19 במרץ 2025 | זמן קריאה: 1 דקה

תוכן עניינים

• הקדמה
• הבנת הארכיטקטורה של MCP
• הגדרת סביבת הפיתוח של MCP
• אפשרויות פריסה
  • 1. התקנה מקומית (שימוש פרטי)
  • 2. פריסת ענן בארוח עצמי (SSE Transport)
  • 3. פריסה על מכונות וירטואליות
• שיקולי אבטחה
• סיכום
• רשימת משאבים של Model Context Protocol

הקדמה

Model Context Protocol (MCP) מהפך את האופן שבו מודלים שפה גדולים (LLMs) מתקשרים עם מקורות נתונים חיצוניים וכלים. חשבו על MCP כ-"USB-C עבור יישומי בינה מלאכותית" – ממשק סטנדרטי המאפשר למודלים של בינה מלאכותית להתחבר למגוון מקורות נתונים וכלים בצורה חלקה. במדריך זה, אדריך אתכם בבניית ואירוח שרתי MCP משלכם, הן לשימוש פרטי והן לשימוש ציבורי, מבלי שתצטרכו לפתוח את הקוד שלכם כקוד פתוח.

הבנת הארכיטקטורה של MCP

MCP Hosts: יישומים כמו Claude Desktop או Cursor AI שרוצים לגשת לנתונים דרך MCP
MCP Clients: לקוחות פרוטוקול השומרים על חיבורים עם שרתים
MCP Servers: תוכניות קלות משקל החושפות יכולות ספציפיות דרך הפרוטוקול הסטנדרטי

שיטות תקשורת:

• stdio לתקשורת מקומית
• Server-Sent Events (SSE) לפריסה בענן/מרחוק

הגדרת סביבת הפיתוח של MCP

בואו נתחיל עם הגדרת שרת MCP בסיסי ב-JavaScript/TypeScript, שפת היישום הנפוצה ביותר:

import { createServer } from '@anthropic-ai/mcp-js'; const server = createServer({ name: 'my-custom-mcp', version: '1.0.0', capabilities: [{ name: 'my-custom-capability', description: 'Provides access to custom data', methods: { search: async (query) => { return { results: ['result1', 'result2'] }; } } }] }); server.listen();

לחובבי Python, הנה כיצד להגדיר שרת MCP פשוט. עיינו בתיעוד זה להתקנה ושימוש:

from mcp.server.fastmcp import FastMCP # Create an MCP server server = FastMCP("my-python-mcp") # Add capabilities like tools @server.tool() def example_tool(arg1: str) -> str: """Example tool description""" return f"Processed: {arg1}" # Add dynamic resources @server.resource("example://{param}") def get_example(param: str) -> str: """Example resource""" return f"Resource data for {param}" # Run the server if __name__ == "__main__": server.run()

אפשרויות פריסה

1. התקנה מקומית (שימוש פרטי)

לשימוש אישי ללא פרסום:

# For JavaScript/TypeScript projects npm install -g . # For Python projects using pip pip install -e . # For Python projects using uv (recommended) uv pip install -e .

הדגל -e (מצב עריכה) מתקין את החבילה מקומית במצב פיתוח, כך שהשינויים שלך בקוד משתקפים מיד ללא צורך בהתקנה מחדש. זה עובד הן עבור pip והן עבור uv.

להוספת MCP כתלות בפרויקט Python קיים שלך:

# Using uv (recommended) uv add "mcp[cli]" # Using pip pip install mcp

להפעלת כלי הפיתוח של MCP:

# Using uv uv run mcp # Using pip-installed version mcp

גישה זו שומרת על היתרונות של שימוש ב-uv (ניהול תלויות מהיר ואמין יותר) תוך אספקת פונקציונליות מקבילה לפקודה pip install -e . עבור פיתוח מקומי מבלי לפרסם את שרת ה-MCP שלך.

2. פריסת ענן בארוח עצמי (SSE Transport)

לגישה מרחוק באמצעות SSE, שנו את השרת שלכם:

from mcp.server.fastmcp import FastMCP import uvicorn server = FastMCP("my-python-mcp") if __name__ == "__main__": uvicorn.run(server.sse_app(), host="0.0.0.0", port=3000)

3. פריסה על מכונות וירטואליות

לפריסה על VM:

• הקצו VM ב-AWS, GCP, או Azure
• התקינו Node.js/Python ותלויות
• פרסו את שרת ה-MCP שלכם עם SSE transport
• הגדירו כללי חומת אש

דוגמה לתצורת Nginx:

server { listen 80; server_name your-domain.com; location / { proxy_pass http://localhost:3000; } }

שיקולי אבטחה

• אימות: השתמשו במפתחות API או OAuth
• הגבלת קצב: מנעו ניצול לרעה
• HTTPS: תמיד השתמשו ב-SSL/TLS
• רישום וניטור: עקבו אחר השימוש וזהו חריגות

סיכום

MCP מאפשר ליישומי בינה מלאכותית לתקשר עם מקורות נתונים חיצוניים וכלים בצורה חלקה. בין אם תבחרו התקנה מקומית, פריסת ענן, או שירותים מנוהלים, MCP מספק פתרונות גמישים לאינטגרציות הבינה המלאכותית שלכם.