Transcription
Из всех событий, происходящих сейчас в сфере ИИ, протокол контекста модели Cloud определенно находится в центре внимания, и на то есть веские причины. Это невероятный протокол, разработанный Anthropic, для стандартизации предоставления инструментов нашим большим языковым моделям (LLM), чтобы они могли работать с нашими сервисами. Все сейчас освещают это, и они делают хорошую работу со своим контентом, но обычно видео, которые я вижу, либо слишком углубляются в детали, создавая что-то крутое с MCP, либо объясняют его на высоком уровне без примеров. Что вам нужно, и что я собираюсь осветить сейчас, — это всеобъемлющий обзор MCP, все, что вы должны знать на высоком уровне: что это такое, почему это важно и как вы можете начать использовать его сегодня, чтобы повысить свою производительность и создавать лучшие агенты ИИ.
Дело в том, что MCP, в отличие от других вещей в сфере ИИ, никуда не денется в ближайшее время. У нас было много «искр» в последнее время, как я их называю: Manis, OpenAI Operator, DeepSeek R1 — эти вещи изначально вызвали такой ажиотаж, но затем эта искра угасает всего за пару недель. Сравните это с MCP: это больше похоже на полено, а не на угасающую искру, и оно будет становиться все горячее и горячее. И это даже не новость, оно существует с ноября прошлого года, просто люди со временем все больше и больше понимают, насколько оно полезно и мощно. И это признак того, что это гораздо больше, чем просто хайп. Вот почему я в последнее время вкладываю так много времени в его изучение, и я рекомендую вам сделать то же самое. Проще говоря, если вы используете MCP для улучшения ваших LLM и агентов ИИ, у вас есть несправедливое преимущество перед теми, кто этого не делает, и это никуда не денется в ближайшее время. Поэтому позвольте мне рассказать вам все, что вам нужно знать, и к концу этого видео я даже покажу вам, как интегрировать MCP с n8n и вашими агентами Python с некоторыми шаблонами для загрузки прямо сейчас. Много ценной информации в этом коротком видео, так что давайте сразу же погрузимся в него.
Итак, вот официальная документация по MCP. Я добавлю ссылку на нее в описании, и мы будем часто использовать ее в качестве справочника, проходя через все важные основные концепции. На их странице введения, домашней странице документации, у них есть хорошее, быстрое и простое определение того, что такое MCP. Вы можете думать об этом как о портах USB-C для приложений ИИ. Так же, как мы используем USB для стандартного и очень простого подключения наших устройств ко всем нашим периферийным устройствам, мы используем MCP как стандартизированный способ очень простого подключения наших инструментов к нашим LLM. Другой способ думать об этом, аналогия, которую я часто слышал в последнее время, заключается в том, что MCP — это как конечные точки API для наших агентов ИИ. Так же, как компании создают API для предоставления доступа к своим бэкэнд-сервисам другим приложениям, MCP — это способ предоставлять инструменты для агентов ИИ. Очень хорошо и просто, и мне нравится документация MCP здесь, она довольно полная, но определенно чего-то не хватает, и некоторые из их диаграмм, я считаю, могли бы объяснить вещи намного лучше. Но меня это не беспокоит, потому что это позволяет мне и другим преподавателям вмешаться и действительно помочь вам понять все. Так что это мы и будем делать прямо сейчас — не просто говорить о том, что такое MCP, но и о том, почему это так полезно. И у меня есть несколько интересных диаграмм, которые помогут прояснить это.
Первая прекрасная диаграмма, которую я сделал специально для вас, которую я хочу показать, — это то, как выглядят агенты ИИ до появления MCP. Потому что в конечном итоге рассказать вам, что такое MCP и почему это так полезно, лучше всего, начав с того, с чем нам приходилось иметь дело до того, как он стал доступен нам. Итак, вот здесь у нас есть агент ИИ. Он может быть построен с помощью Pantic AI, Crew AI, n8n — это не имеет значения, потому что в конечном итоге с агентами ИИ вы создаете все эти функции, которые являются инструментами, предоставленными агенту ИИ. Вы создаете функцию для создания файла, для совершения коммита в Git, для вывода списка таблиц в нашей базе данных, и с помощью документации мы говорим агенту ИИ, когда и как использовать каждый инструмент, чтобы посредством разговора он мог делать все это от нашего имени. И это довольно мощно. Именно это делает агента ИИ по-настоящему агентом ИИ, а не просто обычным чат-ботом или рабочим процессом. Он может рассуждать на основе того, что мы говорим: «Мне нужно обновить этот файл, а затем сделать push в Git и обновить эту запись в Superbase», например. Но мы сталкиваемся с препятствием, если хотим повторно использовать эти инструменты для другого агента ИИ, который мы создаем. Потому что что, если я начал с создания агента с помощью Pantic AI, а затем хочу создать другого агента с помощью чего-то вроде n8n, или, может быть, я хочу использовать эти инструменты в Claude Desktop или Wind Surf, или в каком-то другом IDE для ИИ? На самом деле невозможно повторно использовать все эти инструменты, которые я создал, просто как отдельные функции. Поэтому я заканчиваю тем, что переписываю большую часть этой функциональности. И становится еще хуже, если вы делитесь вещами между разными людьми. Как вы возьмете это как аккуратный маленький пакет и просто дадите кому-то для использования с их агентом ИИ, независимо от того, какой фреймворк они используют? И вы доходите до той точки, когда разрабатываете много избыточного кода для себя, или отдельные люди постоянно пересоздают эти инструменты, чтобы делать очень похожие вещи снова и снова и снова. И именно поэтому нам нужна стандартизация. Нам нужен удобный способ упаковать все инструменты для отдельных служб таким образом, чтобы мы могли делиться ими с другими людьми и повторно использовать их сами в наших приложениях и различных фреймворках агентов. И именно это дает нам MCP — все эти аккуратные маленькие пакеты, созданные стандартизированным способом, чтобы у нас не было этого вопроса: как взять эти инструменты и повторно использовать их для большего количества вариантов использования, чтобы мы не создавали один и тот же код снова и снова.
Теперь перейдем ко второй диаграмме. Она показывает, как выглядит наш агент, когда он обновлен для использования MCP. Теперь, вместо того чтобы определять все эти отдельные инструменты и функции, у нас есть эти сервисы, которые предоставляют наши MCP-серверы, которые передают все эти инструменты нашему агенту ИИ и позволяют им использовать его таким образом, что не имеет значения, создаем ли мы нашего агента с помощью n8n, или используем Cursor, или создаем с помощью Pantic AI. Мы можем использовать эти серверы точно так же, потому что эти MCP-серверы являются посредником для стандартизации способа предоставления этих инструментов агенту. А под капотом все выглядит точно так же, как и с нашим сервисом Superbase. В этом MCP у нас есть те же инструменты, но через протокол MCP эти доступные инструменты Superbase передаются агенту ИИ. Таким образом, по этому маршруту агент знает, какие инструменты Superbase доступны, и способ использования агентом ИИ инструментов под капотом остается точно таким же. Так что здесь нет ничего нового и революционного в протоколе контекста модели. Он не меняет способ использования инструментов, он просто упрощает повторное использование этих инструментов и аккуратную их упаковку. И, например, если этот первый агент был создан с помощью Pantic AI, мы можем включить эти MCP-серверы в Cursor, например, у нас есть второй хост, и он все равно будет использовать эти серверы тем же способом. Поэтому будет отдельный экземпляр сервера, но он будет использовать тот же самый код под капотом. Так что нет избыточности, нам не нужно пересоздавать эти серверы или эти инструменты, и под капотом все выглядит одинаково, просто используются те же самые инструменты, которые доступны в той же самой службе. Я много говорю «тот же самый», потому что это важная часть стандартизации.
Теперь я снова показываю свое лицо на экране, потому что есть кое-что очень важное, что я упомянул ранее, и что я хочу подчеркнуть еще раз, а именно тот факт, что под капотом с MCP агенты ИИ все еще используют инструменты точно так же, потому что в конечном итоге инструменты, предоставляемые этими серверами, просто передаются как часть запроса к LLM, так что агент может решить, что он хочет использовать инструмент, а затем он выдаст определенный вывод, чтобы этот вызов инструмента произошел. Большое заблуждение, о котором многие люди говорили, заключается в том, что MCP каким-то образом революционен в том, как он предоставляет эти возможности для LLM, которых у нас никогда раньше не было. И это, мой друг, просто неправда, потому что у нас всегда был доступ к этим инструментам для выполнения действий с нашими LLM, но MCP просто делает его стандартным, как мы уже говорили, чтобы сделать его более доступным и упростить создание этих пакетов инструментов для обмена с другими людьми. Так что он по-прежнему невероятно мощный, просто не новая технология, которая открывает доступ к этому следующему уровню возможностей.
С учетом этого предупреждения давайте глубже погрузимся в эти MCP-серверы и где мы можем их использовать. Вернувшись сюда, в документацию MCP, если вы перейдете к примерам клиентов, вы увидите этот список, и я не уверен, является ли он исчерпывающим, но он показывает вам так много разных приложений, которые поддерживают протокол контекста модели. У вас есть ваши IDE для ИИ, такие как Klein, Rhine, Wind Surf, Cursor. У вас есть ваши приложения, такие как Claude Desktop и n8n. Вы можете использовать это в таких фреймворках, как Pantic AI, Crew AI, LangChain. Похоже, что сейчас все поддерживает MCP, потому что это становится таким большим делом, и вся стандартизация инструментов — это главное, что поддерживается всеми этими различными клиентами. Есть и другие части MCP, такие как ресурсы, запросы, выборка и маршруты, которые довольно крутые. Что касается ресурсов, я просто быстро вам покажу это: ресурсы позволяют предоставлять ваши данные LLM, которые обновляются в реальном времени, такие как файлы и записи в базе данных. Вы можете обмениваться шаблонами запросов с LLM через MCP, вы можете выполнять выборку, которая позволяет вам запрашивать ответы от LLM в качестве инструмента — это так круто. И, как и в случае со всеми этими различными функциями, вы можете видеть, что они на самом деле не поддерживаются большинством этих клиентов, поэтому они в значительной степени более экспериментальны и все еще находятся в разработке. Вот почему сейчас основное внимание уделяется стандартизации инструментов. Это определенно стоит следить за развитием, так как эти вещи разрабатываются Anthropic и сообществом с открытым исходным кодом. Но прямо сейчас, да, просто сосредоточимся на инструментах для начала. Это клиенты, и я покажу вам, как создать собственный с помощью Python позже, но давайте перейдем к забавной части — серверам, которые уже доступны нам для работы с нашей файловой системой и Google Диском, например. И они также показывают, как настроить все это в Claude Desktop. Мы сделаем это через секунду, но сначала я хочу показать вам этот официальный репозиторий MCP на GitHub, в котором есть список множества серверов, которые вы можете использовать прямо сейчас. У них есть официальные серверы, разработанные Anthropic, официальная интеграция. Эти компании сами создали серверы MCP для использования их сервисов, и у вас также есть серверы, управляемые сообществом. И это удивительно, количество сервисов, которые уже доступны нам в качестве серверов MCP, поражает меня. И вы всегда можете создать свой собственный, если чего-то нет здесь. И у вас есть такие вещи, как Brave Search, например. Таким образом, у многих LLM уже есть веб-поиск, например, у ChatGPT, но у Claude и ваших локальных LLM их нет. И вы можете использовать это как сервер для этого. Вы можете иметь сервер для управления вашей базой данных Redis или вашей базой данных PostgreSQL с Superbase. И с этими официальными интеграциями так много невероятных компаний уже усердно работают над интеграцией с MCP, например, Browser Base. У них есть headless-браузер как услуга для таких вещей, как веб-краулинг и скрейпинг. У них есть эта субплатформа под названием Stagehand, и для нее есть сервер MCP. Вы можете буквально с помощью естественного языка заставить вашего агента ИИ просматривать веб-сайты, извлекать конкретную информацию — это просто невероятно. И затем у вас есть Quadrant, например, для RAG. Вам даже не нужно реализовывать пользовательские инструменты RAG, вы можете просто использовать этот Quadrant MCP. И для каждого из этих серверов MCP они будут созданы либо на JavaScript, либо на Python. Поэтому в зависимости от того, как они созданы, вы будете запускать их с помощью разных служб. Сервер MCP Brave Search, например, можно запустить с помощью Docker или npm. Таким образом, вы можете просто установить что-то вроде Docker Desktop, или вы можете установить Node.js, чтобы получить доступ к этой команде npm. А другие серверы MCP созданы на Python, например, сервер MCP базы данных векторов Chroma. И вы запускаете это с помощью uvicorn, который, если у вас установлен Python, вы можете просто pip install uvicorn для запуска этой команды. И все эти инструкции также говорят нам, как настроить это в Claude Desktop. Вы можете взять эти инструкции и использовать их для настройки в чем-то еще, например, в n8n, Wind Surf или Cursor. Таким образом, это всегда будет очень стандартно, просто немного подстройки.
Например, в Claude Desktop, способ настройки этих серверов, если вы перейдете в верхний левый угол, щелкните «Файл», а затем «Настройки», вы можете перейти на вкладку «Разработчик» и отредактировать свою конфигурацию прямо здесь. Это откроет эту папку на вашем компьютере, и затем я могу открыть свою конфигурацию в чем-то вроде VS Code. И вот мой JSON, моя конфигурация для всех моих серверов MCP, которые я настроил, просто следуя инструкциям в репозитории GitHub. Таким образом, у меня есть доступ к моей файловой системе, Brave для веб-поиска, последовательного мышления, что очень круто, у меня есть память, что-то вроде базовой реализации чего-то вроде MZero или Zeph. У меня есть Stagehand, это то, что я показал ранее, что действительно круто. Вы можете с помощью естественного языка заставить агента просматривать веб-сайты для вас. И у меня есть Archon, это мой сервер MCP для создателя агентов ИИ, над которым я работаю на своем канале. Все мои серверы MCP. С учетом этого, вернувшись к Claude Desktop, я могу видеть все доступные инструменты, щелкнув по этому значку молотка. Это будет очень похоже на Wind Surf и Cursor. Таким образом, это дает мне все мои инструменты и описание каждого из них. Таким образом, теперь я могу задать ему вопрос, который потребует от него использования этих инструментов совместно, чтобы сделать для меня вещи. В этом случае сначала ему нужно будет использовать Brave Search для запроса документации Pantic AI. А после завершения этого запроса и получения ссылки на Pantic AI ему нужно будет использовать Stagehand. Вот, потому что ему нужно посетить эту страницу. Итак, мы используем инструмент Stagehand Navigate. Он обработает это для меня, а затем вернется и использует следующий инструмент. Вот, да, он нашел страницу моделей. И теперь он хочет сделать снимок экрана, очень круто. Browser Base действительно удобен с Stagehand, я на самом деле могу зайти в их интерфейс, перейти к сессиям, взглянуть на эту запущенную сессию, и действительно, она здесь, на странице моделей Pantic AI. И я могу вернуться к Claude и задать ему вопросы об этом, это просто очень здорово. И это всего лишь примеры некоторых инструментов, которые я мог бы использовать. У меня настроено много из них, но посмотрите, как легко использовать эти инструменты вместе, чтобы делать потрясающие вещи.
Хорошо, мы уже много чего рассмотрели, так что давайте просто сделаем перерыв. На этом этапе мы определенно понимаем MCP на довольно высоком уровне: что это такое, почему это так важно, как мы можем его использовать. Мы использовали Claude Desktop в качестве примера, но вы можете посмотреть документацию для чего-то вроде Cursor, например, они обязательно добавят ее. Настройка будет очень похожа на Claude Desktop. Но теперь я хочу погрузиться в создание с помощью MCP. Мы можем создавать свои собственные серверы для упаковки собственных инструментов, и мы также можем создавать своих собственных клиентов. Мы можем создавать агентов ИИ с помощью таких фреймворков, как Pantic AI, которые могут использовать серверы MCP для инструментов агента. Все это видео, безусловно, было кратким курсом, я просто даю вам то, что вам нужно на высоком уровне, поэтому я буду довольно быстро проходить через эти строительные блоки с MCP, но просто дайте мне знать в комментариях, что вы хотите, чтобы я сделал отдельное видео для более детального погружения, потому что я определенно буду создавать больше контента по MCP в ближайшее время, и я хотел бы подробно рассказать о создании сервера MCP или интеграции MCP с n8n или Pantic AI. Просто дайте мне знать. Но сейчас я буду довольно быстро проходить вещи, дам вам несколько шаблонов для начала, чтобы вы могли сами погрузиться в это.
Во-первых, создание собственного сервера MCP очень важно, и я почти наверняка сделаю отдельное видео об этом в будущем. Есть несколько разных страниц в документации, которые я хочу быстро отметить. Во-первых, если вы перейдете к разработчикам серверов, они дадут вам хороший пример того, как создать простой сервер MCP для погоды с несколькими инструментами для работы с данными о погоде. А в зависимости от того, какой SDK вы хотите использовать, например, если вы хотите создать сервер MCP на Python, я настоятельно рекомендую проверить это, это приведет вас прямо на GitHub, где вы можете просмотреть примеры для конкретного языка, который вас интересует. И здесь гораздо больше информации, поэтому я не буду углубляться в это сейчас, потому что действительно важная вещь, которую я хочу показать, — это создание MCP с помощью LLM, потому что, будем честны, насколько бы круто ни было кодирование на ходу, я не очень доверяю этому, мы все используем помощники по кодированию на основе ИИ, по крайней мере, чтобы начать наши проекты. Таким образом, Claude в документации MCP показывает, как это сделать. Вы можете посетить этот llm.d.txt, и это даст вам всю документацию MCP в формате Markdown. Таким образом, вы можете скопировать и вставить его в свою любимую IDE для ИИ. Я могу скопировать это, перейти в что-то вроде Wind Surf, например, а затем просто вставить весь этот текст туда. И я могу попросить его использовать это, чтобы затем создать для меня сервер MCP. И, например, я мог бы заставить его создать сервер Brave, если бы захотел. А также в Wind Surf, если вы можете просто сослаться на документацию MCP напрямую, вы можете сделать это и в других IDE для ИИ, я думаю, также в Cursor. Очень мощно, у вас есть оба варианта, но я могу сказать: «Да, используй эти документы, чтобы создать сервер MCP, который ищет в интернете с помощью Brave». Бац! И я могу просто отправить это, позволю ему сделать свою работу. Он будет искать во всей документации, создаст для меня много кода, и я вернусь, когда он будет создан. И посмотрите, он создал для нас полноценный сервер MCP. Я не буду подробно рассматривать весь код, я также не буду запускать его прямо сейчас, просто потому что я хотел показать это очень кратко. Но это выглядит очень солидно, похоже на очень хорошо написанный сервер MCP. Я приму все эти изменения. В нем есть инструмент для веб-поиска Brave, он даже использует пару разных конечных точек API для Brave, что очень здорово, и он дает мне пример конфигурации Claude Desktop, файл Readme. Он сделал все за меня. Я имею в виду, часть этого — это просто Wind Surf, который великолепен, но да, как будто он использовал всю документацию для MCP, чтобы создать это для меня. И я знаю, что Brave — это просто пример для демонстрации, вы, вероятно, захотите создать что-то, чего еще нет в репозитории GitHub. Но да, я думаю, я сделаю отдельное видео об этом позже, где я создам сервер MCP с нуля, сделав что-то, чего еще нет. Потому что в конце концов, есть много разных служб, у которых нет серверов MCP, и вы хотите иногда создавать действительно пользовательские серверы, которые, может быть, объединяют разные инструменты или работают с локальными LLM, которые вы настроили. Я имею в виду, бесконечные возможности.
Далее у нас есть n8n. Вы можете интегрировать серверы MCP непосредственно в своих агентах ИИ n8n, и все это с помощью этого узла сообщества, который был разработан недавно. У меня будет ссылка на этот репозиторий GitHub в описании, в котором есть инструкции по установке всего, а также пример того, как интегрироваться с сервером MCP Brave, который я фактически использовал как один из моих. Итак, вернувшись в n8n, вы можете перейти к настройкам в нижнем левом углу. Это будет работать, если вы используете n8n самостоятельно или запускаете его локально, а затем просто перейдите на вкладку «Узлы сообщества», затем вы можете нажать «Установить», а затем просто введите nn-node-mcp и установите его. Это так просто. У меня есть своя собственная пользовательская версия, которую я, возможно, когда-нибудь сделаю PR в этот основной репозиторий. Это не очень зрелый узел, есть некоторые сбои, над которыми я работал за кулисами, возможно, позже сделаю видео об этом. Но да, вернемся к агенту. Теперь в одном из этих узлов MCP, который вы можете иметь как базовый узел или как инструмент для ваших агентов, вы можете войти, а затем создать учетные данные для каждого из серверов MCP, которые вы хотите настроить. Таким образом, очень похоже на Claude Desktop и другие приложения, у вас есть ваша основная команда, такая как npx, у вас есть ваши аргументы, а затем ваши переменные среды. Вы настраиваете все это, нажимаете «Сохранить», и затем у вас есть все эти инструменты, например, вы можете перечислить инструменты для сервера MCP, перечислить запросы, вы можете выполнить инструмент. Таким образом, у меня есть один здесь для перечисления инструментов для Brave, а другой для выполнения любого заданного инструмента Brave в пределах сервера MCP. Поэтому не стесняйтесь загрузить этот шаблон, доступный в описании, если вы хотите увидеть, как я предложил агенту работать с этими различными серверами MCP. У меня просто есть пара примеров здесь: Brave, а затем Convex. Но да, это довольно круто. Так что я могу открыть этот чат, и теперь я могу сказать: «Найди в интернете информацию о чистом капитале Илона Маска». Это то, что LLM определенно не смог бы сделать самостоятельно. И вы увидите, что сначала он вызывает инструмент, чтобы увидеть, какие инструменты Brave доступны, потому что он знает, что это для веб-поиска, а затем он выполняет один для поиска в Интернете. И вот, мы получили его чистый капитал. Да, 323 миллиарда долларов, что, кстати, на более чем 100 миллиардов меньше, чем в декабре. Очень интересно.
Последняя реализация, которую я хочу вам показать, — это как вы можете создавать пользовательские клиенты MCP в Python, чтобы использовать их в агентах ИИ, созданных с помощью таких фреймворков, как Pantic AI, которые мы используем прямо здесь. Таким образом, вы можете углубиться в документацию по Python SDK подробнее и не стесняйтесь также загрузить этот шаблон. Но да, я просто импортирую пару вещей из MCP, а затем использую их здесь, чтобы определить сервер, к которому я хочу подключиться, а затем создаю сеанс клиента, который я затем использую в своем агенте. Потому что то, что я делаю с клиентом, это собираю список инструментов с помощью этой вспомогательной функции, которая у меня есть здесь. Таким образом, он вызывает MCP, захватывает инструменты для сервера, упаковывает их все вместе в виде определений инструментов Pantic AI. Таким образом, он включает описание и аргументы для инструментов и всего остального, а затем я просто передаю это как инструменты TOS моему агенту Pantic AI, как я бы сделал, если бы определил все инструменты в коде, просто как в tools.py или что-то еще. Вот так просто настроить клиента, а затем использовать его в Pantic AI. Вы могли бы сделать что-то очень похожее с любым другим фреймворком, например, Crew AI или OpenAI SDK, если бы захотели. И теперь в своем терминале я могу просто запустить скрипт Python, как обычно, и затем пообщаться с этим агентом. Вы можете видеть, что он загружает сервер файловой системы, говорит мне, что это мой каталог, и я могу сказать что-то вроде «привет», и он не будет использовать инструмент, просто обычный разговор. Но потом я могу сказать: «Какие файлы доступны?», и он обратится к этому инструменту, используя сервер MCP напрямую, чтобы сообщить мне файлы, которые у меня есть в этой папке. И да, это правильный ответ. Итак, да, я определенно хочу сделать отдельное видео о создании этих клиентов в пользовательских агентах ИИ, поэтому дайте мне знать в комментариях, если вас это конкретно заинтересует, потому что я думаю, что могу действительно на это сконцентрироваться.
Это все, что я хотел рассказать о MCP, за исключением одной очень важной заключительной заметки, которую я хочу оставить вам, и это о будущем протокола контекста модели. Потому что вот в чем дело: кто знает, в ближайшем будущем будет ли разработана другая стандартизация, которая будет лучше и сделает MCP устаревшим? Я не думаю, что это произойдет, но даже если это произойдет, нам все равно очень важно погрузиться в этот протокол, потому что Anthropic делает отличную работу. Поэтому независимо от того, какой вид стандартизации в конечном итоге станет королем в ближайшие полдесятилетия или десятилетие, он будет очень похож на это, и знакомство с этими стандартизациями для добавления инструментов в LLM очень важно для нас, потому что это просто более высокий уровень понимания, который мы хотим разблокировать как разработчики и люди, просто создающие вещи с помощью ИИ. Anthropic также имеет невероятную дорожную карту, изложенную здесь. Я думаю, что у них действительно хорошее видение за MCP и действительно стремление сделать его королем стандартизации для агентов, таких как удаленная поддержка MCP. Я имею в виду, если вы заметили, мы запускали все наши серверы локально прямо сейчас, но возможность иметь их запущенными в облаке, позволяя нашим клиентам просто подключаться к ним в облаке, даже такие вещи, как аутентификация, авторизация и начало монетизации серверов MCP. Я уверен, что это тоже будет. Это очень важно. И, например, поддержка агентов, вот что меня зажигает: добавление возможности для сложных агентивных рабочих процессов с MCP и наличие субагентов, которые напрямую поддерживаются как серверы MCP, иерархическая система агентов. О, черт, так много невероятных вещей, которые мы можем встроить в эту стандартизацию, просто чтобы сделать все эти мощные концепции с ИИ, которые уже осуществимы с помощью агентивных рабочих процессов и расширенных инструментов и всего прочего, но это просто делает это намного более доступным для менее технически подкованных людей, чтобы мы могли обмениваться инструментами и идеями друг с другом. Это просто зажигает меня, и поэтому я хочу так сильно погрузиться во все, что связано с MCP.
Надеюсь, это видео дало вам все, что вам нужно, чтобы понять MCP на высоком уровне и как вы можете использовать его прямо сейчас. И пожалуйста, дайте мне знать в комментариях, в чем вы хотите, чтобы я углубился подробнее в своем следующем видео, посвященном MCP. Есть просто так много вещей, в которые я мог бы углубиться гораздо подробнее, таких как создание собственного сервера MCP, интеграция с n8n, создание этих клиентов в ваших агентах Pantic AI. Я мог бы сделать гораздо больше. Поэтому, если вам понравился этот контент, вы с нетерпением ждете большего количества вещей, агентов ИИ и MCP, я был бы очень признателен за лайк и подписку. И с этим я увижу вас в следующем видео.