Zjisti, jak MCP dokáže integraci AI aplikací s okolními systémy usnadnit jako nikdy předtím! Pochop, jak MCP funguje, jak si definovat vlastní MCP nástroje a jak vybudovat most mezi klientem a serverem.

MCP: AI aplikace snadné jako facka

Možnosti

Host

Client

Server

Seznámení s MCP

Tvůj první MCP server

Postav svůj první MCP server

Tvorba MCP serveru pro převod měn

Přidání docstringů a typových anotací

Komunikace mezi klientem a serverem v MCP

Pravda

Nepravda

Budování mostů (mezi klientem a serverem)

Dynamická zjistitelnost nástrojů

Volání nástrojů serveru

Stavební kameny MCP

Přidej do MCP serverů resources a prompts, aby LLM získaly přístup ke kontextu jen pro čtení a klíčovým instrukcím, které ovlivní jejich chování. Prakticky si vyzkoušej práci s LLM a propoj je s MCP serverem, aby mohly volat nástroje a načítat kontext.

Zdroje v MCP serverech

Definování resources v MCP serveru

Výpis resources z klienta

Čtení zdrojů z klienta

Prompts v MCP serverech

Definování promptu MCP serveru

Výpis promptů z klienta

Načtení promptu z klienta

MCP a LLM: nástroje

Workflow volání nástrojů

Použití nástrojů LLM v MCP serverech

MCP a LLM: prompty a resources

Načtení resource a promptu z MCP

Sestavení zprávy a volání LLM

LLM aplikace s podporou MCP

Zjisti, co je potřeba k nasazení MCP serverů do produkce – podrobně prozkoumáš databáze a API v MCP serverech i specifické aspekty, které s sebou přinášejí. Nakonec bezpečně a spolehlivě integruješ MCP třetích stran, takže nemusíš znovu vynalézat kolo pro své oblíbené integrace.

Databázové integrace v MCP

Vytváření databázových připojení

Databáze jako resources

Parametrizované nástroje pro vyhledávání v databázi

MCP API integrace

Jak zajistit robustnost volání API nástrojů

Když API vyžaduje autentizaci

MCP servery třetích stran

Vyhledání knihy podle názvu pomocí Open Library MCP

Gratulujeme!

Příprava MCP serverů pro produkci

Konec s bolestmi hlavy při integraci AI aplikací s různorodými externími systémy! Dnes už všechny softwarové aplikace mluví jazykem MCP. Zjisti, jak MCP usnadňuje propojení AI aplikací s API, databázemi a dalšími externími funkcemi pomocí tohoto protokolu. Nauč se budovat vlastní MCP servery od základů – včetně připojení k API a databázím – a integruj je s LLM, aby mohly chytře vyhledávat data a spouštět akce. Začni s Model Context Protocol ještě dnes!

<h2>Proč se učit Model Context Protocol?</h2>Velké jazykové modely nemají přístup k datům v reálném čase ani samy neprovádějí akce a napojování každého nástroje nebo API pomocí vlastního kódu není škálovatelné. Model Context Protocol (MCP) to řeší jediným standardizovaným způsobem, jak mohou aplikace s umělou inteligencí připojovat externí nástroje, data a služby — často se mu říká „USB-C port pro AI“. V tomto kurzu si od základu vytvoříš MCP servery a klienty v Pythonu a propojíš je s LLM.<br><br><h2>Jak vytvořím a připojím svůj první MCP server?</h2>Začnete tím, že se naučíte architekturu MCP — hostitele, klienta a server — a tři základní prvky, které každý server zpřístupňuje: nástroje, zdroje a prompty. Pak pak vytvoříš server pro převod měn pomocí FastMCP, přidáš docstringy a typové anotace, aby LLM mohlo objevit tvoje nástroje, a napíšeš asynchronního Python klienta, který tyto nástroje vypisuje a volá přes transport stdio.<br><br><h2>Jak mohu dát LLM nástroje a kontext v reálném čase?</h2>Samotné nástroje nestačí — modely také potřebují data a behaviorální instrukce. Přidáte zdroje pro kontext pouze pro čtení a prompty, které budou model vést, když jsou vstupy nejasné, a pak všechny tři primitivy zapojíte do OpenAI LLM pomocí pětikrokového workflow volání nástrojů, aby mohl odpovídat jistě nebo si vyžádat upřesnění, když je to potřeba.<br><br><h2>Jak dostanu MCP servery do produkce?</h2>Skutečné servery potřebují víc než jen kód pro ideální scénáře. Nahradíte zdroje založené na souborech dotazy nad databází, přidáte časové limity požadavků, strukturované zpracování chyb a zabezpečené ověřování API, které ponechá klíče na straně serveru. Nakonec se připojíte k serveru MCP třetí strany a uvidíte, že stejný klientský kód funguje s jakýmkoli serverem, který tento protokol podporuje.

Introduction to APIs in Python

Writing Functions in Python

Integrujte AI/LLM s API, databázemi a souborovými systémy snadněji díky Model Context Protocol (MCP).

Introduction to Model Context Protocol (MCP)

Propojte aplikace AI/LLM s API, databázemi a souborovými systémy snadněji než kdy dřív díky Model Context Protocol (MCP).

Asociovaný AI inženýr pro vývojáře

🗄️ Za zahájení relace se serverem a odesílání požadavků je zodpovědný *klient*

🏗️ Všechny zprávy mezi *klientem* a *serverem* v MCP se řídí formátem **JSON-RPC 2.0**

🏃 Při použití **stdio** transportu *server* po ukončení *klienta* běží dál nezávisle

🌐 Transport **stdio** ke svému fungování vyžaduje síťové připojení

Budování mostů (mezi klientem a serverem)

Introduction to Model Context Protocol (MCP)

Interaktivní praktické cvičení