: Riadené modelom, vyžadujú jasne definované schémy vstupov
• Anotácie: Obsahujú tipy o správaní (len na čítanie, deštruktívne, idempotentné, otvorený svet)
• Bezpečnostné prvky: Validácia vstupov, kontrola prístupu, jasné varovania pre používateľa
• Operácie: Objavenie vypísaním, vykonanie pomocou volaní s parametrami

Ukážka použitia: Kalkulačka, ktorá vykonáva matematické operácie na vstupoch poskytnutých modelom

Význam a výhody

Pre vývojárov

• Štandardizovaná integrácia: Prepojenie AI aplikácií s rôznymi dátovými zdrojmi bez potreby vlastného kódu pre každý z nich
• Bezpečnostné osvedčené postupy: Vstavané odporúčania na bezpečné sprístupňovanie citlivých informácií
• Zjednodušená architektúra: Jasné oddelenie medzi AI modelmi a ich zdrojmi kontextu

Pre používateľov a organizácie

• Flexibilita: Jednoduchší prechod medzi rôznymi poskytovateľmi LLM alebo hostiteľskými aplikáciami
• Interoperabilita: Znížená závislosť od jedného dodávateľa vďaka štandardizovaným rozhraniam
• Rozšírené možnosti: AI systémy získavajú prístup k rôznorodejším informáciám a akciám

Príklady implementácie

Server so súborovými zdrojmi

// Server sprístupňujúci jeden log súbor ako zdroj
const server = new Server({ /* config */ }, { capabilities: { resources: {} } });

// Vypísanie dostupných zdrojov
server.setRequestHandler(ListResourcesRequestSchema, async () => {
  return {
    resources: [
      {
        uri: "file:///logs/app.log",
        name: "Aplikačné logy",
        mimeType: "text/plain"
      }
    ]
  };
});

// Poskytnutie obsahu zdroja
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("Zdroj nebol nájdený");
});

Server s nástrojom kalkulačky

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

// Vypísanie dostupných nástrojov
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [{
      name: "calculate_sum",
      description: "Sčíta dve čísla",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number", description: "Prvé číslo" },
          b: { type: "number", description: "Druhé číslo" }
        },
        required: ["a", "b"]
      },
      annotations: {
        title: "Spočítať súčet",
        readOnlyHint: true,
        openWorldHint: false
      }
    }]
  };
});

// Spracovanie vykonania nástroja
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("Neplatný vstup: 'a' a 'b' musia byť čísla.");
      }
      const sum = a + b;
      return {
        content: [{ type: "text", text: String(sum) }]
      };
    } catch (error: any) {
      return {
        isError: true,
        content: [{ type: "text", text: `Chyba pri výpočte súčtu: ${error.message}` }]
      };
    }
  }
  throw new Error("Nástroj nebol nájdený");
});

Súvisiace pojmy

• LLM Function Calling: Model Context Protocol poskytuje štandardizovaný prístup k vyvolávaniu funkcií modelom LLM
• AI agenti: MCP ponúka štruktúrovaný spôsob, ako môžu agentové AI systémy pristupovať k nástrojom a informáciám
• AI pluginy: Podobne ako rozšírenia prehliadača, MCP servery možno vnímať ako „pluginy“, ktoré rozširujú možnosti AI

Budúce smerovanie

• Podniková AI integrácia: Prepojenie firemných vedomostných báz, nástrojov a pracovných postupov
• Multimodálna AI: Štandardizácia prístupu k rôznym typom dát nad rámec textu
• Spolupracujúce AI systémy: Umožnenie spolupráce AI asistentov cez spoločné protokoly