سفری از AI به LLMS و MCP – 9 – ابزارهای MCP – به LLMS قدرت عمل می دهد

منابع رایگان

در پست قبلی ، ما نگاه کردیم منابع در پروتکل زمینه Model (MCP): چگونه LLMS می تواند به طور ایمن به داده های دنیای واقعی دسترسی پیدا کند تا درک آنها را بیان کند. اما گاهی اوقات ، خواندن کافی نیست

گاهی اوقات ، شما می خواهید مدل به کاری انجام دهیدبشر

این جایی است که ابزار در MCP وارد شوید.

در این پست ، ما بررسی خواهیم کرد:

• چه ابزاری در MCP وجود دارد
• نحوه کشف و فراخوانی ابزارها
• چگونه LLMS می تواند از ابزارها استفاده کند (با کنترل کاربر)
• الگوهای ابزار مشترک و شیوه های امنیتی
• نمونه های دنیای واقعی: از دستورات سیستم فایل گرفته تا بسته بندی های API

بیایید شیرجه بزنیم.

ابزارهای MCP چیست؟

ابزار توابع اجرایی هستند که یک LLM (یا کاربر) می تواند از طریق مشتری MCP تماس بگیرد. بر خلاف منابع – که داده های منفعل هستند –ابزارها عملیات فعال هستندبشر

مثالها شامل:

• اجرای یک فرمان پوسته
• تماس با API استراحت
• خلاصه یک سند
• ارسال یک مسئله GitHub
• ایجاد یک فرآیند ساخت

هر ابزار شامل:

• بوها نام (شناسه منحصر به فرد)
• بوها شرح (برای درک UI/مدل)
• در طرح ورودی (JSON SCHEMA توصیف پارامترهای مورد انتظار)

ابزارها به مدلها اجازه می دهند تا با جهان فراتر از زبان طبیعی – تحت نظارت کاربر ارتباط برقرار کنند.

ابزارهای کشف

مشتریان می توانند ابزارهای موجود را از طریق:
tools/list

پاسخ مثال:

{
  "tools": [
    {
      "name": "calculate_sum",
      "description": "Add two numbers together",
      "inputSchema": {
        "type": "object",
        "properties": {
          "a": { "type": "number" },
          "b": { "type": "number" }
        },
        "required": ["a", "b"]
      }
    }
  ]
}

این امر به مشتریان (و LLMS) اجازه می دهد تا تصمیم بگیرند که کدام ابزار در دسترس است و چگونه می توان آنها را به درستی فراخوانی کرد.

⚙ فراخوانی یک ابزار

برای اجرای یک ابزار ، مشتری ارسال می کند:

tools/call

با این بار بار:

{
  "name": "calculate_sum",
  "arguments": {
    "a": 3,
    "b": 5
  }
}

سرور با:

{
  "content": [
    {
      "type": "text",
      "text": "8"
    }
  ]
}

همین است! LLM اکنون می تواند از این خروجی در یک زنجیره استدلال چند مرحله ای استفاده کند.

استفاده از ابزار کنترل شده مدل

ابزارها به گونه ای طراحی شده اند که به طور خودکار توسط مدل ها فراخوانی شوند. میزبان واسطه این تعامل با:

این همان چیزی است که “رفتار عامل” را امکان پذیر می کند. به عنوان مثال:

کلود یک فایل CSV را می بیند و تصمیم می گیرد با Analyze_CSV تماس بگیرد تا میانگین ها را محاسبه کند – بدون اینکه کاربر صریحاً از آن درخواست کند.

الگوهای طراحی ابزار

بیایید به برخی از انواع ابزار مشترک و قدرتمند نگاه کنیم:

ابزار سیستم

{
  "name": "run_command",
  "description": "Execute a shell command",
  "inputSchema": {
    "type": "object",
    "properties": {
      "command": { "type": "string" },
      "args": {
        "type": "array",
        "items": { "type": "string" }
      }
    }
  }
}

از مورد استفاده کنید: اجازه دهید LLM GREP یک پرونده ورود به سیستم داشته باشد ، یا سیستم را به موقع بررسی کنید.

ادغام API

{
  "name": "create_github_issue",
  "description": "Open a new issue on GitHub",
  "inputSchema": {
    "type": "object",
    "properties": {
      "repo": { "type": "string" },
      "title": { "type": "string" },
      "body": { "type": "string" }
    }
  }
}

از مورد استفاده کنید: اجازه دهید یک دستیار AI Dev Assist Assist File Bugs باشد یا تغییراتی را پیشنهاد کند.

تجزیه و تحلیل

{
  "name": "summarize_csv",
  "description": "Summarize a CSV file",
  "inputSchema": {
    "type": "object",
    "properties": {
      "filepath": { "type": "string" }
    }
  }
}

استفاده از مورد: اجازه دهید LLM معیارهای عملکرد یا داده های کاربر را تجزیه و تحلیل کند.

بهترین روشهای امنیتی

توانایی اقدام به LLMS به معنای امنیت بسیار مهم است. در اینجا نحوه ایمن ماندن آورده شده است:

اعتبار همه ورودی ها
از طرح های دقیق JSON استفاده کنید

Sanitize INPUT (به عنوان مثال ، مسیرهای پرونده ، دستورات)

از کنترل های دسترسی استفاده کنید
ابزارهای حساس به دروازه در پشت نقش ها

اجازه دهید انتخاب یا تأیید کاربر

ورود به سیستم و نظارت بر استفاده
پیگیری از کدام ابزارها ، با چه استدلالی

خطاهای ورود به سیستم و خروجی برای مسیرهای حسابرسی

خطاها را با لطف انجام دهید
خطاهای ساختاری را در نتیجه ، نه فقط استثنائات خام برگردانید. این به LLM کمک می کند تا سازگار شود.

{
  "isError": true,
  "content": [
    {
      "type": "text",
      "text": "Error: File not found."
    }
  ]
}

مثال: اجرای سرور ابزار در پایتون

@mcp.tool()
async def get_weather(city: str) -> str:
    """Return current weather for a city."""
    data = await fetch_weather(city)
    return f"The temperature in {city} is {data['temp']}°C."

این ابزار به طور خودکار در پاسخ ابزار/لیست ظاهر می شود و توسط LLM یا کاربر قابل استفاده است.

چرا ابزارها برای نمایندگان اهمیت دارند

نمایندگان فقط چت بابات نیستند – آنها سیستم های تعاملی هستند. ابزارها به آنها این توانایی را می دهند:

• اقدامات دنیای واقعی را انجام دهید

• گردش کار پویا را بسازید

• استدلال زنجیره ای در چندین مرحله

• اتوماسیون رانندگی را به روش های ایمن و قابل شنیدن

همراه با منابع ، اعلان ها و نمونه گیری ، ابزارها باعث می شود LLM ها مانند دستیاران مشترک باشند ، نه فقط پیش بینی کننده متن.

🛠 بررسی اجمالی مفاهیم ابزار

آمدن بعدی: نمونه گیری و درخواست ها – اجازه می دهد سرور از مدل کمک بخواهد

در دو پست پایانی این سری ، ما بررسی خواهیم کرد:

✅ نمونه گیری – چگونه سرورها می توانند در طول گردش کار از LLM درخواست کنند
✅ Prompts-الگوهای قابل استفاده مجدد برای اقدامات کاربر محور یا مدل محور

ابزارها به LLMS قدرت عمل می دهند. با کنترل و طرح های مناسب ، آنها برای اتوماسیون در دنیای واقعی ، به بلوک های ساختمانی قابل استفاده تبدیل می شوند.