AI导哈

模型上下文协议

模型上下文协议（MCP）是一种管理和利用语言模型交互中上下文的方法，通过LangChain和GPT-4构建上下文感知的AI应用，提供个性化响应和连贯的多轮对话。

  • by chawla15
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 chawla15/MCP-Model-Context-Protocol

使用说明

MCP-模型-上下文-协议

使用LangChain和GPT-4展示模型上下文协议（MCP）的应用。此项目展示了如何构建具有上下文感知能力的AI应用，这些应用能够维护和利用对话上下文，以提供更加个性化和相关的响应。

什么是模型上下文协议（MCP）？

“模型上下文协议”是一种在语言模型交互中管理和利用上下文的方法。它实现了：

  • 情境感知维护用户偏好、对话历史及相关背景信息
  • 个性化回复根据积累的上下文定制AI回复
  • 改进了连续性创建更连贯的多轮对话

特点/功能

✨（闪亮的星星或表示赞许、喜悦等的符号） 上下文感知的大型语言模型链展示如何使用LangChain在提示中注入上下文

🔑 翻译成中文是：钥匙 安全的API密钥管理使用 python-dotenv 来处理环境变量

🎯（目标） GPT-4 集成利用OpenAI的GPT-4模型进行智能回复

📝（这个符号本身没有直接的中文翻译，但通常表示“待办事项”或“笔记”的意思，可以理解为“📝 笔记/待办事项”） 实际示例包含一个完整的可运行示例，附有示例上下文和用户输入

安装

  1. 克隆仓库：
git clone https://github.com/chawla15/MCP-Model-Context-Protocol.git
cd MCP-Model-Context-Protocol
  1. 安装所需的依赖项：
pip install -r requirements.txt
  1. 创建一个 .env 文件 在项目根目录下并添加您的OpenAI API密钥：
OPENAI_API_KEY=your_api_key_here

运行应用程序

运行主应用程序：

python main.py

这将执行MCP示例，展示在与GPT-4的对话中，上下文是如何被加载、管理和使用的。

代码示例

以下是核心实现代码 main.py：

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.output_parser import StrOutputParser

# Load environment variables
load_dotenv()

def run_mcp_example():
    """Demonstrates Model Context Protocol with LangChain and GPT-4"""
    
    # Initialize GPT-4 model
    llm = ChatOpenAI(
        model="gpt-4",
        temperature=0.7,
        api_key=os.getenv("OPENAI_API_KEY")
    )
    
    # Define conversation context
    context = {
        "user_name": "Alice",
        "previous_topic": "artificial intelligence and machine learning",
        "user_preference": "technical explanations with practical examples"
    }
    
    # Create context-aware prompt template
    prompt_template = ChatPromptTemplate.from_messages([
        ("system", "You are a helpful AI assistant. The user's name is {user_name}. "
                   "They previously discussed {previous_topic}. "
                   "They prefer {user_preference}."),
        ("user", "{user_input}")
    ])
    
    # Build the LLM chain
    chain = prompt_template | llm | StrOutputParser()
    
    # Execute with context
    response = chain.invoke({
        "user_name": context["user_name"],
        "previous_topic": context["previous_topic"],
        "user_preference": context["user_preference"],
        "user_input": "Can you explain how context is used in language models?"
    })
    
    return response

它是如何工作的

  1. 环境设置应用程序使用环境变量从OpenAI API加载API密钥 python-dotenv

  2. 上下文定义用户特定的上下文定义包括：

    • 用于个性化的用户名
    • 保持连贯性的先前对话主题
    • 用户对回复风格的偏好

  3. 提示工程A. ChatPromptTemplate 创建了一个机制，将上下文信息注入到系统消息中，确保人工智能了解用户的背景

  4. 大型语言模型（LLM）链创建LangChain的链语法（| (运算符)连接：

    • 提示模板 → GPT-4模型 → 字符串输出解析器

  5. 上下文感知执行该链结合上下文和用户输入被调用，从而生成个性化的回复

示例输出

Initializing MCP Example with LangChain and GPT-4...

Context Information:
  - User: Alice
  - Previous Topic: artificial intelligence and machine learning
  - Preference: technical explanations with practical examples

User Input: Can you explain how context is used in language models?

AI Response:
Hi Alice! Since you're interested in AI and ML, let me explain context in language models...
[Personalized response based on context]

MCP Example completed successfully!

项目结构

MCP-Model-Context-Protocol/
├── main.py              # Main application with MCP implementation
├── requirements.txt     # Project dependencies
├── README.md           # Project documentation
└── .env                # Environment variables (create this file)

依赖项

  • LangChain基于语言模型的应用程序开发框架
  • **LangChain-OpenAI（或可译为“OpenAI的LangChain集成/扩展”）**LangChain的OpenAI集成
  • OpenAI官方OpenAI Python客户端库
  • python-dotenv环境变量管理

用例

这个MCP实现可以扩展用于：

  • 🤖 机器人 聊天机器人 记住用户偏好
  • 📚 书籍 教育助理 适应学习风格的
  • 💼 代表“商务/工作”或“文件夹”（根据上下文，这里更倾向于翻译为“商务/工作”以符合常用表达） 商业应用 维护客户上下文
  • 🔍 翻译成中文是：🔍（这个符号本身没有直接的中文翻译，但可以理解为表示“查找”或“搜索”的意思，类似于中文里的“🔍”或“🔍”等表情符号所表达的概念） 研究工具 那个轨道调查主题

做出贡献

欢迎贡献！请随时提交拉取请求。

许可证

这个项目是开源的，并遵循MIT许可证发布。

相关 MCP