Model Context Protocol (MCP)

Model Context Protocol (MCP) är ett protokoll som möjliggör för AI-modeller att hämta ytterligare information eller kontext från externa datakällor under en interaktion. Protokollet gör det möjligt för AI-system att söka och hämta relevant information från dokument, databaser eller andra kunskapskällor för att förbättra sina svar eller resonemang.

MCP löser ett grundläggande problem med stora språkmodeller (LLM): deras begränsade kontextfönster och statiska kunskap. Genom att använda MCP kan en AI-modell:

  • Få tillgång till aktuell information som ligger utanför dess träningsdata
  • Hämta specifik dokumentation eller information från en organisations kunskapsbas
  • Leverera mer preciserade och källbelagda svar
  • Minimera hallucineringar när det gäller faktabaserade svar

AI Wiki har implementerat Model Context Protocol för att ge AI-modeller tillgång till wikisidorna. Implementeringen finns tillgänglig på https://mcp.aiwiki.se/ och gör det möjligt för AI-modeller att:

  • Lista tillgängliga dokumentsidor
  • Söka efter specifikt innehåll
  • Hämta innehållet i specifika sidor
  • Få information om dokumentstruktur och namespaces

Ett testverktyg för att utforska MCP-implementeringen finns tillgängligt på https://test.aiwiki.se/.

MCP Test Interface

MCP-implementeringen på AI Wiki erbjuder följande endpoints:

Lista filer

https://mcp.aiwiki.se/?action=list

Parametrar:

  • directory (valfri): Begränsa listningen till en specifik katalog
  • namespaces (valfri): Om satt till ”true” kommer svaret inkludera namespace-information

Exempel:

Sökning

Parametrar:

  • query (obligatorisk): Termen att söka efter
  • directory (valfri): Begränsa sökningen till en specifik katalog/namespace
  • namespaces (valfri): Om satt till ”true” kommer svaret inkludera namespace-information

Exempel: https://mcp.aiwiki.se/?action=search&query=prompt&directory=kunskap

Hämta fil

Parametrar:

  • filename (obligatorisk): Den relativa sökvägen till filen från data/pages-katalogen

Exempel:

AI Wiki:s MCP-implementation stödjer DokuWiki-namespaces, vilka kan användas för att organisera och kategorisera information. Genom att aktivera namespace-parametern (namespaces=true) i anropen inkluderas följande extra fält i svaren:

  • namespace: DokuWiki-namespace för sidan (t.ex. ”prompt:recensioner”)
  • id: DokuWiki-sidans fullständiga ID (t.ex. ”prompt:recensioner:analys_av_rapportutkast”)

För att söka inom en specifik namespace kan du använda directory-parametern med antingen kolon (”:”) eller slash (”/”) notation: https://mcp.aiwiki.se/?action=search&query=analys&directory=prompt/recensioner

För att integrera MCP med en AI-modell behöver modellen utrustas med förmågan att anropa MCP-API:et när den behöver ytterligare information. Detta kan implementeras genom att:

  • Lägga till funktionsanrop (function calling) i modellens promptmall
  • Definiera en process där modellen kan begära ytterligare kontext
  • Skapa verktyg som kan anropa MCP-API:et och returnera resultat till modellen

En typisk interaktionskedja skulle kunna se ut så här:

1. Användaren ställer en fråga till AI-modellen
2. Modellen identifierar att den behöver mer information
3. Modellen anropar MCP-API:et för att söka efter relevant information
4. API:et returnerar sökresultat eller filinnehåll
5. Modellen använder den nya informationen för att formulera ett mer korrekt svar

Implementeringen av Model Context Protocol på AI Wiki ger flera fördelar:

  • Aktuell information: AI-modeller kan få tillgång till den senaste informationen på wikin
  • Källbelagda svar: Modeller kan citera specifika wikisidor som källa för sina svar
  • Anpassad kunskap: Tillgång till den specialiserade kunskap som finns samlad på AI Wiki
  • Förbättrad precision: Minskar risken för hallucineringar genom att basera svar på faktiskt innehåll

För att utforska MCP-implementeringen på AI Wiki finns ett testverktyg tillgängligt på https://test.aiwiki.se/. Detta verktyg låter dig:

  • Lista filer i olika kataloger
  • Söka efter innehåll med stöd för namespace-filtrering
  • Hämta och visa innehåll i specifika filer
  • Se exakta API-anrop och svarsstrukturer