Переслав оригінальний заголовок «Стандарт USB-C для штучного інтелекту: Розуміння MCP»

Протягом моїх років в Alliance я бачив, як безліч засновників створюють власні спеціалізовані інструменти та інтеграції даних, вбудовані в їх штучні інтелектуальні агенти та робочі процеси. Однак ці алгоритми, формалізації та унікальні набори даних зачинені за кастомними інтеграціями, які мало хто коли-небудь використовував би.

Це стрімко змінюється завдяки появі Протоколу контексту моделі. MCP визначається як відкритий протокол, який стандартизує спосіб спілкування додатків та надання контексту LLM. Одна аналогія, яка мені дуже сподобалася, полягає в тому, що «MCP для додатків ШІ подібні до USB-C для апаратного забезпечення»; це стандартизовано, можна використовувати з легкістю, універсально та трансформаційно.

Чому MCP?

LLM-моделі, такі як Клод, OpenAI, LLAMA та інші, надзвичайно потужні, але вони обмежені інформацією, до якої вони можуть мати доступ на даний момент. Це означає, що вони зазвичай мають обмеження знань, не можуть самостійно переглядати веб-сторінки і не мають прямого доступу до ваших особистих файлів або спеціалізованих інструментів без певної форми інтеграції.

Зокрема, розробники стикались з трьома основними викликами при підключенні LLMs до зовнішніх даних та інструментів:

1. Складність інтеграції: Побудова окремих інтеграцій для кожної платформи штучного інтелекту (Claude, ChatGPT та ін.) потребувала дублювання зусиль та підтримки кількох кодових баз
2. Фрагментація інструментів: Кожна функціональність інструменту (наприклад, доступ до файлів, підключення API тощо) потребує власного спеціалізованого коду і моделі дозволів
3. Обмежений розподіл: Спеціалізовані інструменти обмежувалися конкретними платформами, обмежуючи їх досягнення та вплив

MCP вирішує ці проблеми, надаючи стандартизований спосіб для будь-якого LLM, щоб безпечно отримувати доступ до зовнішніх інструментів та джерел даних за допомогою загального протоколу. Тепер, коли ми розуміємо, що робить MCP, давайте подивимося, що люди будують з його допомогою.

Що будують люди з MCP?

Екосистема MCP наразі вибухає інноваціями. Ось декілька останніх прикладів, які я знайшов в Twitter, розробники демонструють свою роботу.

• Створення сценаріїв з використанням штучного інтелекту: Інтеграція MCP, яка дозволяє Клоду керувати ChatGPT-4o, автоматично генеруючи повні сценарії у стилі Ghibli без будь-якого втручання людини.
• Інтеграція голосу ElevenLabs: Сервер MCP, який надає Клоду та Курсору доступ до їхньої повної аудіо-платформи штучного інтелекту через прості текстові вказівки. Інтеграція настільки потужна, що може створювати голосових агентів, які можуть здійснювати вихідні телефонні дзвінки. Це демонструє, як MCP може розширювати поточні інструменти ШШІ в аудіо-сферу.
• Автоматизація браузера з Playwright: Сервер MCP, що дозволяє AI-агентам керувати веб-браузерами без необхідності знімків екрану або моделей зору. Це відкриває нові можливості для автоматизації веб-сайтів, надаючи LLMs прямий контроль над взаємодією з браузером у стандартизований спосіб.
• Персональна інтеграція WhatsApp: Сервер, який підключається до особистих облікових записів WhatsApp, дозволяючи Клоду шукати повідомлення та контакти, а також відправляти нові повідомлення.
• Інструмент пошуку Airbnb: Інструмент пошуку квартир Airbnb, що демонструє простоту та потужність MCP при створенні практичних програм, що взаємодіють з веб-сервісами.
• Система керування роботом: Контролер MCP для робота. Приклад зменшує відстань між LLMs та фізичним обладнанням, показуючи потенціал MCP для застосувань Інтернету речей та робототехніки.
• Google Maps та локальний пошук: Підключаючи Клода до даних Google Maps, створюючи систему, яка може знаходити та рекомендувати місцеві бізнеси, наприклад, кав'ярні. Це розширення дозволяє штучному інтелекту з локаційними сервісами.
• Інтеграція блокчейну: Проект Lyra MCP надає можливості MCP для StoryProtocol та інших веб3 платформ. Це дозволяє взаємодію з даними блокчейну та смарт-контрактами, відкриваючи нові можливості для децентралізованих застосунків, покращених штучним інтелектом.

Що робить ці приклади особливо переконливими, це їх різноманітність. За короткий час з моменту введення розробники створили інтеграції, що охоплюють творче медіа-виробництво, платформи зв'язку, керування обладнанням, місцеві служби та технологію блокчейн. Усі ці різноманітні застосування слідують за однаковим стандартизованим протоколом, демонструючи універсальність та потенціал MCP стати універсальним стандартом для інтеграції засобів штучного інтелекту.

Для комплексної колекції серверів MC, перевіртеофіційний репозиторій серверів MCP на GitHub. З обережним відмовленням, перш ніж використовувати будь-який сервер MC, будьте обережні стосовно того, що ви запускаєте і які дозволи надаєте.

Обіцянка проти Гіпу

З будь-якою новою технологією варто запитати: Чи є МСР дійсно трансформаційним, чи це лише ще один переоцінений інструмент, який зникне?

Подивившись на безліч стартапів у цьому просторі, я вважаю, що MCP є справжньою точкою відгалуження для розвитку штучного інтелекту. На відміну від багатьох тенденцій, які обіцяють революцію, але забезпечують інкрементальні зміни, MCP є збільшенням продуктивності, яке вирішує фундаментальну інфраструктурну проблему, яка стримувала весь екосистему.

Що робить його особливо цінним, це те, що він не намагається замінити існуючі моделі штучного інтелекту або конкурувати з ними, а замість цього робить їх усіх більш корисними, з'єднуючи їх з зовнішніми інструментами та даними, які їм потрібні.

Зазначено, що існують обґрунтовані питання щодо безпеки та стандартизації. Як і з будь-яким протоколом на початкових етапах, ймовірно, ми побачимо важкості, поки спільнота визначить найкращі практики щодо перевірок, дозволів, автентифікації та перевірки сервера. Розробник повинен довіряти функціональності цих серверів MCP та не повинен сліпо їм довіряти, особливо оскільки їх стало багато. Ця статтяОбговорює деякі з недавніх вразливостей, виявлених бліндом за допомогою серверів MCP, які не були ретельно перевірені, навіть якщо ви запускаєте його локально.

Майбутнє штучного інтелекту - контекстуальне

Найпотужніші застосування штучного інтелекту не будуть автономними моделями, але екосистемами спеціалізованих можливостей, з'єднаних за стандартизованими протоколами, такими як MCP. Для стартапів MCP представляє можливість створювати спеціалізовані компоненти, які вписуються в ці зростаючі екосистеми. Це шанс використовувати ваші унікальні знання та можливості, отримуючи вигоду від масштабних інвестицій в базові моделі.

Очікується, що MCP стане фундаментальною частиною інфраструктури штучного інтелекту, схожою на те, як HTTP став для вебу. По мірі того, як протокол стане дорослим і зростатиме його прийняття, ймовірно, ми побачимо цілі ринки спеціалізованих серверів MCP, що дозволять системам штучного інтелекту використовувати практично будь-яку можливість або джерело даних.

Додаток

Для тих, хто зацікавлений у розумінні того, як насправді працює MCP під поверхнею, у наступному додатку наведено технічний розбір його архітектури, робочого процесу та впровадження.

Під капотами MCP

Подібно до того, як HTTP стандартизував спосіб доступу вебу до зовнішніх джерел даних та інформації, MCP робить для AI-фреймворків, створюючи спільну мову, яка дозволяє різним системам штучного інтелекту спілкуватися безперешкодно. Тож давайте розглянемо, як він це робить.

Архітектура та потік MCP

Основна архітектура слідує моделі клієнт-сервер з чотирма ключовими компонентами, які працюють разом:

• MCP Господарі: Робочі столи AI-застосунки, такі як Claude або ChatGPT, IDE, такі як cursorAI або VSCode, або інші AI-інструменти, які потребують доступу до зовнішніх даних та можливостей
• Клієнти MCP: Обробники протоколу, вбудовані в хости, які підтримують однозначні зв'язки з серверами MCP
• Сервери MCP: Легкі програми, які викривають конкретні функціональні можливості через стандартизований протокол
• Джерела даних: ваші файли, бази даних, API та сервіси, до яких сервери MCP можуть безпечно отримати доступ

Так отже, тепер, коли ми обговорили компоненти, давайте розглянемо, як вони взаємодіють в типовому робочому процесі:

1. Взаємодія користувача: вона починається з того, що користувач задає питання або робить запит в хості MCP, наприклад, на робочому столі Клода.
2. Аналіз LLM: LLM аналізує запит та визначає, що для надання повної відповіді потрібна зовнішня інформація або інструменти
3. Виявлення інструментів: Клієнт MCP запитує підключені сервери MCP, щоб виявити наявні інструменти
4. Вибір інструментів: LLM вирішує, які інструменти використовувати на основі запиту та наявних можливостей
5. Запит на дозвіл: Хост запитує у користувача дозвіл на виконання вибраного інструменту, який є важливим для прозорості та безпеки.
6. Виконання інструменту: Після затвердження клієнт MCP відправляє запит на відповідний сервер MCP, який виконує операцію зі спеціалізованим доступом до джерел даних
7. Обробка результатів: Сервер повертає результати клієнту, який форматує їх для LLM
8. Генерація відповіді: LLM включає зовнішню інформацію в комплексну відповідь
9. Презентація користувача: Нарешті, відповідь відображається кінцевому користувачеві

Те, що робить цю архітектуру потужною, полягає в тому, що кожен сервер MCP спеціалізується на конкретній галузі, але використовує стандартизований протокол зв'язку. Таким чином, розробники замість того, щоб перебудовувати інтеграції для кожної платформи, можуть лише фокусуватися на розробці інструментів один раз для всього свого екосистеми штучного інтелекту.

Як побудувати свій перший сервер MCP

Тепер давайте подивимося, як можна реалізувати простий сервер MCP за декілька рядків коду, використовуючи SDK MCP.

У цьому простому прикладі ми хочемо розширити можливість Claude Desktop відповідати на питання, такі як "Які кав'ярні поблизу Центрального парку?" з Google maps. Ви легко можете розширити це, щоб отримати відгуки або оцінки. Але наразі давайте зосередимося на інструменті MCP знаходження близьких місць, що дозволить Claude отримати цю інформацію безпосередньо з Google Maps та представити результати у розмовному форматі.

Як ви можете побачити, код дійсно простий. 1) Він перетворює запит на пошук у Google-карті API, а 2) повертає верхні результати у структурованому форматі. Таким чином, інформація повертається до LLM для подальшого прийняття рішення.

Тепер нам потрібно повідомити Claude Desktop про цей інструмент, тому ми реєструємо його в файлі конфігурації наступним чином.

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• Windows: %APPDATA%\Claude\claude_desktop_config.json

I ось, ви закінчили. Тепер ви просто розширили Клода, щоб знаходити реальний час розташування з Google maps.

Disclaimer：

1. Ця стаття взята з [MCXПересилаю оригінальний заголовок «Стандарт USB-C для ШІ: Розуміння MCP». Усі авторські права належать оригінальному автору@Drmelseidy]. Якщо є зауваження до цього перепублікування, будь ласка, зв'яжіться Gate Learnкоманда, і вони негайно вирішать це.

2. Відповідальність за відмову: Погляди та думки, висловлені в цій статті, належать виключно автору і не становлять жодної інвестиційної поради.

3. Переклади статті на інші мови виконуються командою Gate Learn. Якщо не зазначено інше, копіювання, поширення або плагіатування перекладених статей заборонено.