Исследователь Alliance DAO: Просто о сложном — концепция MCP, недавно ставшая популярной в сфере ИИ

Автор:Mohamed ElSeidy

Перевод: TechFlow

Введение

Вчера связанный с AI токен $Dark в сети Solana вышел на Binance Alpha, и на данный момент его рыночная капитализация достигла около 40 миллионов долларов.

В последнем нарративе крипто-AI $Dark тесно связан с “MCP” (протокол модельного контекста), и это также область, на которую недавно обратили внимание и которую исследуют Web2-технологические компании, такие как Google.

Однако на данный момент статей, которые четко объясняют концепцию MCP и влияние этого нарратива, не так много.

Ниже представлена подробная статья исследователя Alliance DAO Mohamed ElSeidy о протоколе MCP, написанная простым языком, объясняющая принципы и позиционирование MCP, что, возможно, поможет нам быстро понять последний нарратив.

TechFlow подготовил полный перевод этой статьи.

За годы моей работы в Alliance я видел, как countless основателей создавали свои собственные специализированные инструменты и интеграции данных, которые были встроены в их AI-агентов и рабочие процессы. Однако эти алгоритмы, формализации и уникальные наборы данных были заблокированы за кастомными интеграциями, и редко кто их использовал.

С появлением протокола модельного контекста (Model Context Protocol, MCP) эта ситуация быстро меняется. MCP определяется как открытый протокол, который стандартизирует то, как приложения взаимодействуют с большими языковыми моделями (LLM) и предоставляют контекст. Одна из моих любимых аналогий: “ДляAI-приложений MCP — это какUSB-C в железе”; он стандартизирован, plug-and-play, многофункционален и трансформационен.

Почему MCP?

Большие языковые модели (такие как Claude, OpenAI, LLAMA и др.) очень мощны, но они ограничены информацией, к которой могут получить доступ в настоящее время. Это означает, что у них обычно есть cutoff знаний, они не могут независимо сканировать интернет, а также не могут напрямую получать доступ к вашим личным файлам или специализированным инструментам без某种形式的 интеграции.

В частности, до этого разработчики сталкивались с тремя основными вызовами при подключении LLM к внешним данным и инструментам:

1. Сложность интеграции: Создание отдельных интеграций для каждой платформы (такой как Claude, ChatGPT и т.д.) требует повторной работы и поддержки нескольких кодовых баз.

2. Фрагментация инструментов: Каждая функциональность инструмента (например, доступ к файлам, подключения API и т.д.) требует собственного кода интеграции и моделей разрешений.

3. Ограниченное распространение: Специализированные инструменты ограничены конкретной платформой, что ограничивает их охват и влияние.

MCP решает эти проблемы, предоставляя стандартизированный подход, позволяющий любой LLM безопасно получать доступ к внешним инструментам и источникам данных через универсальный протокол. Теперь, когда мы поняли, что делает MCP, давайте посмотрим, что люди строят с его помощью.

Что люди строят с помощью MCP?

Экосистема MCP в настоящее время переживает всплеск инноваций. Вот несколько последних примеров работ разработчиков, которые я нашел в Twitter:

1. Раскадровка на основе AI: Интеграция MCP, позволяющая Claude управлять ChatGPT-4o для автоматической генерации полных раскадровок в стиле Ghibli без вмешательства человека.

2. Интеграция голоса ElevenLabs: Сервер MCP, предоставляющий Claude и Cursor доступ ко всей платформе AI-аудио через простые текстовые запросы. Эта интеграция достаточно мощная, чтобы создавать голосовых агентов, способных совершать исходящие звонки. Это демонстрирует, как MCP может расширить текущие AI-инструменты в аудиосферу.

3. Автоматизация браузера с помощью Playwright: Сервер MCP, позволяющий AI-агентам управлять веб-браузером без скриншотов или визуальных моделей. Это создает новые возможности для автоматизации веба, позволяя LLM напрямую управлять взаимодействием с браузером стандартизированным способом.

4. Личная интеграция WhatsApp: Сервер, подключающий личный аккаунт WhatsApp, позволяющий Claude искать сообщения и контакты, а также отправлять новые сообщения.

5. Инструмент поиска Airbnb: Инструмент поиска квартир Airbnb, демонстрирующий простоту MCP и способность создавать практические приложения для взаимодействия с веб-сервисами.

6. Система управления роботами: Контроллер MCP для роботов. Этот пример преодолевает разрыв между LLM и физическим оборудованием, демонстрируя потенциал MCP в приложениях IoT и робототехнике.

7. Google Maps и локальный поиск: Подключает Claude к данным Google Maps, создавая систему, которая может находить и рекомендовать локальные бизнесы (например, кофейни). Это расширение позволяет AI-ассистентам предоставлять услуги на основе местоположения.

8. Интеграция блокчейна: Проект Lyra MCP приносит возможности MCP в StoryProtocol и другие web3-платформы. Это позволяет взаимодействовать с данными блокчейна и смарт-контрактами, открывая новые возможности для децентрализованных приложений с улучшением AI.

Примечательно в этих примерах их разнообразие. За короткое время с момента запуска MCP разработчики создали интеграции, охватывающие производство креативного медиа, коммуникационные платформы, управление оборудованием, услуги геолокации и технологию блокчейн. Эти различные приложения следуют одному стандартизированному протоколу, демонстрируя универсальность MCP и его потенциал стать универсальным стандартом для интеграции AI-инструментов.

Если вы хотите查看 полный набор серверов MCP, вы можете посетитьофициальный репозиторий серверов MCP на GitHub. Перед использованием любого сервера MCP внимательно прочитать отказ от ответственности и осторожно относиться к запуску и авторизации контента.

Обещания и хайп

Столкнувшись с любой новой технологией, стоит спросить: действительно ли MCP трансформационна, или это просто еще один переоцененный инструмент, который в итоге исчезнет?

Наблюдая за множеством стартапов, я верю, что MCP представляет собой настоящий поворотный момент в развитии AI. В отличие от многих трендов, обещавших революцию, но принесших лишь постепенные изменения, MCP является повышением производительности, решающим инфраструктурные проблемы, препятствующие развитию всей экосистемы.

Ее особенность в том, что она не пытается заменить существующие модели AI или конкурировать с ними, а делает их более полезными, подключая их к необходимым внешним инструментам и данным.

Тем не менее, обоснованные опасения regarding безопасности и стандартизации остаются. Как и любой протокол на ранних стадиях, мы можем увидеть трудности роста, поскольку сообщество отрабатывает лучшие практики в области аудита, разрешений, аутентификации и валидации серверов. Разработчики должны доверять функциональности этих серверов MCP, не доверять им слепо, особенно когда их станет много. В статье обсуждаются недавние уязвимости, выявленные из-за слепого использования непроверенных серверов MCP, даже при локальном запуске.

Будущее AI заключается в контекстуализации

Самые мощные приложения AI больше не будут автономными моделями, а станут экосистемой специализированных возможностей, соединенных через стандартизированные протоколы, такие как MCP. Для стартапов MCP представляет возможность строить специализированные компоненты, подходящие для этих растущих экосистем. Это возможность использовать ваши уникальные знания и возможности, одновременно извлекая выгоду из больших инвестиций в базовые модели.

Заглядывая в будущее, можно ожидать, что MCP станет фундаментальным компонентом инфраструктуры AI, как HTTP для веба. По мере созревания протокола и роста принятия мы, вероятно, увидим появление рынка специализированных серверов MCP, позволяющего системам AI использовать почти любые мыслимые возможности или источники данных.

Ваш стартап пытался внедрить MCP? Я хотел бы услышать ваш опыт в комментариях. Если вы построили что-то интересное в этой области, свяжитесь с нами через@alliancedao и подайте заявку.

Приложение

Для тех, кто заинтересован в том, как MCP работает на самом деле, следующее приложение предоставляет техническую разбивку его архитектуры, рабочего процесса и реализации.

За кулисами MCP

Подобно тому, как HTTP стандартизировал доступ веба к внешним источникам данных и информации, MCP сделал это для фреймворков AI, создав универсальный язык, позволяющий различным системам AI беспрепятственно общаться. Давайте исследуем, как это работает.

Архитектура и процесс MCP

Основная архитектура следует модели клиент-сервер, состоящей из четырех ключевых компонентов, работающих вместе:

1. ХостMCP: Включает desktop-приложения AI, такие как Claude или ChatGPT, IDE, такие как cursorAI или VSCode, или другие инструменты AI, нуждающиеся в доступе к внешним данным и функциям.

2. КлиентMCP: Обработчик протокола, встроенный в хост, поддерживающий соединение один-к-одному с серверами MCP.

3. СерверMCP: Легковесные программы, предоставляющие определенные возможности через стандартизированный протокол.

4. Источники данных: Включает файлы, базы данных, API и сервисы, к которым серверы MCP могут безопасно получать доступ.

Теперь, когда мы обсудили эти компоненты, посмотрим на их взаимодействие в типичном рабочем процессе:

1. Взаимодействие с пользователем: Пользователь задает вопрос или делает запрос в хосте MCP (например, Claude Desktop).

2. Анализ LLM: LLM анализирует запрос и определяет необходимость внешней информации или инструментов для предоставления полного ответа.

3. Обнаружение инструментов: Клиент MCP опрашивает подключенные серверы MCP для обнаружения доступных инструментов.

4. Выбор инструмента: LLM решает, какие инструменты использовать, на основе запроса и доступных возможностей.

5. Запрос разрешения: Хост запрашивает разрешение у пользователя на выполнение выбранных инструментов для обеспечения прозрачности и безопасности.

6. Выполнение инструмента: После одобрения клиент MCP отправляет запрос соответствующему серверу MCP, который использует свой специализированный доступ к источникам данных для выполнения действия.

7. Обработка результатов: Сервер возвращает результаты клиенту, который форматирует их для использования LLM.

8. Генерация ответа: LLM интегрирует внешнюю информацию в полный ответ.

9. Представление пользователю: Наконец, ответ представляется конечному пользователю.

Сила этой архитектуры в том, что каждый сервер MCP фокусируется на определенной области, но использует стандартизированный протокол связи. Таким образом, разработчикам не нужно перестраивать интеграции для каждой платформы,只需 разработать инструмент один раз, чтобы служить всей экосистеме AI.

Как создать ваш первый сервер MCP

Теперь давайте посмотрим, как реализовать простой сервер MCP в несколько строк кода, используя MCP SDK.

В этом простом примере мы хотим расширить возможности Claude Desktop, чтобы он мог отвечать на вопросы, такие как “Какие кофейни рядом с Центральным парком?”, используя информацию из Google Maps. Вы можете легко расширить эту функцию для получения отзывов или рейтингов. Но сейчас мы фокусируемся на инструменте MCP find_nearby_places, который позволит Claude получать эту информацию напрямую из Google Maps и представлять результаты в разговорной форме.

Как видите, код очень прост. Сначала он преобразует запрос в поиск Google Maps API, затем возвращает лучшие результаты в структурированном формате. Таким образом, информация передается обратно LLM для дальнейшего принятия решений.

Теперь нужно сообщить Claude Desktop об этом инструменте, поэтому регистрируем его в конфигурационном файле следующим образом:

Путь macOS:

~/Library/Application Support/Claude/claude_desktop_config.json

Путь Windows:

%APPDATA%\Claude\claude_desktop_config.json

Вот и все, вы закончили! Теперь вы успешно расширили возможности Claude и можете искать места в реальном времени из Google Maps.