MCP: Model Context-protokoll

Definition

Model Context Protocol (MCP) är ett öppet standardgränssnitt som gör det möjligt för stora språkmodeller (LLM:er) att på ett säkert och konsekvent sätt få tillgång till externa datakällor, verktyg och funktioner. Det etablerar ett standardiserat kommunikationslager mellan AI-applikationer och olika kontextleverantörer, och fungerar som “USB-C” för AI-system.

Huvudkomponenter

Arkitektur

MCP följer en klient-serverarkitektur:

• MCP-värdar: Applikationer där användare eller AI-system interagerar (t.ex. Claude Desktop, IDE-plugins)
• MCP-klienter: Komponenter inom värdapplikationer som hanterar kommunikationen med servrar
• MCP-servrar: Lätta program som exponerar specifika funktioner (filåtkomst, databasanslutningar, API-åtkomst) via det standardiserade MCP-gränssnittet
• Datakällor: Lokala eller fjärrstyrda informationskällor som MCP-servrar kan nå på ett säkert sätt

Kärnprimitiver

MCP definierar tre grundläggande primitiva byggstenar som utgör protokollets fundament:

1. Resurser

Resurser representerar data och innehåll som MCP-servrar gör tillgängliga för LLM:er.

• Egenskaper: Applikationsstyrda, identifierade med unika URI:er
• Datatyper: Text (UTF-8-kodad) eller Binär (Base64-kodad)
• Upptäcktsmetoder: Direkt listning eller mallar för dynamiska resursförfrågningar
• Operationer: Läsa innehåll, ta emot uppdateringar

Exempel på användning: En MCP-server som exponerar en loggfil som resurs med URI file:///logs/app.log

2. Prompter

Prompter är fördefinierade mallar eller arbetsflöden som servrar erbjuder för att styra interaktioner med LLM:er.

• Egenskaper: Användarinitierade, visas ofta som snedstreckskommandon
• Struktur: Unikt namn, beskrivning, valfria argument
• Funktioner: Tar emot anpassningsargument, kan inkludera resurskontext, definiera flersteginteraktioner
• Operationer: Upptäcks via listning, körs på begäran

Exempel på användning: En prompt för att generera git-commitmeddelande som tar kodändringar som indata

3. Verktyg

Verktyg exponerar exekverbara funktioner som LLM:er kan anropa (vanligtvis med användarens godkännande) för att utföra åtgärder.

• Egenskaper: Modellstyrda, kräver väldefinierade inmatningsscheman
• Annotationer: Inkluderar ledtrådar om beteende (endast läsning, destruktiva, idempotenta, open-world)
• Säkerhetsfunktioner: Inmatningsvalidering, åtkomstkontroll, tydliga användarvarningar
• Operationer: Upptäcks via listning, exekveras genom anrop med parametrar

Exempel på användning: Ett kalkylatorverktyg som utför matematiska operationer på modellens indata

Redo att växa ditt företag?

Starta din kostnadsfria provperiod idag och se resultat inom några dagar.

Begär demo Logga in

Betydelse och fördelar

För utvecklare

• Standardiserad integrering: Koppla AI-applikationer till olika datakällor utan egen anpassad kod för varje integration
• Säkerhetsriktlinjer: Inbyggda riktlinjer för att på ett säkert sätt exponera känslig information
• Förenklad arkitektur: Tydlig separation mellan AI-modeller och deras kontextkällor

För användare och organisationer

• Flexibilitet: Enklare att växla mellan olika LLM-leverantörer eller värdapplikationer
• Interoperabilitet: Minskad inlåsning till leverantörer tack vare standardiserade gränssnitt
• Utökade möjligheter: AI-system får tillgång till mer varierad information och fler åtgärdsfunktioner

Implementeringsexempel

Filresursserver

// Server som exponerar en enda loggfil som resurs
const server = new Server({ /* config */ }, { capabilities: { resources: {} } });

// Lista tillgängliga resurser
server.setRequestHandler(ListResourcesRequestSchema, async () => {
  return {
    resources: [
      {
        uri: "file:///logs/app.log",
        name: "Applikationsloggar",
        mimeType: "text/plain"
      }
    ]
  };
});

// Tillhandahåll resursinnehåll
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("Resursen hittades inte");
});

Kalkylatorverktygsserver

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

// Lista tillgängliga verktyg
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [{
      name: "calculate_sum",
      description: "Addera två tal",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number", description: "Första talet" },
          b: { type: "number", description: "Andra talet" }
        },
        required: ["a", "b"]
      },
      annotations: {
        title: "Beräkna summa",
        readOnlyHint: true,
        openWorldHint: false
      }
    }]
  };
});

// Hantera verktygsexekvering
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("Ogiltig inmatning: 'a' och 'b' måste vara tal.");
      }
      const sum = a + b;
      return {
        content: [{ type: "text", text: String(sum) }]
      };
    } catch (error: any) {
      return {
        isError: true,
        content: [{ type: "text", text: `Fel vid beräkning av summa: ${error.message}` }]
      };
    }
  }
  throw new Error("Verktyget hittades inte");
});

Gå med i vårt nyhetsbrev

Få de senaste tipsen, trenderna och erbjudandena gratis.

E-postadress

Prenumerera

Relaterade begrepp

• LLM-funktionsanrop: Model Context Protocol tillhandahåller ett standardiserat tillvägagångssätt för konceptet att LLM:er anropar funktioner
• AI-agenter: MCP erbjuder ett strukturerat sätt för agentbaserade AI-system att få tillgång till verktyg och information
• AI-plugins: Precis som webbläsartillägg kan MCP-servrar betraktas som “plugins” som utökar AI-funktionalitet

Framtida riktningar

• Enterprise-AI-integrering: Koppla samman företagskunskapsbaser, verktyg och arbetsflöden
• Multimodal AI: Standardisera åtkomst till olika typer av data utöver text
• Samarbetande AI-system: Möjliggöra för AI-assistenter att samarbeta genom gemensamma protokoll