Протокол контекста модели (MCP) преобразовал, как системы ИИ подключаются к внешним службам. Тем не менее, до недавнего времени эти взаимодействия оставались жесткими и хрупкими. Инструменты либо будут успешными, когда все параметры были предоставлены до выполнения, либо они потерпят неудачу с расплывчатыми ошибками. Эта модель с одним выстрелом привела к разочарованию пользовательского опыта и ограничена изощренностью рабочих процессов искусственного интеллекта.
Выявление Позволяет серверу MCP сделать паузу и запросить структурированный ввод пользователя во время выполнения, тем самым превращая статический вывод инструмента в интерактивный разговор.
Выявление было официально включено в пересмотр спецификации MCP от 18 июня 2025 года и в настоящее время находится в статусе проекта. FASTMCP, ранняя структура MCP, включала в себя обработчики выявления в свою версию 2.10.0, предоставляя Python Dataclass Abstractions через схемы JSON и упрощая опыт разработчика. Но в настоящее время ни один крупный поставщик LLM SDK или размещенная конечная точка модели национально поддерживает выявление, поэтому разработчики должны полагаться на пользовательские реализации клиентов или специализированные фреймворки для доступа к этой функции.
Выявление знаменует собой сдвиг в сторону совместных рабочих процессов искусственного интеллекта, где в системе и человеке не хватает контекста.
Выявление представляет собой больше, чем обновление постепенного протокола. Это знаменует собой сдвиг в сторону совместных рабочих процессов искусственного интеллекта, где система и человеческий раскрытие не хватает контекста, а не ожидают всех деталей заранее.
Разработчики Python, создающие инструменты MCP, теперь могут сосредоточиться на сборе логики основной логики и делегирования параметров для самого протокола, что позволяет получить более оптимизированный подход. Клиенты объявляют возможность выявления во время инициализации, поэтому серверы знают, что они могут выявить вклад в любое время. Эта стандартизированная обмена освобождает разработчиков от создания пользовательских интерфейсов или создания специальных подсказок, обеспечивая когерентное поведение среди различных клиентов MCP.
Поток выявления на практике
Понимание выявления требует визуализации того, как оно преобразует традиционный цикл запроса. Следующая диаграмма последовательности иллюстрирует типичный рабочий процесс выявления, где пользователь запрашивает информацию о состоянии полета:
Эта диаграмма показывает, как выявление создает совместную петлю. Вместо сбоя сервера, когда ему не хватает необходимой информации, он приостанавливает выполнение, чтобы собрать необходимые данные от пользователя через интерфейс клиента, а затем продолжает обработку. Обратите внимание, что диаграмма не включает LLM. При включении LLM он получает полный контекст и может предоставить интеллектуальный анализ на основе динамически собранной информации. Мы рассмотрим эту идею больше в предстоящих учебных пособиях.
Свободно от традиционных схем запроса-ответа
Традиционные модели инструментов MCP следуют предсказуемой, ограничивающей структуре. Когда вы вызовыте инструмент, вы должны немедленно предоставить все необходимые параметры. Если какой -либо параметр отсутствует или утроен, инструмент не выполняется. Этот подход отражает классические вызовы функции в программировании, но он плохо переводится на взаимодействие человека с человеком, где контекст часто возникает посредством разговора, а не известного заранее.
Рассмотрим инструмент бронирования в ресторане. В традиционном шаблоне, если пользователь запрашивает таблицу на 25 декабря, не осознавая, что ресторан закрыт в тот день, инструмент просто возвращает ошибку. Пользователь должен сделать еще один полный запрос с другой датой. Это создает трение, требует нескольких круглых поездок и обеспечивает плохой опыт, который больше похож на код отладки, чем на полезное взаимодействие.
Инструмент становится партнером -сотрудником, а не жесткой функцией, которая либо преуспевает, либо не удается.
Выявление меняет эту фундаментальную динамику. Вместо того, чтобы терпеть неудачу, когда запрашиваемая дата недоступна, инструмент может спросить пользователя, хотят ли он попробовать другую дату, предложить альтернативы и заполнить бронирование в едином естественном рабочем процессе. Инструмент становится партнером -сотрудником, а не жесткой функцией, которая либо преуспевает, либо не удается.
Этот переход от одноразового исполнения к многообразивому разговору позволяет изящно обрабатывать неоднозначность. Вместо того, чтобы требовать идеального ввода, инструменты могут уточнить требования, постепенно собирать недостающую информацию и адаптировать свое поведение на основе ответов пользователей. Протокол обеспечивает стандартизированный способ для серверов запросить дополнительную информацию с помощью структурированных схем, обеспечивая согласованность между различными клиентами при сохранении гибкости в реализации.
Человек в петле как первоклассная способность
Выявление трансформирует рабочие процессы человека в петле (HITL) от запоздалой мысы в основную способность. Традиционные системы ИИ часто борются со сценариями, которые требуют человеческого суждения, одобрения или дополнительного контекста. Разработчики должны были создавать пользовательские решения для каждого случая, что приводило к непоследовательному опыту и значительному развитию накладных расходов.
При выявлении рисунки HITL становятся естественными расширениями функциональности инструмента. Инструмент миграции базы данных может запросить подтверждение перед внесением необратимых изменений. Система генерации документов может собирать предпочтения в стиле и требования к контенту посредством управляемого взаимодействия. Инструмент реагирования на инцидент может собирать оценки тяжести и информацию о заинтересованных сторонах в рамках его рабочего процесса.
Вместо того, чтобы пытаться автоматизировать все, выявление признает, что многие задачи выигрывают от человека в петле.
Модель безопасности, встроенная в выявление, гарантирует, что пользовательское агентство остается первостепенным. У пользователей всегда есть четкие параметры для принятия, снижения или отмены запросов. Протокол явно запрещает запрос конфиденциальной информации, такой как пароли или ключи API, тем самым устанавливая границы доверия, которые защищают пользователей, одновременно обеспечивая полезные взаимодействия. Клиенты должны четко указать, какой сервер запрашивает информацию, тем самым поддерживая прозрачность в отношении потока данных.
Этот подход к Hitl Workflows уважает человеческий опыт при использовании возможностей ИИ. Вместо того, чтобы пытаться автоматизировать все, выявление признает, что многие задачи выигрывают от человеческого суждения, контекста и принятия решений. Это обеспечивает инфраструктуру для ИИ и людей эффективно сотрудничать, каждый из которых способствует своим сильным сторонам для достижения лучших результатов.
Проектные соображения для эффективной реализации
Успешное реализация выявления требует вдумчивого дизайна. Подход-первый подход побуждает разработчиков тщательно думать о информационной архитектуре. Какие данные действительно необходимы? Как сложные требования могут быть разбиты на простые, ответственные вопросы? Очищенные схемы с описательными названиями и полезными описаниями руководят пользователей эффективно.
Модель отклика с тремя действиями (принятие, снижение, отмена) требует различных стратегий обработки. Принятие продолжает рабочий процесс с предоставленными данными. Снижение может вызвать альтернативные пути или упрощенные рабочие процессы. Отмена может позволить более позднюю повторную добычу или изящную деградацию в основной функциональности. Инструменты должны обрабатывать все три случая разумно, а не рассматривать снижение или отмену как сбои.
Прогрессивные модели раскрытия работают особенно хорошо в сочетании с выявлением.
Прогрессивные модели раскрытия работают особенно хорошо в сочетании с выявлением. Начните с вопросов на высоком уровне для установления контекста, а затем сверните в специфику на основе ответов. Этот подход уменьшает когнитивную нагрузку и помогает пользователям предоставлять точную информацию, устанавливая контекст, прежде чем запрашивать детали.
Управление государством становится решающим для сложных рабочих процессов. Инструменты должны поддерживать контекст в рамках нескольких раундов выявления, запоминающие предыдущие ответы и использование их для информирования последующих запросов. Это создает последовательные разговоры, а не отключенные вопросы.
Заключение
Выявление превращает MCP из протокола для интеграции инструментов в основу для сотрудничества Human-AI. Включая динамические, контекстуальные взаимодействия, он открывает возможности, которые мы только начинаем исследовать. Будущее ИИ заключается не в замене человеческих суждений, а в увеличении его через вдумчивые, интерактивные системы, которые уважают агентство пользователей, обеспечивая мощные возможности.
Для разработчиков, готовых принять эту парадигму, выявление предлагает инструменты для создания этого будущего сегодня. В следующей части этой серии я проведу вас по практическому использованию использования выявления с помощью FASTMCP. Следите за обновлениями!
Trending Stories youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Janakiram MSV является основным аналитиком в Janakiram & Associates и адъюнкт -преподавателем Международного института информационных технологий. Он также является квалифицированным Google Cloud Developer, сертифицированным архитектором решений Amazon, сертифицированным разработчиком Amazon, … Подробнее от Janakiram MSV
