Skip to content

README.md

Latest commit

 

History

History
326 lines (242 loc) · 14.8 KB

README.md

File metadata and controls

326 lines (242 loc) · 14.8 KB

模型上下文協議 (MCP) 簡介：為何對可擴展 AI 應用程式如此重要

模型上下文協議簡介

(點擊上方圖片觀看本課程影片)

生成式 AI 應用程式是一大進步，因為它們通常讓使用者能以自然語言提示與應用程式互動。然而，當投入更多時間與資源發展此類應用程式時，你希望能輕鬆整合各項功能與資源，並且易於擴充，能讓應用程式同時支援多個模型，且處理各種模型細節。簡言之，構建生成式 AI 應用程式一開始很容易，但當其規模擴大且變得更複雜時，就需開始定義架構，並可能需要依賴標準，確保應用程式建構的一致性。這正是 MCP 出場，整理並提供一套標準。

🔍 什麼是模型上下文協議 (MCP)?

模型上下文協議（MCP） 是一個 開放且標準化的介面，允許大型語言模型（LLM）與外部工具、API 以及資料來源無縫互動。它提供了一致的架構，以強化 AI 模型在訓練資料以外的功能，使 AI 系統更智能、可擴展且更具回應性。

🎯 為什麼AI標準化很重要

隨着生成式 AI 應用程式越發複雜，採用標準以確保 可擴展性、可擴充性、可維護性 以及 避免廠商綁定 是至關重要的。MCP 解決了這些需求，通過：

  • 統一模型與工具的整合
  • 減少脆弱且零散的客製化解決方案
  • 允許多個不同廠商的模型共存於同一生態系統內

注意： MCP 雖自稱為開放標準，但沒有計劃透過任何既有標準組織，如 IEEE、IETF、W3C、ISO 或其他標準組織進行標準化。

📚 學習目標

閱讀本文後，你將能夠：

  • 定義 模型上下文協議 (MCP) 及其應用情境
  • 理解 MCP 如何標準化模型與工具的通訊
  • 識別 MCP 架構的核心組件
  • 探索 MCP 在企業和開發情境中的實際應用

💡 為何模型上下文協議 (MCP) 是改變遊戲規則

🔗 MCP 解決了 AI 互動的分散問題

在 MCP 出現之前，模型與工具的整合需要：

  • 針對每個工具-模型組合撰寫自訂程式碼
  • 每個廠商都有非標準的 API
  • 更新時常常導致斷裂問題
  • 面對更多工具時缺乏良好可擴展性

✅ MCP 標準化的優點

優點 說明
互通性 LLM 可無縫搭配不同廠商的工具
一致性 跨平台與工具的行為一致
重用性 工具一次建置，可跨專案和系統使用
開發加速 透過標準化的即插即用介面，減少開發時間

🧱 MCP 高階架構概覽

MCP 採用 客戶端-伺服器模型，其中：

  • MCP 主機 負責執行 AI 模型
  • MCP 用戶端 發起請求
  • MCP 伺服器 提供上下文、工具和功能

主要組件：

  • 資源 – 提供模型靜態或動態資料
  • 提示 – 預定義的工作流程，用於引導生成
  • 工具 – 可執行函式，如搜尋、計算等
  • 取樣 – 透過遞歸互動實現代理式行為
  • 引導 – 伺服器端發起的使用者輸入請求
  • 根目錄 – 伺服器存取控制的檔案系統邊界

協議架構：

MCP 採用兩層架構：

  • 資料層：基於 JSON-RPC 2.0 的通訊，包含生命週期管理與基本元件
  • 傳輸層：STDIO（本地通訊）與可串流 HTTP 搭配 SSE（遠端通訊）頻道

MCP 伺服器運作方式

MCP 伺服器的運作流程如下：

  • 請求流程：
    1. 最終使用者或代表其執行軟體發起請求。
    2. MCP 用戶端 將請求傳送給管理 AI 模型執行時環境的 MCP 主機。
    3. AI 模型 收到使用者提示後，可能透過一個或多個工具呼叫向外部工具或資料取得存取權。
    4. MCP 主機（而非模型本身）根據標準化協議，與相應的 MCP 伺服器 通訊。
  • MCP 主機功能：
    • 工具註冊中心：維護可用工具與其功能目錄。
    • 身份驗證：驗證工具存取權限。
    • 請求處理器：處理模型發出的工具請求。
    • 回應格式化器：將工具產生結果格式化為模型可理解格式。
  • MCP 伺服器執行：
    • MCP 主機 將工具呼叫導向一個或多個提供專門功能（如搜尋、計算、資料庫查詢）的 MCP 伺服器。
    • MCP 伺服器 執行相應操作並以一致格式將結果回傳給 MCP 主機。
    • MCP 主機 格式化並轉發這些結果給 AI 模型。
  • 回應完成：
    • AI 模型 將工具輸出整合成最終回應。
    • MCP 主機 將回應傳回 MCP 用戶端，由其交付給最終使用者或呼叫軟體。
---
title: MCP 架構與元件互動
description: 顯示 MCP 元件流程的圖表。
---
graph TD
    Client[MCP 用戶端/應用程式] -->|發送請求| H[MCP 主機]
    H -->|呼叫| A[AI 模型]
    A -->|工具呼叫請求| H
    H -->|MCP 協定| T1[MCP 伺服器工具 01：網路搜尋]
    H -->|MCP 協定| T2[MCP 伺服器工具 02：計算機工具]
    H -->|MCP 協定| T3[MCP 伺服器工具 03：資料庫存取工具]
    H -->|MCP 協定| T4[MCP 伺服器工具 04：檔案系統工具]
    H -->|發送回應| Client

    subgraph "MCP 主機元件"
        H
        G[工具註冊表]
        I[驗證]
        J[請求處理器]
        K[回應格式化器]
    end

    H <--> G
    H <--> I
    H <--> J
    H <--> K

    style A fill:#f9d5e5,stroke:#333,stroke-width:2px
    style H fill:#eeeeee,stroke:#333,stroke-width:2px
    style Client fill:#d5e8f9,stroke:#333,stroke-width:2px
    style G fill:#fffbe6,stroke:#333,stroke-width:1px
    style I fill:#fffbe6,stroke:#333,stroke-width:1px
    style J fill:#fffbe6,stroke:#333,stroke-width:1px
    style K fill:#fffbe6,stroke:#333,stroke-width:1px
    style T1 fill:#c2f0c2,stroke:#333,stroke-width:1px
    style T2 fill:#c2f0c2,stroke:#333,stroke-width:1px
    style T3 fill:#c2f0c2,stroke:#333,stroke-width:1px
    style T4 fill:#c2f0c2,stroke:#333,stroke-width:1px
Loading

👨‍💻 如何建置 MCP 伺服器（含範例）

MCP 伺服器讓你能透過提供資料和功能來擴充 LLM 的能力。

想試試看嗎？以下是基於不同語言與技術棧的 SDK，以及創建簡單 MCP 伺服器的範例：

🌍 MCP 的實際應用案例

MCP 延伸 AI 能力，實現各種應用：

應用 說明
企業資料整合 將 LLM 連結至資料庫、CRM 或內部工具
代理式 AI 系統 讓自主代理擁有工具存取與決策工作流程
多模式應用 將文字、影像和語音工具結合於統一 AI 應用程式中
即時資料整合 將即時資料引入 AI 互動，產出更精準、即時的結果

🧠 MCP = AI 互動的通用標準

模型上下文協議 (MCP) 如同 USB-C 物理連接為裝置所建立的標準，在 AI 領域，它提供了一致介面，讓模型（用戶端）能無縫整合外部工具與資料提供者（伺服器）。這消除了針對每個 API 或資料來源須制定多種客製化協議的需求。

基於 MCP，符合 MCP 標準的工具（稱為 MCP 伺服器）遵循統一標準。這些伺服器能列出可提供的工具或動作，並在 AI 代理請求時執行。支援 MCP 的 AI 代理平台能自動發現伺服器上可用的工具，並透過此標準協議呼叫。

💡 促進知識存取

除了提供工具外，MCP 亦促進知識存取。它讓應用程式能為大型語言模型（LLM）提供上下文，將其與各種資料來源連結。例如，某 MCP 伺服器可能代表公司的文件庫，允許代理按需檢索相關資訊。另一伺服器則可執行特定操作，如寄送電子郵件或更新紀錄。對代理來說，這些都是可使用的工具——部分提供資料（知識上下文），部分進行操作。MCP 有效管理這兩類功能。

代理連接 MCP 伺服器時，會自動透過標準格式了解伺服器的可用功能與可存取資料。這種標準化使工具能動態可用。例如，新增 MCP 伺服器至代理系統後，即刻可使用其功能，無需額外調整代理指令。

此流暢整合符合下圖所示架構，伺服器同時提供工具和知識，確保跨系統無縫協作。

👉 範例：可擴展代理解決方案

---
title: 可擴展代理解決方案與 MCP
description: 一張圖示說明使用者如何與連接多個 MCP 伺服器的 LLM 互動，每個伺服器同時提供知識與工具，建立一個可擴展的人工智慧系統架構
---
graph TD
    User -->|提示| LLM
    LLM -->|回應| User
    LLM -->|MCP| ServerA
    LLM -->|MCP| ServerB
    ServerA -->|通用連接器| ServerB
    ServerA --> KnowledgeA
    ServerA --> ToolsA
    ServerB --> KnowledgeB
    ServerB --> ToolsB

    subgraph Server A
        KnowledgeA[知識]
        ToolsA[工具]
    end

    subgraph Server B
        KnowledgeB[知識]
        ToolsB[工具]
    end
```通用連接器使 MCP 伺服器間能相互通訊並共享功能，讓 ServerA 可將任務授權給 ServerB，或存取其工具和知識。這種架構讓工具與資料在伺服器間聯邦，支持可擴展且模組化的代理架構。因 MCP 標準化了工具暴露，代理能動態發現並在伺服器間路由請求，無需硬編碼整合。

工具與知識的聯邦：跨伺服器存取工具與資料，實現更具擴展性和模組化的代理架構。

### 🔄 高階 MCP 場景 — 用戶端 LLM 整合

除了基本 MCP 架構之外，還有高階場景包含用戶端與伺服器端均具備 LLM，實現更複雜互動。下圖中，**用戶端應用程式** 可能是一個 IDE，具備多個 MCP 工具供 LLM 使用：

```mermaid
---
title: 進階 MCP 場景與客戶端-伺服器 LLM 整合
description: 一個序列圖顯示使用者、客戶端應用程式、客戶端 LLM、多個 MCP 伺服器與伺服器 LLM 之間的詳細互動流程，說明工具發現、使用者互動、直接呼叫工具和功能協商階段
---
sequenceDiagram
    autonumber
    actor User as 👤 使用者
    participant ClientApp as 🖥️ 客戶端應用程式
    participant ClientLLM as 🧠 客戶端 LLM
    participant Server1 as 🔧 MCP 伺服器 1
    participant Server2 as 📚 MCP 伺服器 2
    participant ServerLLM as 🤖 伺服器 LLM
    
    %% 發現階段
    rect rgb(220, 240, 255)
        Note over ClientApp, Server2: 工具發現階段
        ClientApp->>+Server1: 請求可用工具/資源
        Server1-->>-ClientApp: 回傳工具清單（JSON）
        ClientApp->>+Server2: 請求可用工具/資源
        Server2-->>-ClientApp: 回傳工具清單（JSON）
        Note right of ClientApp: 本地儲存合併後<br/>的工具目錄
    end
    
    %% 使用者互動
    rect rgb(255, 240, 220)
        Note over User, ClientLLM: 使用者互動階段
        User->>+ClientApp: 輸入自然語言提示
        ClientApp->>+ClientLLM: 轉送提示 + 工具目錄
        ClientLLM->>-ClientLLM: 分析提示並選擇工具
    end
    
    %% 場景 A：直接呼叫工具
    alt 直接呼叫工具
        rect rgb(220, 255, 220)
            Note over ClientApp, Server1: 場景 A：直接呼叫工具
            ClientLLM->>+ClientApp: 請求執行工具
            ClientApp->>+Server1: 執行指定工具
            Server1-->>-ClientApp: 回傳結果
            ClientApp->>+ClientLLM: 處理結果
            ClientLLM-->>-ClientApp: 產生回應
            ClientApp-->>-User: 顯示最終答案
        end
    
    %% 場景 B：功能協商（VS Code 風格）
    else 功能協商（VS Code 風格）
        rect rgb(255, 220, 220)
            Note over ClientApp, ServerLLM: 場景 B：功能協商
            ClientLLM->>+ClientApp: 辨識所需能力
            ClientApp->>+Server2: 協商功能/能力
            Server2->>+ServerLLM: 請求額外上下文
            ServerLLM-->>-Server2: 提供上下文
            Server2-->>-ClientApp: 回傳可用功能
            ClientApp->>+Server2: 呼叫協商後工具
            Server2-->>-ClientApp: 回傳結果
            ClientApp->>+ClientLLM: 處理結果
            ClientLLM-->>-ClientApp: 產生回應
            ClientApp-->>-User: 顯示最終答案
        end
    end
Loading

🔐 MCP 的實際好處

使用 MCP 的實際好處如下：

  • 新鮮度：模型能獲取超出訓練資料的即時資訊
  • 能力擴展：模型可利用專門工具完成未訓練的任務
  • 減少幻覺：外部資料源提供事實依據
  • 隱私保護：敏感資料能保留在安全環境中，避免寫入提示內容

📌 重點整理

以下是使用 MCP 的關鍵重點：

  • MCP 標準化 AI 模型與工具及資料的互動方式
  • 促進 擴充性、一致性與互通性
  • MCP 幫助 減少開發時間、提升可靠度、擴展模型功能
  • 客戶端-伺服器架構 支援靈活且可擴充的 AI 應用

🧠 練習題

思考一個你想建置的 AI 應用程式。

  • 有哪些 外部工具或資料 可以增強它的能力？
  • MCP 如何讓整合更 簡單且可靠？

相關資源

往後看

下一章：第1章：核心概念

免責聲明：
本文件使用 AI 翻譯服務 Co-op Translator 進行翻譯。雖然我們努力追求準確性，但請注意自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議採用專業人工翻譯。我們對因使用本翻譯所導致的任何誤解或誤譯不承擔任何責任。