0:00 Привет, в этом видео я покажу вам протокол контекста модели MCP. Мы собираемся создать клиентов MCP в рабочем процессе N8N, и вы также узнаете, как создавать NN локально, поскольку локальный NN абсолютно бесплатен. Таким образом, вы можете свободно тестировать и отрабатывать новые рабочие процессы, новые агентские рабочие процессы. Мы также будем использовать Docker Desktop для запуска чего угодно. Это делает задачу очень простой практически для всех, потому что независимо от того, какая у вас операционная система, вы можете легко установить Docker Desktop, а затем запустить NHN на своем Docker. После этого мы рассмотрим концепцию модельного контекстного протокола MCP
0:47 . Я покажу вам несколько слайдов, чтобы рассказать, почему мы используем MCP и какова была причина того, что MCP фактически появился в мире Genai, а затем мы собираемся создать новый рабочий процесс с нуля, добавить туда клиентов MCP, поработать с клиентами MCP, а также подключиться к одному из API, в качестве которого в этом видео я выбрал API поиска Brave, поэтому мы собираемся изучить возможности MCP в контексте рабочих процессов NAT. Это будет довольно интересный и очень простой в освоении урок. Итак, не дожидаясь ответа, давайте начнем.
1:35 На этом занятии мы изучим протокол контекста модели MCP, а также узнаем, почему нам вообще нужно изучать MCP. Итак, MCP означает протокол контекста модели, и, как мы знаем, он расширит возможности LLM посредством стандартизированной интеграции. Но сначала нам действительно нужно узнать, зачем нам вообще понадобилось что-то вроде МКП. Поэтому, чтобы ответить на этот вопрос, вероятно, будет полезно взглянуть на базовую архитектурную модель большой языковой модели и посмотреть, сможем ли мы найти ответы там. Так что же делают LLM без MCP? Это хороший вопрос.
2:20 Поэтому мы хотим рассмотреть большие языковые модели и увидеть, как это выглядит, когда MCP не существует. Таким образом, LLM обрабатывает входящий текст и генерирует для нас вывод. И самое интересное в этом процессе то, что LLM ограничен теми знаниями, которые у него есть. Например, если мы говорим о GPT40, вероятно, мы говорим о данных, которые обрабатывались LLM, например, до конца 2024 года. Так что если у вас есть вопросы о 2025 году, я говорю о 2025 году, вероятно, LLM ничего об этом не знает, а большая языковая модель довольно изолирована со своими данными и не имеет доступа
3:07 к какой-либо внешней системе. По умолчанию у него нет доступа ни к каким инструментам, а также нет доступа к каким-либо другим источникам данных. Поэтому очень важно учитывать, что когда мы говорим о больших языковых моделях, мы говорим о том, что данные обрабатываются и существуют в большой языковой модели. Таким образом, старые возможности большой языковой модели ограничены этими данными. Итак, здесь у нас есть контекстная проблема. Как мы уже говорили, мы ограничены информацией, предоставленной в подсказке, не имеем реального доступа к данным и не обладаем информацией, касающейся конкретного пользователя. Исходя из этого, модели хороши ровно настолько, насколько хорош предоставленный им контекст. Чем более
3:54 содержательный контекст мы им предоставим, тем лучший ответ мы получим на выходе. Но это проблема, потому что не всегда мы можем предоставить все через контекст, и это также будет довольно сложной задачей с большими приложениями на основе языковой модели. Итак, взгляните на проблемы еще раз: нет внешнего доступа, нет активного мониторинга, невозможно наблюдать за состояниями или событиями системы без специализированных подключений, что означает, что большая языковая модель не имеет доступа к различным инструментам по умолчанию, а также не имеет исполнительной мощности. Наша большая языковая модель не может напрямую манипулировать или инициировать какие-либо действия в других приложениях. Таким образом, по сути, большие языковые модели неспособны на что-либо
4:41 осмысленное, выходящее за рамки генерации текста, или, может быть, мы можем назвать это генерацией изображений или генерацией видео. Итак, мы можем рассмотреть здесь пример, который весьма интересен. Например, если вы зададите эту подсказку приложению на основе LLM , можете ли вы заглянуть в базу данных заказов и проверить, совпадает ли сводка заказов с той, что представлена в моих презентациях? Если вы зададите этот вопрос, без надлежащей интеграции LLM не сможет получить доступ к вашей базе данных, чтобы просмотреть данные и сделать запрос к ним. Невозможно получить информацию о заказе. Кроме того, если у LLM нет доступа к вашим слайдам, он не сможет обработать
5:27 содержимое слайдов, а также найти соответствующую информацию для ваших заказов и, конечно, в конце он не сможет выполнить сравнение. Это и есть самая большая проблема с базовыми приложениями LLM, где мы фактически не можем обрабатывать такие запросы из-за отсутствия многих возможностей LLM. Но прежде чем появился MCP , мы смогли начать использовать инструменты и подключить их к LLM. На этом рисунке, как вы можете видеть, мы подключили несколько инструментов к LLM. И конечно, это очень концептуальная картина. Дело не в технической стороне. Речь идет о том, что мы смогли использовать
6:12 различные инструменты в крупных приложениях на основе языковых моделей. Но это также было сопряжено со множеством трудностей. Например, первоначальная попытка подключения к LLM с помощью инструментов привела к созданию фрагментированной экосистемы со множеством различных проблем, связанных, в частности, с соединениями, а также с проблемами, связанными с архитектурой, основанной на интеграции. Итак, давайте рассмотрим проблемы и выясним, какие из них связаны с такой архитектурой. Проблемы интеграции, стоящие перед MCP. Итак, одной из проблем, с которыми мы столкнулись, была интеграция с индивидуальными требованиями. Вы знаете, что для каждого типа API для каждого типа инструментов соединений, которые вы хотите подключить, вам необходимо создать
6:59 отдельную реализацию интеграции. Таким образом, каждый API имеет совершенно разную интеграцию, а это означает, что разработчикам придется приложить немало усилий, чтобы понять, как подключиться к API и как это реализовать. В итоге вы можете себе представить, что у вас получится множество различных реализаций для разных инструментов, которые вы хотите подключить к LL. Вам также придется писать много пользовательского кода. Разработчикам необходимо обладать специальными знаниями о каждой платформе, каждом API, каждом инструменте, которые они собираются использовать. И это существенно влияет на время внедрения приложения на базе LLM. И вы можете себе представить, что в крупной организации, где вам нужны различные типы заявок на получение степени LLM, это может стать важным фактором с точки зрения бизнеса. И,
7:44 конечно, в конце концов вы сталкиваетесь со множеством различных стандартов, которые не обязательно соответствуют одним и тем же протоколам, и это довольно сложно, когда вы хотите подключиться к такому количеству различных API. И мы хотим расширить возможности вашего приложения LLM, и в целом это не будет действительно устойчивым способом работы с интеграцией LLM с инструментами, и это создает ограничения при внедрении, а также приводит к излишней технической глубине. И вот сейчас настал момент, когда многие компании начали думать, что, вероятно, нам нужно найти лучший способ справиться с этой ситуацией, поскольку в
8:30 будущем нам, вероятно, придется подключаться к сотням интеграций. Нам необходимо подключиться к сотням API, различным инструментам, источникам данных, и нам необходимо найти лучший способ, структурированный способ или, может быть, стандартный способ сделать это. Так родился протокол контекста модели, который называется MCP. MCP — это открытый протокол, который обеспечивает бесшовную интеграцию между приложениями ИИ, агентами, инструментами и источниками данных. Таким образом, MCP стандартизирует то, как система ИИ может взаимодействовать с внешними инструментами и получать доступ к контекстной информации. По сути, MCP создает универсальный язык для взаимодействия систем ИИ с
9:15 цифровым миром. Итак, теперь мы знаем о MCP и зачем он нам нужен. Давайте рассмотрим некоторые преимущества внедрения MCP. В MCP, во- первых, у нас есть стандартизированная интеграция. Это общепринятый протокол. Уменьшает сложность времени разработки. Это проще для разработчиков, поскольку им не нужно тратить много времени на понимание сложности каждого API, каждого инструмента, каждого источника данных. Таким образом, они могут больше сосредоточиться на разработке функций своего приложения, а не тратить много времени на эту часть. Другим аспектом является совместимость инструментов, что означает, что вы подключаетесь один раз и затем
10:00 работаете с несколькими системами ИИ. Например, если у вас уже есть опыт работы с агентскими рабочими процессами, вы создаете агентские рабочие процессы, в которых вы можете создать личного помощника, и вам необходимо подключиться к своей почте Gmail, календарю Google, документам Google и таблицам Google. Поэтому иногда вам нужно делать все эти вещи по отдельности. До MCP в принципе так оно и было. Вам придется создать отдельное соединение для каждого из этих инструментов. Например, если вы хотите работать с Gmail, вам нужно создать отдельную реализацию подключений для получения писем Gmail, написания электронных писем для различных действий, и вам нужно
10:46 создать ее отдельно. С MCP вам этого делать не придется. Вам достаточно один раз подключиться к MCP, например, для Gmail, и затем он будет выполнять все действия: от чтения и отправки ваших писем до классификации ваших писем. Таким образом, все эти действия осуществляются за кулисами MCP. Вам просто нужно подключить MCP к своему агенту, а все остальное будет сделано MCP. Другим аспектом или преимуществом является улучшенный контекст. Предоставляя расширенные метаданные, мы улучшаем понимание ИИ и точность ответов. И вот как в конечном итоге это позволит нам создать лучшие приложения LLM. Как я уже сказал, чем более богатый контекст мы
11:33 предоставляем для LLM, тем лучший ответ мы получаем на выходе. И последнее преимущество, конечно, — это рост экосистемы, который снижает барьеры для входа разработчиков и поставщиков. Таким образом, создается действительно интересная экосистема из всех сторон, вовлеченных в этот ландшафт, помогающая друг другу создавать лучшие приложения. Поэтому основные элементы MCP действительно важны, особенно если вы хотите начать изучать MCP и увидеть, как их можно использовать . Итак, основные элементы MCP состоят из двух основных элементов: клиентов MCP и сервера MCP. Таким образом, по сути, серверы MCP будут подключаться к вашим инструментам и
12:21 источникам данных. Возможности, которые мы хотим охватить с помощью MCP, а клиенты MCP — это приложения, которые будут использовать эти возможности через сервер MCP, и вот как вы можете начать создавать этот уровень сервера MCP между вашими приложениями и источниками данных API сторонних инструментов. Поэтому нам нужно понять, что, внедряя MCP в наши приложения, мы устанавливаем новые стандарты для разных вещей. Например, для формата сообщений, для инфраструктуры безопасности и подобных вещей будут некоторые стандарты от
13:07 MCP, чтобы гарантировать, что мы не будем применять разные стандарты безопасности для разных API и источников данных. И эти вещи очень важны, и я настоятельно рекомендую, если вы хотите получить больше информации, зайти на сайт компании, которая представила MCP, чтобы узнать об этом больше. Теперь мы достаточно узнали о концепции MCP. Мы можем погрузиться в реализацию одного агента на основе MCP с помощью NHM. Давайте сделаем это. Теперь самое время создать агентный рабочий процесс и использовать MCP. Здесь мы начнем с нуля, установив все необходимые инструменты на ваш ноутбук или компьютер, а
13:53 затем посмотрим, как нам нужно добавлять различные элементы в рабочий процесс, а затем запустим его с помощью MCP. Первое, что вам нужно сделать, это начать с docker. Docker — это приложение, которое помогает нам запускать контейнеры и упрощает создание изолированной среды для наших кодов, работающих независимо от ваших настроек или нижнего уровня, который есть в вашей системе. У меня на компьютере уже установлен Docker, но мне будет несложно рассказать вам, как это сделать. Так вот если вы перейдете по этому адресу dcker.com- getstarting, вы попадете на страницу, на которой вы сможете установить Docker на свои глаза.
14:39 Хорошо то, что Docker уже доступен в различных ОС. Независимо от того, используете ли вы Mac OS, Windows или Linux, вы можете установить Docker и создать рабочий процесс таким же образом. Поэтому не имеет значения, какая у вас ОС. Таким образом, по сути, вам нужно нажать и загрузить Docker Desktop, а затем после этого вы можете запустить Docker Desktop сразу после завершения установки. И кстати, при установке ничего делать не нужно . Просто щелкните по установочному файлу и затем используйте базовую конфигурацию. Вам не нужно ничего менять. Итак, как только настройка будет завершена, вы увидите здесь рабочий стол Docker, а затем мы
15:26 можем начать запускать приложения N8N, для этого вам нужно перейти в N8N.io IO. Как вы знаете, NN предоставляет две версии. Облачная версия, а также локальная версия, которую вы можете запустить на своем компьютере. Но преимущество локальной версии в том, что общественная версия бесплатна. Итак, в случае с облачной версией, есть некоторые цены, поскольку вам нужно оформить подписку. В этом видео мы будем работать над бесплатной версией. Это абсолютно бесплатно, и вы можете легко создать там столько рабочих процессов, сколько захотите . Но, конечно, вам нужно запустить его локально, и очень интересно увидеть разницу между этими двумя
16:14 вариантами. Итак, чтобы создать рабочий процесс на основе MCP, нам сначала нужно создать NAN. Для этого перейдите на эту страницу nan.io и отсюда нажмите на GitHub, после чего вы будете перенаправлены на страницу GitHub. Если вы прокрутите страницу GitHub вниз , вы найдете раздел, в котором рассказывается, как запустить NN с помощью Docker. Поэтому я просто копирую этот код, и вы попадаете на рабочий стол Docker. На рабочем столе Docker вам нужно нажать на терминал в нижней части окна, а затем, когда терминал откроется, вы можете вставить сюда свою команду и нажать Enter.
17:02 Как вы сразу видите, контейнер NAN здесь запущен и работает . И затем я могу получить доступ к URL-адресу с этого адреса. Поскольку я уже зарегистрировался ранее, я просто попадаю на страницу входа. Но что произойдет в вашем случае? Вы попадете на страницу регистрации. Поэтому вам нужно указать свое имя, фамилию, адрес электронной почты, а также выбранный вами пароль. И затем после этого он перенаправит вас на еще две всплывающие страницы, чтобы получить более подробную информацию о, эм, это просто вопрос, чтобы спросить вас, как вы нашли n, и для какой цели вы собираетесь его использовать. И после этого у вас также появится возможность получить бесплатную лицензию для вашей локальной версии. Для
17:48 локальной версии лицензия не нужна. Эта бесплатная лицензия означает, что она предоставит вам некоторые дополнительные функции, и для этих функций вы можете запросить лицензию, для чего вам необходимо зарегистрироваться, указав свой адрес электронной почты. Поэтому я просто вхожу в систему, используя свой адрес электронной почты, и, как вы видите, это первая страница NN на вашем локальном компьютере, а также потому, что я создал несколько рабочих процессов, прежде чем могу увидеть их здесь. Здесь вы также можете увидеть выполнение учетных данных, а вверху показана некоторая информация о предыдущих выполнениях. Это своего рода обзор ваших рабочих процессов. Поэтому лучше погрузиться в создание рабочего процесса, поскольку мы собираемся создать
18:34 рабочий процесс MCP. Давайте создадим здесь один рабочий процесс. Чтобы убедиться, что вы создаете чистую среду, вы можете сделать это с самого начала, указав имя своего рабочего процесса. На данный момент я просто выложил рабочий процесс MCP. Таким образом, это дает мне верную информацию о том, что это рабочий процесс MCP. А иногда, когда вы начинаете с неудачного названия, например, с «mic workflow» на « mic workflow 4», и если вы продолжаете использовать разные руководства и разные практики, через некоторое время становится очень сложно вернуться и увидеть, какой рабочий процесс вам нужен. Итак, первое, что
19:19 вам нужно сделать в каждом рабочем процессе в NHN, — это создать триггер. Первый шаг — определить триггер. Триггер определяет, как начнется наш рабочий процесс . Итак, как мы узнаем, что рабочий процесс начался? Знаете ли вы, что иногда мы запускаем автоматизацию вручную, верно? Иногда триггер может быть таким: другое приложение вызовет этот рабочий процесс. Итак, есть разные способы сделать это. Если вы нажмете на нее, откроется новая панель инструментов. А на этой панели инструментов вы можете увидеть множество опций для триггера. В данном случае, поскольку мы хотим создать агента и общаться с ним, мы будем использовать чат-
20:05 сообщение. Поэтому мы используем это сообщение чата для связи с нашим агентом. Итак, это будет наш первый узел. После этого мы можем нажать на этот плюс, чтобы увидеть, как мы можем подключить следующий элемент к этому чат-боту. И, конечно, здесь мы хотим использовать ИИ-агента для подключения к MCP. Итак, пока все хорошо. Мы создали здесь чат-сообщение, а также ИИ-агента. Следующим шагом будет подключение модели чата к одной из моделей. В этом случае я выберу OpenAI и подключу его к OpenAI. Для OpenAI здесь можно использовать разные модели. На данный момент я хотел бы использовать GPT40.
20:53 Но перед этим у меня возникли ошибки соединения, что означает, что мне нужно исправить соединение. У меня здесь две связи. Я выберу другой. Если учетные данные верны, то я вижу старые модели относительно этих учетных данных, в которых для каждого имеющегося у нас узла вам необходимо указать ключ API для разных моделей API и разных вещей, которые вы используете. Итак, в этом видео я собираюсь подключиться к разным инструментам . Итак, на данный момент мы подключились к модели openAI, но чуть позже мы подключимся к узлу MCP, и для этого нам также нужно указать, или, может быть, они говорят, что conf выполняет настройку API. Таким образом, у
21:39 каждого API, который вы подключаете в рабочих процессах N8, есть учетные данные, и эта часть может быть немного громоздкой и сложной, конечно, это просто потому, что иногда сложно получить много API, но с помощью MCP мы избавимся от всех этих вещей, потому что нам не придется иметь дело со сложной задачей вызова API, и вместо этого мы предоставим MCP доступ к этим вещам. Таким образом, преимущество MCP заключается в том, что мы предоставляем API только один раз, а затем MCP приходится иметь дело со всеми различными инструментами и сложностью каждого API. Итак, на данный момент у нас есть все, что вам нужно сделать: вам нужно получить API с веб-сайта OpenI API, а затем оттуда вы можете
22:25 вставить его сюда, а затем, когда вы нажмете «Сохранить», он сообщит вам о состоянии проверки соединения, и если она прошла успешно, то все в порядке. Ладно, я просто сохраню это. Я просто переименовал узел, чтобы закрыть его. Итак, здесь я вижу разные модели. Я хочу выбрать 4. Так что если я укажу 40, я получу GPT4. Поэтому я здесь использую GPT40. Так вот для этого. Я могу сохранить свой рабочий процесс здесь. А теперь вы можете протестировать свой рабочий процесс и сказать приветственное имя.
23:13 Итак, я задам всего один вопрос наугад. Я назвал модели свое имя. Я также задаю вопросы о сетевом приложении и рассказываю, как я могу протестировать сетевое приложение. Как вы видите, он дал мне довольно развернутый ответ. Так что это действительно здорово, и еще он дал мне несколько примеров о тестовом проекте xunit. Если вы знакомы с такого рода приложениями, то ответ вас действительно может впечатлить. Итак, все работает. Интересно то, что я сообщил модели свое имя, но давайте посмотрим, помнит ли модель мое имя.
24:00 Итак, как вы видите, хотя я указал свое имя в предыдущем чате, теперь, когда я задаю другой вопрос той же модели в том же чат-боте о моем имени, модель не помнит моего имени, и это потому, что у этого ИИ-агента нет памяти, поэтому нам нужно добавить сюда память. Для этого вам нужно просто нажать на память, а затем вы можете добавить простую память. С помощью этой простой памяти вы можете выполнить эту настройку, чтобы убедиться, что контекст окна достаточно хорош для ваших разговоров и взаимодействий с интеграцией. Таким образом, здесь значение равно пяти, что означает, что последние пять взаимодействий будут рассматриваться моделью как контекст. Таким образом, каждый раз, когда вы задаете модели какие-либо вопросы, эти
24:47 пять разговоров также будут предоставлены модели, и таким образом модель также поймет, что происходило ранее. Вот так, по сути, мы можем фактически улучшить качество выходных данных с помощью ИИ-агента. Тогда каждый раз, когда мы будем общаться с ИИ-агентом, нам не придется говорить обо всем, о чем мы говорили ранее. Итак, теперь этот агент находится на базовом уровне, в действительно хорошей форме, все замечательно, и теперь мы можем перейти к следующему шагу. Прежде чем мы продолжим, вам необходимо установить заметки сообщества. Я собираюсь открыть настройки, и в
25:32 настройках вы найдете узлы сообщества. Хорошо, он у меня уже установлен. Я собираюсь удалить пакет, чтобы установить его заново, просто чтобы показать вам. Таким образом, в вашем случае, когда вы открываете этот узел сообщества в первый раз, вы видите эту страницу, на которой ничего нет . Итак, что вам нужно сделать, нажмите на узел установки сообщества, а затем здесь просто введите nodes MCP. Вам также необходимо принять на себя риски, связанные с узлами этого сообщества. Причина этого в том, что эти узлы сообщества создаются членами сообщества только в целях безопасности, вам необходимо документировать все, начиная с узлов, и
26:18 убедиться, что вы действительно используете правильные узлы, хорошие узлы для своего решения, но здесь также необходимо убедиться, что вам необходимо принять положения и условия для этого. Хорошо, я нажимаю « Установка», и здесь устанавливается узел сообщества. Итак, я могу вернуться к рабочему процессу. Теперь узел MCP установлен. Давайте добавим его в наш рабочий процесс. Чтобы добавить какие-либо узлы в ваш рабочий процесс, вам необходимо открыть панель узлов с правой стороны. И затем оттуда вы можете найти нужный вам узел. Я думаю, что это должен быть узел сообщества. И вы видите этот значок, который показывает, что этот узел принадлежит сообществу. Итак, щелкните по узлу, и
27:04 вы сможете добавить его в рабочий процесс. Как только вы добавите его в рабочий процесс, вы сразу увидите конфигурации, которые нам предстоит установить для этого узла. Итак, есть три конфигурации учетных данных, описания инструмента и эксплуатации, которые мы рассмотрим одну за другой в течение следующих нескольких минут. Первое, что важно — это полномочия. Я уже делал это раньше, но собираюсь сделать это снова. Таким образом, вы создаете здесь новые учетные данные и можете просто сохранить прежний тип подключения . На самом деле это протоколы транспортировки для MCP, но на данный момент вы можете оставить всё как есть. Затем нам понадобятся аргументы команды и окружение. Вот что нам нужно настроить для нашего
27:51 сервера MCP. И это зависит от того, какой MCP-сервер вы выберете. Эти опции и конфигурации различны. Итак, мы вернемся к этому через секунду. Описание инструмента мы создадим после того, как фактически создадим учетные данные. А что касается операций, то у нас здесь много разных операций. У нас есть инструменты для составления списков, ресурсы для составления списков. Но для этого видео нам нужны всего двое из них. Выполнить инструмент и составить список инструментов. С помощью list tools мы получаем список доступных инструментов с сервера MCP. А с помощью инструмента исполнения мы можем выполнить нужный нам инструмент. И агент будет решать все это. Итак, для проверки подлинности мы сегодня и
28:37 воспользуемся API Brave Search для этого рабочего процесса MCP. Итак, давайте рассмотрим этот смелый поиск. API поиска Brave весьма интересен. С помощью API поиска Brave мы можем делать множество разных вещей. Например, мы можем искать, можем обобщать. Существует множество функций для изображений, видео, новостей, предложений, проверки пролития и т. д. Таким образом, в поиске Brave есть много функций, но мы собираемся использовать поисковую часть API Brave. Например, если вы хотите найти несколько кафе или ресторанов в вашем городе, вы можете использовать этот API и подключить его к своему агенту. то ваш агент сможет фактически подключиться к этому API в режиме реального времени и получить актуальную информацию.
29:23 Для этого вам необходимо зарегистрироваться в этом API и получить ключ API. Я уже зарегистрировался в этом API. Итак, я просто войду в систему. Как только вы войдете в API поиска Brave, вы увидите эту страницу, а оттуда вам нужно будет перейти к подписке и оформить бесплатную подписку. Вероятно, система запросит данные вашей кредитной карты, но с нее ничего не будет списано, так что не беспокойтесь об этом. И тогда у вас будет один запрос в секунду и 2000 запросов в месяц, что очень хорошо для бесплатной подписки. Итак, как только вы оформите подписку здесь, вы сможете перейти к API-ключу и получить свой API-ключ здесь.
30:11 После этого у нас будет готовый API-ключ для настройки нашего MCP. Теперь у нас готов API и рабочий процесс . Позвольте мне перенести это сюда. Теперь нам нужно выяснить конфигурации сервера MCP. Для этого вы можете перейти на эту страницу « Протокол контекста модели — серверы», и здесь вы можете увидеть список MCPS, а это на самом деле собственные службы, которые настроены с помощью протокола контекста модели, предоставляемого entropic. Итак, что вы можете сделать, так это узнать свой API. Как вы видите,
30:58 смелый поиск уже здесь. Так что вы действительно можете открыть сервер Brave Search MCP здесь. И затем оттуда вы можете увидеть различные типы конфигурации. Итак, у нас здесь есть конфигурация DA, а также MPX. Для этого урока мы выберем MPX. Итак, как вы видите, нам здесь нужны аргумент команды и окружение, и все они здесь. Итак, команда — npx. Поэтому мы возвращаемся сюда и ставим npx для аргумента, у нас есть эти два значения. Поэтому я просто копирую это, а затем возвращаюсь сюда, исключая y .
31:45 А для сред вам нужно предоставить храбрый API-ключ с вашим API- ключом здесь. Итак, вы видите здесь формат? Но мы не можем просто так копировать и вставлять . Нам нужно выразить это именно так. Поэтому нам нужно добавить в выражение «отпустите меня» . Нам нужно поместить сюда храбрый API- ключ и затем приравнять его к нашему API-ключу. API-ключ можно получить здесь, а затем просто вставить его сюда. Так что да, я собираюсь сделать это позже, просто чтобы убедиться, что вы об этом не узнаете. Хорошо, теперь мы готовы протестировать этот
32:32 клиентский инструмент MCP для работы листинга. Если теперь все правильно, то мы можем выполнить шаг, и здесь у нас есть некоторые проблемы. Давайте посмотрим. Хорошо, теперь я понял, в чем проблема. Проблема в том, что этот MCP ни к чему не подключен. Давайте просто позволим мне сейчас выполнить MCP. Хорошо, теперь, как вы видите, это работает. Теперь я получаю результат здесь, и здесь он выдает некоторые результаты для разных инструментов. Как вы видите, у нас есть готовый веб-поиск Brave и локальный поиск Brave, оба они на самом деле
33:17 готовы в качестве инструментов для этого MCP. А теперь я изменю описание инструмента. Поэтому я бы посоветовал использовать этот MCP-клиент для составления списка инструментов. И что я собираюсь сделать, я скопирую данные из этого инструмента и подключу его к нашему агенту ИИ, а затем назову его «Выполнить инструменты» и « Операция Выполнить». Поэтому теперь, когда мы меняем операцию на выполнение инструмента для передачи инструмента, нам нужно добавить сюда что-то, в противном случае инструмент не может
34:03 быть известен MCP. Для этого я приведу это выражение здесь. Итак, теперь мы настраиваем имя инструмента в режиме выражения. Следующее — это параметры инструмента. Что касается параметров инструмента, то их хорошо то, что их не нужно настраивать. Таким образом, вы можете нажать на этот пункт, который говорит, что модель определяет этот параметр. Так что это тоже очень мило. Я просто нажимаю на это, и появляется надпись « Определено автоматически моделью». Хороший. Теперь я могу закрыть это окно. Последнее, что нам осталось сделать, — это системное сообщение агента ИИ. Здесь нам нужно настроить системное сообщение. Если вы не видите системное сообщение об ИИ-агенте, вы можете просто открыть его из опции добавления. Поэтому я нажимаю кнопку «добавить»
34:48 . Основное сообщение системы — вы — полезный помощник, но этого уже недостаточно. Поэтому я заменю его своим системным сообщением. В этом системном сообщении я добавил несколько инструкций, сообщающих агенту о необходимости использовать клиент MCP для вывода списка инструментов и запуска инструментов. Таким образом, агент теперь осведомлен об этих клиентах MCP. Теперь мы готовы приступить к фактическому тестированию нашего МКП. Давайте зададим простой вопрос, и я думаю, на этом мы закончим, если все пойдет хорошо. Теперь я задаю эти вопросы, чтобы получить информацию о некоторых кафе в Амстердаме. Так что, по сути, мы посмотрим, как
35:35 агент это выполнит. Интересно, что теперь вы также можете видеть поток процесса, который будет происходить, один за другим, какой компонент будет вызываться и что происходит. Если вы кликните по каждому из них, вы также сможете увидеть входные и выходные данные для данной модели. Хороший. Теперь вы можете видеть, что после некоторой обработки модели и MCP я получил результат. Они предоставлены MCP с помощью смелого поиска, который на самом деле довольно крут тем, что позволяет вам обогатить свою модель просто для подключения к различным инструментам. А в этом случае произошло следующее: мы использовали только API-ключ
36:20 от Brave и некоторую базовую конфигурацию для сервера MCP для Brave. Но мы не делали никаких дополнительных настроек для подключения к Brave API и использования API. Даже параметры и все остальное обработано агентом. И это довольно круто, как вы можете подключиться к серверам MCP, а с серверов MCP вы можете подключиться ко многим другим инструментам и различным API, используя тот же протокол, тот же стандарт, и таким образом наши агенты, вы знаете, стали намного умнее, чем раньше. Надеюсь, вам понравится это видео. Если вы чему-то научились и вам понравилось видео, пожалуйста, поставьте лайк и подпишитесь, чтобы получать новые
37:07 видео. И вы можете скачать этот шаблон из моего школьного сообщества . И там есть много серьезных специалистов в области искусственного интеллекта, и я также могу оказать вам там поддержку. Если вам интересно, вы можете присоединиться к этому сообществу и инвестировать в свое будущее. Спасибо. Нагревать.Привет,Хит. [Музыка]
