Découvrez comment MCP peut simplifier comme jamais l'intégration des applications d'IA avec les systèmes environnants ! Comprenez le fonctionnement de MCP, comment définir vos propres outils MCP, et construisez le pont entre client et serveur.

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

Découvrir 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 fondations de MCP

Ajoutez des ressources et des invites aux serveurs MCP pour offrir aux LLM un contexte en lecture seule et des instructions clés qui orientent leur comportement. Passez à la pratique avec des LLM et connectez-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

Prompts dans les serveurs MCP

Définir une invite de serveur MCP

Lister les prompts depuis le client

Récupérer un prompt depuis le client

MCP et LLM : Outils

Workflow d'appel d'outils

Le workflow d'appel d'outils

Utilisation d'outils LLM dans des serveurs MCP

MCP et LLM : invites et ressources

Récupérer une ressource et un prompt depuis MCP

Construire le message et appeler le LLM

Applications LLM compatibles MCP

Voyez ce qu'il faut pour mettre des serveurs MCP en production en explorant en profondeur les bases de données et les API dans les serveurs MCP, ainsi que les considérations supplémentaires qu'elles impliquent. Enfin, intégrez des MCP tiers de manière sécurisée et fiable, pour 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 en base paramétrés

Intégrations d'API MCP

Rendre les appels d'outils d'API robustes

Quand les API nécessitent une authentification

Serveurs MCP tiers

Rechercher un livre par titre avec l'Open Library MCP

Félicitations !

Préparer des serveurs MCP pour la production

Finis les casse-têtes pour intégrer des applications d'IA à une multitude de systèmes externes ! Désormais, toutes les applications logicielles parlent le langage MCP. Découvrez comment MCP facilite plus que jamais la connexion des 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 afin qu'ils puissent effectuer des recherches de données pertinentes et déclencher des actions. Lancez-vous dès aujourd'hui avec le Model Context Protocol !

<h2>Pourquoi apprendre le Model Context Protocol ?</h2>Les grands modèles de langage ne peuvent pas accéder aux données en temps réel ni agir de leur propre chef, et connecter chaque outil ou API avec du code personnalisé n’est pas évolutif. Le Model Context Protocol (MCP) résout ce problème grâce à une méthode unique et standardisée permettant aux 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 créerez des serveurs et des clients MCP de zéro en Python et les connecterez à un LLM.<br><br><h2>Comment créer et connecter mon premier serveur MCP ?</h2>Vous commencerez par découvrir l’architecture MCP — hôte, client et serveur — ainsi que les trois primitives exposées par chaque serveur : outils, ressources et prompt. Puis vous créerez un serveur de conversion de devises à l’aide de FastMCP, ajouterez des docstrings et des annotations de type afin qu’un LLM puisse découvrir vos outils, et écrirez un client Python asynchrone qui répertorie et appelle ces outils via le transport stdio.<br><br><h2>Comment donner à un LLM des outils et un contexte en temps réel ?</h2>Les outils 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 prompts pour guider le modèle lorsque les entrées sont vagues, puis vous intégrerez ces trois primitives dans un LLM OpenAI à l’aide du workflow d’appel d’outils en cinq étapes afin qu’il puisse répondre avec assurance ou demander des précisions lorsque c’est nécessaire.<br><br><h2>Comment mettre mes serveurs MCP en production ?</h2>Les serveurs du monde réel ont besoin de plus qu’un code qui ne fonctionne que dans 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 API sécurisée 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 applications IA/LLM avec les API, bases de données et systèmes de fichiers via MCP.

Introduction au Model Context Protocol (MCP)

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

Récupérer les appels d'outils et leurs arguments

Exécuter la fonction de l'outil avec les arguments extraits

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

Le workflow d'appel d'outils

Exercice interactif pratique