इस हैंड्स-ऑन ट्यूटोरियल में, हम लैंगचेन, लैंगग्राफ और Google के मिथुन भाषा मॉडल का उपयोग करके एक हल्के, संदर्भ-जागरूक एआई सहायक को लागू करके मॉडल संदर्भ प्रोटोकॉल (MCP) के मुख्य सिद्धांतों को जीवन में लाते हैं। जबकि पूर्ण MCP एकीकरण में आम तौर पर समर्पित सर्वर और संचार प्रोटोकॉल शामिल होते हैं, यह सरलीकृत संस्करण दर्शाता है कि एक समान विचार, संदर्भ पुनर्प्राप्ति, उपकरण आह्वान और गतिशील बातचीत को एक मॉड्यूलर एजेंट आर्किटेक्चर का उपयोग करके एकल नोटबुक में फिर से बनाया जा सकता है। सहायक प्राकृतिक भाषा प्रश्नों का जवाब दे सकता है और चुनिंदा रूप से उन्हें बाहरी उपकरणों (एक कस्टम ज्ञान आधार की तरह) के लिए रूट कर सकता है, यह बताते हुए कि वास्तविक दुनिया के सेटअप में संदर्भ प्रदाताओं के साथ एमसीपी ग्राहक कैसे बातचीत करते हैं।
!pip install langchain langchain-google-genai langgraph python-dotenv
!pip install google-generativeaiसबसे पहले, हम आवश्यक पुस्तकालय स्थापित करते हैं। पहला कमांड लैंगचेन, लैंगग्राफ, Google जेनेरिक एआई लैंगचेन रैपर, और पायथन-डोटेनव के माध्यम से पर्यावरण चर समर्थन स्थापित करता है। दूसरा कमांड Google के आधिकारिक जनरेटिव AI क्लाइंट को स्थापित करता है, जो मिथुन मॉडल के साथ बातचीत को सक्षम करता है।
import os
os.environ("GEMINI_API_KEY") = "Your API Key"यहां, हम आपके मिथुन एपीआई कुंजी को एक पर्यावरण चर के रूप में सेट करते हैं ताकि मॉडल इसे आपके कोडबेस में हार्डकोडिंग के बिना सुरक्षित रूप से एक्सेस कर सके। Google AI स्टूडियो से अपनी वास्तविक कुंजी के साथ “अपनी API कुंजी” को बदलें।
from langchain.tools import BaseTool
from langchain_google_genai import ChatGoogleGenerativeAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema.messages import HumanMessage, AIMessage
from langgraph.prebuilt import create_react_agent
import os
model = ChatGoogleGenerativeAI(
model="gemini-2.0-flash-lite",
temperature=0.7,
google_api_key=os.getenv("GEMINI_API_KEY")
)
class SimpleKnowledgeBaseTool(BaseTool):
name: str = "simple_knowledge_base"
description: str = "Retrieves basic information about AI concepts."
def _run(self, query: str):
knowledge = {
"MCP": "Model Context Protocol (MCP) is an open standard by Anthropic designed to connect AI assistants with external data sources, enabling real-time, context-rich interactions.",
"RAG": "Retrieval-Augmented Generation (RAG) enhances LLM responses by dynamically retrieving relevant external documents."
}
return knowledge.get(query, "I don't have information on that topic.")
async def _arun(self, query: str):
return self._run(query)
kb_tool = SimpleKnowledgeBaseTool()
tools = (kb_tool)
graph = create_react_agent(model, tools)
इस ब्लॉक में, हम Langchain के Chatgooglegenerativeai का उपयोग करके मिथुन भाषा मॉडल (GENINI-2.0-Flash-Lite) को इनिशियलाइज़ करते हैं, एपीआई कुंजी के साथ पर्यावरण चर से सुरक्षित रूप से लोड किया गया है। फिर हम SimpleCKnowledgeBasetool नाम के एक कस्टम टूल को परिभाषित करते हैं जो “MCP” और “RAG” जैसी AI अवधारणाओं के बारे में पूर्वनिर्धारित उत्तरों को वापस करके एक बाहरी ज्ञान स्रोत का अनुकरण करता है। यह उपकरण एक बुनियादी संदर्भ प्रदाता के रूप में कार्य करता है, जो एक MCP सर्वर संचालित होगा। अंत में, हम एक रिएक्ट-स्टाइल एजेंट का निर्माण करने के लिए Langgraph के Create_React_agent का उपयोग करते हैं जो संकेतों के माध्यम से तर्क कर सकता है और गतिशील रूप से तय कर सकता है कि उपकरण कब कॉल करना है, MCP के टूल-अवेयर, संदर्भ-समृद्ध इंटरैक्शन सिद्धांत की नकल करना।
import nest_asyncio
import asyncio
nest_asyncio.apply()
async def chat_with_agent():
inputs = {"messages": ()}
print("🤖 MCP-Like Assistant ready! Type 'exit' to quit.")
while True:
user_input = input("nYou: ")
if user_input.lower() == "exit":
print("👋 Ending chat.")
break
from langchain.schema.messages import HumanMessage, AIMessage
inputs("messages").append(HumanMessage(content=user_input))
async for state in graph.astream(inputs, stream_mode="values"):
last_message = state("messages")(-1)
if isinstance(last_message, AIMessage):
print("nAgent:", last_message.content)
inputs("messages") = state("messages")
await chat_with_agent()अंत में, हमने MCP- प्रेरित सहायक के साथ बातचीत करने के लिए एक अतुल्यकालिक चैट लूप स्थापित किया। Nest_asyncio का उपयोग करते हुए, हम नोटबुक के मौजूदा इवेंट लूप के अंदर अतुल्यकालिक कोड चलाने के लिए समर्थन सक्षम करते हैं। CHAT_WITH_AGENT () फ़ंक्शन उपयोगकर्ता इनपुट को कैप्चर करता है, इसे रिएक्ट एजेंट को खिलाता है, और वास्तविक समय में मॉडल की प्रतिक्रियाओं को स्ट्रीम करता है। प्रत्येक मोड़ के साथ, सहायक यह तय करने के लिए टूल-अवेयर तर्क का उपयोग करता है कि क्या सीधे जवाब देना है या कस्टम नॉलेज बेस टूल का आह्वान करना है, इसका अनुकरण करना कि कैसे एक एमसीपी क्लाइंट डायनेमिक, संदर्भ-समृद्ध प्रतिक्रियाओं को वितरित करने के लिए संदर्भ प्रदाताओं के साथ बातचीत करता है।
अंत में, यह ट्यूटोरियल एमसीपी मानक से प्रेरित संदर्भ-जागरूक एआई एजेंटों के निर्माण के लिए एक व्यावहारिक आधार प्रदान करता है। हमने लैंगचेन के टूल इंटरफेस, लैंगग्राफ के एजेंट फ्रेमवर्क और जेमिनी की शक्तिशाली भाषा पीढ़ी को मिलाकर ऑन-डिमांड टूल टूल उपयोग और बाहरी ज्ञान पुनर्प्राप्ति का प्रदर्शन करने वाला एक कार्यात्मक प्रोटोटाइप बनाया है। यद्यपि सेटअप सरल है, यह एमसीपी की वास्तुकला के सार को पकड़ता है: मॉड्यूलरिटी, इंटरऑपरेबिलिटी और इंटेलिजेंट संदर्भ इंजेक्शन। यहां से, आप वास्तविक एपीआई, स्थानीय दस्तावेजों, या गतिशील खोज उपकरणों को एकीकृत करने के लिए सहायक का विस्तार कर सकते हैं, इसे मॉडल संदर्भ प्रोटोकॉल के सिद्धांतों के साथ संरेखित उत्पादन-तैयार एआई प्रणाली में विकसित कर सकते हैं।
यह रहा कोलैब नोटबुक। इसके अलावा, हमें फॉलो करना न भूलें ट्विटर और हमारे साथ जुड़ें तार -चैनल और लिंक्डइन जीआरओयूपी। हमारे साथ जुड़ने के लिए मत भूलना 85K+ एमएल सबरेडिट।
🔥 ।
Asif Razzaq MarkTechPost Media Inc के सीईओ हैं .. एक दूरदर्शी उद्यमी और इंजीनियर के रूप में, ASIF सामाजिक अच्छे के लिए कृत्रिम बुद्धिमत्ता की क्षमता का उपयोग करने के लिए प्रतिबद्ध है। उनका सबसे हालिया प्रयास एक आर्टिफिशियल इंटेलिजेंस मीडिया प्लेटफॉर्म, मार्कटेकपोस्ट का शुभारंभ है, जो मशीन लर्निंग और डीप लर्निंग न्यूज के अपने गहन कवरेज के लिए खड़ा है, जो तकनीकी रूप से ध्वनि और आसानी से एक व्यापक दर्शकों द्वारा समझ में आता है। मंच 2 मिलियन से अधिक मासिक विचारों का दावा करता है, दर्शकों के बीच अपनी लोकप्रियता को दर्शाता है।
