Odkryj, jak MCP może uprościć integrację aplikacji AI z otaczającymi je systemami! Dowiedz się, jak działa MCP, jak definiować własne narzędzia MCP i jak budować połączenie między klientem a serwerem.

MCP: aplikacje AI w trzech krokach

Poznaj MCP

Twój pierwszy serwer MCP

Budowanie serwera MCP do przeliczania walut

Dodawanie docstringów i podpowiedzi typów

Komunikacja klient-serwer w MCP

Budowanie mostów (między klientem a serwerem)

Dynamiczne wykrywanie narzędzi

Wywoływanie narzędzi serwera

Podstawy MCP

Dodawaj zasoby i podpowiedzi do serwerów MCP, aby udostępniać LLM-om kontekst tylko do odczytu oraz kluczowe instrukcje wpływające na ich zachowanie. Ćwicz pracę z LLM-ami i połącz je z serwerem MCP, aby mogły wywoływać narzędzia i pobierać kontekst.

Zasoby w serwerach MCP

Definiowanie zasobów serwera MCP

Wyświetlanie zasobów po stronie klienta

Odczytywanie zasobów po stronie klienta

Prompty w serwerach MCP

Definiowanie promptu serwera MCP

Listowanie promptów po stronie klienta

Pobieranie promptu z poziomu klienta

MCP i LLM: narzędzia

Przepływ pracy z wywoływaniem narzędzi

Korzystanie z narzędzi LLM w serwerach MCP

MCP i LLM-y: prompty i zasoby

Pobieranie zasobu i promptu z MCP

Budowanie wiadomości i wywołanie modelu LLM

Aplikacje LLM z obsługą MCP

Dowiedz się, co jest potrzebne do wdrożenia serwerów MCP na produkcję – zagłęb się w temat baz danych i API w serwerach MCP oraz dodatkowych kwestii, jakie ze sobą niosą. Na koniec zintegruj zewnętrzne serwery MCP w bezpieczny i niezawodny sposób, żeby nie musieć budować od nowa ulubionych integracji.

Integracje baz danych z MCP

Tworzenie połączeń z bazą danych

Bazy danych jako zasoby

Parametryzowane narzędzia do wyszukiwania w bazie danych

Integracje API w MCP

Uodparnianie wywołań narzędzi API

Kiedy API wymaga uwierzytelnienia

Serwery MCP innych firm

Wyszukiwanie książki po tytule za pomocą MCP Open Library

Gratulacje!

Przygotowanie serwerów MCP do produkcji

Koniec z bólem głowy przy integracji aplikacji AI z różnorodnymi systemami zewnętrznymi! Teraz każda aplikacja mówi językiem MCP. Dowiedz się, jak MCP ułatwia łączenie aplikacji AI z API, bazami danych i innymi zewnętrznymi funkcjonalnościami. Naucz się budować własne serwery MCP od podstaw – z połączeniami do API i baz danych – oraz integrować je z LLM-ami, aby mogły inteligentnie wyszukiwać dane i wykonywać działania. Zacznij pracę z Model Context Protocol już dziś!

<h2>Dlaczego warto poznać Model Context Protocol?</h2>Duże modele językowe nie mają dostępu do danych w czasie rzeczywistym ani nie mogą samodzielnie podejmować działań, a łączenie każdego narzędzia lub API za pomocą niestandardowego kodu nie jest skalowalne. Protokół Model Context Protocol (MCP) rozwiązuje ten problem, zapewniając jeden, standardowy sposób, w jaki aplikacje AI mogą łączyć się z zewnętrznymi narzędziami, danymi i usługami — często nazywany „portem USB-C dla AI”. W tym kursie od podstaw zbudujesz serwery i klientów MCP w Pythonie oraz połączysz je z LLM.<br><br><h2>Jak zbudować i połączyć mój pierwszy serwer MCP?</h2>Zaczniesz od poznania architektury MCP — hosta, klienta i serwera — oraz trzech podstawowych elementów, które udostępnia każdy serwer: narzędzi, zasobów i promptów. Następnie zbudujesz serwer konwertera walut z użyciem FastMCP, dodasz docstringi i adnotacje typów, aby LLM mógł wykrywać Twoje narzędzia, oraz napiszesz asynchronicznego klienta Pythona, który wyświetla i wywołuje te narzędzia przez transport stdio.<br><br><h2>Jak nadać LLM narzędzia i kontekst w czasie rzeczywistym?</h2>Same narzędzia nie wystarczą — modele potrzebują też danych i instrukcji behawioralnych. Dodasz zasoby do kontekstu tylko do odczytu i prompty, aby prowadzić model, gdy dane wejściowe są niejasne, a następnie połączysz wszystkie trzy elementy z modelem OpenAI LLM, korzystając z pięcioetapowego przepływu wywoływania narzędzi, dzięki czemu będzie mógł odpowiadać pewnie albo poprosić o doprecyzowanie, gdy powinien.<br><br><h2>Jak wdrożyć serwery MCP do środowiska produkcyjnego?</h2>Prawdziwe serwery potrzebują czegoś więcej niż kodu działającego tylko w idealnych warunkach. Zamienisz zasoby oparte na plikach na zapytania korzystające z bazy danych, dodasz limity czasu żądań, uporządkowaną obsługę błędów oraz bezpieczne uwierzytelnianie API, które przechowuje klucze po stronie serwera. Na koniec połączysz się z serwerem MCP innej firmy i zobaczysz, że ten sam kod klienta działa z każdym serwerem, który obsługuje ten protokół.

Introduction to APIs in Python

Writing Functions in Python

Integruj aplikacje AI/LLM z API, bazami danych i systemami plików łatwiej dzięki Model Context Protocol.

Wprowadzenie do Model Context Protocol (MCP)

Integruj aplikacje AI/LLM z API, bazami danych i systemami plików łatwiej niż kiedykolwiek dzięki Model Context Protocol (MCP).

MCP i LLM-y: prompty i zasoby

Create Your Free Account