Découvrez comment MCP peut simplifier comme jamais l'intégration des applications d'IA aux systèmes environnants ! Voyez comment MCP fonctionne, comment définir vos propres outils MCP et bâtir le pont entre client et serveur.

MCP : des applications d'IA aussi simples que 1, 2, 3

Faites connaissance avec MCP

Votre premier serveur MCP

Créer votre premier serveur MCP

Créer un serveur MCP de conversion de devises

Ajouter des docstrings et des annotations de type

Communications client-serveur MCP

Construire des ponts (entre le client et le serveur)

Découverte dynamique des outils

Appeler des outils côté serveur

Les éléments de base de MCP

Ajoutez des ressources et des invites aux serveurs MCP pour offrir aux LLM un contexte en lecture seule et des consignes clés afin d'ajuster leur comportement. Passez à la pratique avec des LLM et reliez-les à votre serveur MCP pour qu'ils puissent appeler des outils et récupérer du contexte.

Ressources dans les serveurs MCP

Définir des ressources de serveur MCP

Lister les ressources depuis le client

Lire des ressources depuis le client

Invites dans les serveurs MCP

Définir une invite de serveur MCP

Lister les invites depuis le client

Récupérer une invite depuis le client

MCP et LLM : Outils

Flux de travail d'appel d'outils

Le flux de travail d'appel d'outils

Utilisation d'outils LLM dans des serveurs MCP

MCP et LLM : invites et ressources

Récupérer une ressource et une invite depuis MCP

Construire le message et appeler le LLM

Applications LLM compatibles MCP

Découvrez ce qu'il faut pour mettre des serveurs MCP en production en examinant en profondeur les bases de données et les API dans les serveurs MCP, ainsi que les considérations supplémentaires qu'ils impliquent. Enfin, intégrez des MCP tiers de façon sécuritaire et fiable, afin de ne pas réinventer la roue pour vos intégrations préférées.

Intégrations de bases de données MCP

Créer des connexions à une base de données

Bases de données comme ressources

Outils de recherche dans la base de données avec paramètres

Intégrations d'API MCP

Rendre les appels d'outils d'API robustes

Quand les API exigent une authentification

Serveurs MCP tiers

Rechercher un livre par titre avec le MCP Open Library

Félicitations !

Préparer les serveurs MCP pour la production

Fini le casse-tête de l'intégration d'applications d'IA à des systèmes externes disparates ! Désormais, toutes les applications logicielles parlent le langage MCP. Découvrez comment MCP facilite plus que jamais la connexion d'applications d'IA à des API, des bases de données et d'autres fonctionnalités externes grâce à son protocole. Apprenez à créer vos propres serveurs MCP de A à Z, y compris des connexions à des API et à des bases de données, et à les intégrer à des LLM pour effectuer des consultations de données intelligentes et déclencher des actions. Commencez dès aujourd'hui avec le Model Context Protocol !

<h2>Pourquoi apprendre le protocole Model Context Protocol?</h2>Les grands modèles de langage ne peuvent pas accéder aux données en temps réel ni effectuer des actions par eux-mêmes, et connecter chaque outil ou API avec du code personnalisé n’est pas évolutif. Le protocole de contexte de modèle (MCP) règle ce problème grâce à une façon unique et standardisée pour les applications d’IA de se connecter à des outils, des données et des services externes — souvent appelé « le port USB-C de l’IA ». Dans ce cours, vous allez créer des serveurs et des clients MCP à partir de zéro en Python et les connecter à un LLM.<br><br><h2>Comment créer et connecter mon premier serveur MCP ?</h2>Vous commencerez par apprendre l’architecture MCP — hôte, client et serveur — ainsi que les trois primitives que chaque serveur expose : outils, ressources et invites. Ensuite, vous allez créer un serveur de conversion de devises à l’aide de FastMCP, ajouter des docstrings et des annotations de type pour qu’un LLM puisse découvrir vos outils, puis écrire un client Python asynchrone qui répertorie et appelle ces outils via le transport stdio.<br><br><h2>Comment puis-je donner à un LLM des outils et du contexte en temps réel ?</h2>Les outils à eux seuls ne suffisent pas — les modèles ont aussi besoin de données et d’instructions comportementales. Vous ajouterez des ressources pour le contexte en lecture seule et des invites pour guider le modèle lorsque les entrées sont vagues, puis vous brancherez les trois primitives dans un LLM OpenAI à l’aide du flux de travail d’appel d’outils en cinq étapes afin qu’il puisse répondre avec assurance ou demander des précisions au besoin.<br><br><h2>Comment puis-je mettre des serveurs MCP en production?</h2>Les serveurs du monde réel ont besoin de plus que du code pour les cas idéaux. Vous remplacerez les ressources basées sur des fichiers par des requêtes appuyées par une base de données, ajouterez des délais d’attente pour les requêtes, une gestion structurée des erreurs et une authentification sécurisée des API qui conserve les clés côté serveur. Enfin, vous vous connecterez à un serveur MCP tiers et verrez que le même code client fonctionne avec n’importe quel serveur qui parle le protocole.

Introduction to APIs in Python

Writing Functions in Python

Intégrez les applis IA/LLM avec API, bases de données et systèmes de fichiers grâce au Protocole MCP.

Introduction au Model Context Protocol (MCP)

Ingénieur IA associé pour développeurs

Créer une requête avec les définitions d'outils et le message de l'utilisateur

Récupérer les appels d'outils et leurs arguments, s'il y a lieu

Exécuter la fonction de l'outil avec les arguments extraits

Récupérer une réponse en langage naturel au message de l'utilisateur

Le flux de travail d'appel d'outils

Introduction au Model Context Protocol (MCP)

Exercice interactif pratique