microsoft--mcp-for-beginners/translations/lt/05-AdvancedTopics/mcp-root-contexts/README.md

MCP Pagrindinės Kontekstai

Pagrindiniai kontekstai yra esminė Model Context Protocol (MCP) koncepcija, kuri užtikrina nuolatinį sluoksnį pokalbių istorijai ir bendros būsenos palaikymui per kelias užklausas ir sesijas.

Įvadas

Šioje pamokoje nagrinėsime, kaip kurti, valdyti ir naudoti pagrindinius kontekstus MCP.

Mokymosi tikslai

Šios pamokos pabaigoje jūs galėsite:

• Suprasti pagrindinių kontekstų paskirtį ir struktūrą
• Kurti ir valdyti pagrindinius kontekstus naudojant MCP klientų bibliotekas
• Įgyvendinti pagrindinius kontekstus .NET, Java, JavaScript ir Python programose
• Naudoti pagrindinius kontekstus daugiapakopiams pokalbiams ir būsenos valdymui
• Taikyti geriausias praktikas pagrindinių kontekstų valdyme

Pagrindinių Kontekstų Supratimas

Pagrindiniai kontekstai veikia kaip konteineriai, kuriuose saugoma susijusių sąveikų istorija ir būsena. Jie leidžia:

• Pokalbių tęstinumą: Užtikrinti nuoseklius daugiapakopius pokalbius
• Atminties valdymą: Saugojimą ir informacijos gavimą tarp sąveikų
• Būsenos valdymą: Progreso sekimą sudėtinguose darbo procesuose
• Konteksto dalijimąsi: Leidžia keliems klientams pasiekti tą pačią pokalbio būseną

MCP pagrindiniai kontekstai turi šias pagrindines savybes:

• Kiekvienas pagrindinis kontekstas turi unikalų identifikatorių.
• Jie gali apimti pokalbių istoriją, naudotojo nuostatas ir kitus metaduomenis.
• Jie gali būti kuriami, pasiekiami ir archyvuojami pagal poreikį.
• Jie palaiko detalią prieigos kontrolę ir leidimus.

Pagrindinio Konteksto Gyvavimo Ciklas

flowchart TD
    A[Create Root Context] --> B[Initialize with Metadata]
    B --> C[Send Requests with Context ID]
    C --> D[Update Context with Results]
    D --> C
    D --> E[Archive Context When Complete]

Darbas su Pagrindiniais Kontekstais

Štai pavyzdys, kaip kurti ir valdyti pagrindinius kontekstus.

C# Įgyvendinimas

// .NET Example: Root Context Management
using Microsoft.Mcp.Client;
using System;
using System.Threading.Tasks;
using System.Collections.Generic;

public class RootContextExample
{
    private readonly IMcpClient _client;
    private readonly IRootContextManager _contextManager;
    
    public RootContextExample(IMcpClient client, IRootContextManager contextManager)
    {
        _client = client;
        _contextManager = contextManager;
    }
    
    public async Task DemonstrateRootContextAsync()
    {
        // 1. Create a new root context
        var contextResult = await _contextManager.CreateRootContextAsync(new RootContextCreateOptions
        {
            Name = "Customer Support Session",
            Metadata = new Dictionary<string, string>
            {
                ["CustomerName"] = "Acme Corporation",
                ["PriorityLevel"] = "High",
                ["Domain"] = "Cloud Services"
            }
        });
        
        string contextId = contextResult.ContextId;
        Console.WriteLine($"Created root context with ID: {contextId}");
        
        // 2. First interaction using the context
        var response1 = await _client.SendPromptAsync(
            "I'm having issues scaling my web service deployment in the cloud.", 
            new SendPromptOptions { RootContextId = contextId }
        );
        
        Console.WriteLine($"First response: {response1.GeneratedText}");
        
        // Second interaction - the model will have access to the previous conversation
        var response2 = await _client.SendPromptAsync(
            "Yes, we're using containerized deployments with Kubernetes.", 
            new SendPromptOptions { RootContextId = contextId }
        );
        
        Console.WriteLine($"Second response: {response2.GeneratedText}");
        
        // 3. Add metadata to the context based on conversation
        await _contextManager.UpdateContextMetadataAsync(contextId, new Dictionary<string, string>
        {
            ["TechnicalEnvironment"] = "Kubernetes",
            ["IssueType"] = "Scaling"
        });
        
        // 4. Get context information
        var contextInfo = await _contextManager.GetRootContextInfoAsync(contextId);
        
        Console.WriteLine("Context Information:");
        Console.WriteLine($"- Name: {contextInfo.Name}");
        Console.WriteLine($"- Created: {contextInfo.CreatedAt}");
        Console.WriteLine($"- Messages: {contextInfo.MessageCount}");
        
        // 5. When the conversation is complete, archive the context
        await _contextManager.ArchiveRootContextAsync(contextId);
        Console.WriteLine($"Archived context {contextId}");
    }
}

Ankstesniame kode mes:

1. Sukūrėme pagrindinį kontekstą klientų aptarnavimo sesijai.
2. Siuntėme kelias žinutes tame kontekste, leidžiant modeliui išlaikyti būseną.
3. Atnaujinome kontekstą su atitinkamais metaduomenimis pagal pokalbį.
4. Gavome konteksto informaciją, kad suprastume pokalbio istoriją.
5. Archyvavome kontekstą, kai pokalbis buvo baigtas.

Pavyzdys: Pagrindinio Konteksto Įgyvendinimas Finansinei Analizei

Šiame pavyzdyje sukursime pagrindinį kontekstą finansinės analizės sesijai, parodydami, kaip išlaikyti būseną per kelias sąveikas.

Java Įgyvendinimas

// Java Example: Root Context Implementation
package com.example.mcp.contexts;

import com.mcp.client.McpClient;
import com.mcp.client.ContextManager;
import com.mcp.models.RootContext;
import com.mcp.models.McpResponse;

import java.util.HashMap;
import java.util.Map;
import java.util.UUID;

public class RootContextsDemo {
    private final McpClient client;
    private final ContextManager contextManager;
    
    public RootContextsDemo(String serverUrl) {
        this.client = new McpClient.Builder()
            .setServerUrl(serverUrl)
            .build();
            
        this.contextManager = new ContextManager(client);
    }
    
    public void demonstrateRootContext() throws Exception {
        // Create context metadata
        Map<String, String> metadata = new HashMap<>();
        metadata.put("projectName", "Financial Analysis");
        metadata.put("userRole", "Financial Analyst");
        metadata.put("dataSource", "Q1 2025 Financial Reports");
        
        // 1. Create a new root context
        RootContext context = contextManager.createRootContext("Financial Analysis Session", metadata);
        String contextId = context.getId();
        
        System.out.println("Created context: " + contextId);
        
        // 2. First interaction
        McpResponse response1 = client.sendPrompt(
            "Analyze the trends in Q1 financial data for our technology division",
            contextId
        );
        
        System.out.println("First response: " + response1.getGeneratedText());
        
        // 3. Update context with important information gained from response
        contextManager.addContextMetadata(contextId, 
            Map.of("identifiedTrend", "Increasing cloud infrastructure costs"));
        
        // Second interaction - using the same context
        McpResponse response2 = client.sendPrompt(
            "What's driving the increase in cloud infrastructure costs?",
            contextId
        );
        
        System.out.println("Second response: " + response2.getGeneratedText());
        
        // 4. Generate a summary of the analysis session
        McpResponse summaryResponse = client.sendPrompt(
            "Summarize our analysis of the technology division financials in 3-5 key points",
            contextId
        );
        
        // Store the summary in context metadata
        contextManager.addContextMetadata(contextId, 
            Map.of("analysisSummary", summaryResponse.getGeneratedText()));
            
        // Get updated context information
        RootContext updatedContext = contextManager.getRootContext(contextId);
        
        System.out.println("Context Information:");
        System.out.println("- Created: " + updatedContext.getCreatedAt());
        System.out.println("- Last Updated: " + updatedContext.getLastUpdatedAt());
        System.out.println("- Analysis Summary: " + 
            updatedContext.getMetadata().get("analysisSummary"));
            
        // 5. Archive context when done
        contextManager.archiveContext(contextId);
        System.out.println("Context archived");
    }
}

Ankstesniame kode mes:

1. Sukūrėme pagrindinį kontekstą finansinės analizės sesijai.
2. Siuntėme kelias žinutes tame kontekste, leidžiant modeliui išlaikyti būseną.
3. Atnaujinome kontekstą su atitinkamais metaduomenimis pagal pokalbį.
4. Sugeneravome analizės sesijos santrauką ir išsaugojome ją konteksto metaduomenyse.
5. Archyvavome kontekstą, kai pokalbis buvo baigtas.

Pavyzdys: Pagrindinio Konteksto Valdymas

Efektyvus pagrindinių kontekstų valdymas yra svarbus pokalbių istorijos ir būsenos palaikymui. Žemiau pateikiamas pavyzdys, kaip įgyvendinti pagrindinio konteksto valdymą.

JavaScript Įgyvendinimas

// JavaScript Example: Managing MCP Root Contexts
const { McpClient, RootContextManager } = require('@mcp/client');

class ContextSession {
  constructor(serverUrl, apiKey = null) {
    // Initialize the MCP client
    this.client = new McpClient({
      serverUrl,
      apiKey
    });
    
    // Initialize context manager
    this.contextManager = new RootContextManager(this.client);
  }
  
  /**
   * Create a new conversation context
   * @param {string} sessionName - Name of the conversation session
   * @param {Object} metadata - Additional metadata for the context
   * @returns {Promise<string>} - Context ID
   */
  async createConversationContext(sessionName, metadata = {}) {
    try {
      const contextResult = await this.contextManager.createRootContext({
        name: sessionName,
        metadata: {
          ...metadata,
          createdAt: new Date().toISOString(),
          status: 'active'
        }
      });
      
      console.log(`Created root context '${sessionName}' with ID: ${contextResult.id}`);
      return contextResult.id;
    } catch (error) {
      console.error('Error creating root context:', error);
      throw error;
    }
  }
  
  /**
   * Send a message in an existing context
   * @param {string} contextId - The root context ID
   * @param {string} message - The user's message
   * @param {Object} options - Additional options
   * @returns {Promise<Object>} - Response data
   */
  async sendMessage(contextId, message, options = {}) {
    try {
      // Send the message using the specified context
      const response = await this.client.sendPrompt(message, {
        rootContextId: contextId,
        temperature: options.temperature || 0.7,
        allowedTools: options.allowedTools || []
      });
      
      // Optionally store important insights from the conversation
      if (options.storeInsights) {
        await this.storeConversationInsights(contextId, message, response.generatedText);
      }
      
      return {
        message: response.generatedText,
        toolCalls: response.toolCalls || [],
        contextId
      };
    } catch (error) {
      console.error(`Error sending message in context ${contextId}:`, error);
      throw error;
    }
  }
  
  /**
   * Store important insights from a conversation
   * @param {string} contextId - The root context ID
   * @param {string} userMessage - User's message
   * @param {string} aiResponse - AI's response
   */
  async storeConversationInsights(contextId, userMessage, aiResponse) {
    try {
      // Extract potential insights (in a real app, this would be more sophisticated)
      const combinedText = userMessage + "\n" + aiResponse;
      
      // Simple heuristic to identify potential insights
      const insightWords = ["important", "key point", "remember", "significant", "crucial"];
      
      const potentialInsights = combinedText
        .split(".")
        .filter(sentence => 
          insightWords.some(word => sentence.toLowerCase().includes(word))
        )
        .map(sentence => sentence.trim())
        .filter(sentence => sentence.length > 10);
      
      // Store insights in context metadata
      if (potentialInsights.length > 0) {
        const insights = {};
        potentialInsights.forEach((insight, index) => {
          insights[`insight_${Date.now()}_${index}`] = insight;
        });
        
        await this.contextManager.updateContextMetadata(contextId, insights);
        console.log(`Stored ${potentialInsights.length} insights in context ${contextId}`);
      }
    } catch (error) {
      console.warn('Error storing conversation insights:', error);
      // Non-critical error, so just log warning
    }
  }
  
  /**
   * Get summary information about a context
   * @param {string} contextId - The root context ID
   * @returns {Promise<Object>} - Context information
   */
  async getContextInfo(contextId) {
    try {
      const contextInfo = await this.contextManager.getContextInfo(contextId);
      
      return {
        id: contextInfo.id,
        name: contextInfo.name,
        created: new Date(contextInfo.createdAt).toLocaleString(),
        lastUpdated: new Date(contextInfo.lastUpdatedAt).toLocaleString(),
        messageCount: contextInfo.messageCount,
        metadata: contextInfo.metadata,
        status: contextInfo.status
      };
    } catch (error) {
      console.error(`Error getting context info for ${contextId}:`, error);
      throw error;
    }
  }
  
  /**
   * Generate a summary of the conversation in a context
   * @param {string} contextId - The root context ID
   * @returns {Promise<string>} - Generated summary
   */
  async generateContextSummary(contextId) {
    try {
      // Ask the model to generate a summary of the conversation so far
      const response = await this.client.sendPrompt(
        "Please summarize our conversation so far in 3-4 sentences, highlighting the main points discussed.",
        { rootContextId: contextId, temperature: 0.3 }
      );
      
      // Store the summary in context metadata
      await this.contextManager.updateContextMetadata(contextId, {
        conversationSummary: response.generatedText,
        summarizedAt: new Date().toISOString()
      });
      
      return response.generatedText;
    } catch (error) {
      console.error(`Error generating context summary for ${contextId}:`, error);
      throw error;
    }
  }
  
  /**
   * Archive a context when it's no longer needed
   * @param {string} contextId - The root context ID
   * @returns {Promise<Object>} - Result of the archive operation
   */
  async archiveContext(contextId) {
    try {
      // Generate a final summary before archiving
      const summary = await this.generateContextSummary(contextId);
      
      // Archive the context
      await this.contextManager.archiveContext(contextId);
      
      return {
        status: "archived",
        contextId,
        summary
      };
    } catch (error) {
      console.error(`Error archiving context ${contextId}:`, error);
      throw error;
    }
  }
}

// Example usage
async function demonstrateContextSession() {
  const session = new ContextSession('https://mcp-server-example.com');
  
  try {
    // 1. Create a new context for a product support conversation
    const contextId = await session.createConversationContext(
      'Product Support - Database Performance',
      {
        customer: 'Globex Corporation',
        product: 'Enterprise Database',
        severity: 'Medium',
        supportAgent: 'AI Assistant'
      }
    );
    
    // 2. First message in the conversation
    const response1 = await session.sendMessage(
      contextId,
      "I'm experiencing slow query performance on our database cluster after the latest update.",
      { storeInsights: true }
    );
    console.log('Response 1:', response1.message);
    
    // Follow-up message in the same context
    const response2 = await session.sendMessage(
      contextId,
      "Yes, we've already checked the indexes and they seem to be properly configured.",
      { storeInsights: true }
    );
    console.log('Response 2:', response2.message);
    
    // 3. Get information about the context
    const contextInfo = await session.getContextInfo(contextId);
    console.log('Context Information:', contextInfo);
    
    // 4. Generate and display conversation summary
    const summary = await session.generateContextSummary(contextId);
    console.log('Conversation Summary:', summary);
    
    // 5. Archive the context when done
    const archiveResult = await session.archiveContext(contextId);
    console.log('Archive Result:', archiveResult);
    
    // 6. Handle any errors gracefully
  } catch (error) {
    console.error('Error in context session demonstration:', error);
  }
}

demonstrateContextSession();

Ankstesniame kode mes:

1. Sukūrėme pagrindinį kontekstą produktų palaikymo pokalbiui su funkcija createConversationContext. Šiuo atveju kontekstas susijęs su duomenų bazės našumo problemomis.

2. Siuntėme kelias žinutes tame kontekste, leidžiant modeliui išlaikyti būseną su funkcija sendMessage. Siunčiamos žinutės susijusios su lėto užklausų vykdymo ir indeksų konfigūravimo problemomis.

3. Atnaujinome kontekstą su atitinkamais metaduomenimis pagal pokalbį.

4. Sugeneravome pokalbio santrauką ir išsaugojome ją konteksto metaduomenyse su funkcija generateContextSummary.

5. Archyvavome kontekstą, kai pokalbis buvo baigtas, naudodami funkciją archiveContext.

6. Tvarkėme klaidas, kad užtikrintume patikimumą.

Pagrindinis Kontekstas Daugiapakopiam Pagalbos Teikimui

Šiame pavyzdyje sukursime pagrindinį kontekstą daugiapakopiam pagalbos teikimui, parodydami, kaip išlaikyti būseną per kelias sąveikas.

Python Įgyvendinimas

# Python Example: Root Context for Multi-Turn Assistance
import asyncio
from datetime import datetime
from mcp_client import McpClient, RootContextManager

class AssistantSession:
    def __init__(self, server_url, api_key=None):
        self.client = McpClient(server_url=server_url, api_key=api_key)
        self.context_manager = RootContextManager(self.client)
    
    async def create_session(self, name, user_info=None):
        """Create a new root context for an assistant session"""
        metadata = {
            "session_type": "assistant",
            "created_at": datetime.now().isoformat(),
        }
        
        # Add user information if provided
        if user_info:
            metadata.update({f"user_{k}": v for k, v in user_info.items()})
            
        # Create the root context
        context = await self.context_manager.create_root_context(name, metadata)
        return context.id
    
    async def send_message(self, context_id, message, tools=None):
        """Send a message within a root context"""
        # Create options with context ID
        options = {
            "root_context_id": context_id
        }
        
        # Add tools if specified
        if tools:
            options["allowed_tools"] = tools
        
        # Send the prompt within the context
        response = await self.client.send_prompt(message, options)
        
        # Update context metadata with conversation progress
        await self.context_manager.update_context_metadata(
            context_id,
            {
                f"message_{datetime.now().timestamp()}": message[:50] + "...",
                "last_interaction": datetime.now().isoformat()
            }
        )
        
        return response
    
    async def get_conversation_history(self, context_id):
        """Retrieve conversation history from a context"""
        context_info = await self.context_manager.get_context_info(context_id)
        messages = await self.client.get_context_messages(context_id)
        
        return {
            "context_info": context_info,
            "messages": messages
        }
    
    async def end_session(self, context_id):
        """End an assistant session by archiving the context"""
        # Generate a summary prompt first
        summary_response = await self.client.send_prompt(
            "Please summarize our conversation and any key points or decisions made.",
            {"root_context_id": context_id}
        )
        
        # Store summary in metadata
        await self.context_manager.update_context_metadata(
            context_id,
            {
                "summary": summary_response.generated_text,
                "ended_at": datetime.now().isoformat(),
                "status": "completed"
            }
        )
        
        # Archive the context
        await self.context_manager.archive_context(context_id)
        
        return {
            "status": "completed",
            "summary": summary_response.generated_text
        }

# Example usage
async def demo_assistant_session():
    assistant = AssistantSession("https://mcp-server-example.com")
    
    # 1. Create session
    context_id = await assistant.create_session(
        "Technical Support Session",
        {"name": "Alex", "technical_level": "advanced", "product": "Cloud Services"}
    )
    print(f"Created session with context ID: {context_id}")
    
    # 2. First interaction
    response1 = await assistant.send_message(
        context_id, 
        "I'm having trouble with the auto-scaling feature in your cloud platform.",
        ["documentation_search", "diagnostic_tool"]
    )
    print(f"Response 1: {response1.generated_text}")
    
    # Second interaction in the same context
    response2 = await assistant.send_message(
        context_id,
        "Yes, I've already checked the configuration settings you mentioned, but it's still not working."
    )
    print(f"Response 2: {response2.generated_text}")
    
    # 3. Get history
    history = await assistant.get_conversation_history(context_id)
    print(f"Session has {len(history['messages'])} messages")
    
    # 4. End session
    end_result = await assistant.end_session(context_id)
    print(f"Session ended with summary: {end_result['summary']}")

if __name__ == "__main__":
    asyncio.run(demo_assistant_session())

Ankstesniame kode mes:

1. Sukūrėme pagrindinį kontekstą techninės pagalbos sesijai su funkcija create_session. Kontekstas apima naudotojo informaciją, tokią kaip vardas ir techninis lygis.

2. Siuntėme kelias žinutes tame kontekste, leidžiant modeliui išlaikyti būseną su funkcija send_message. Siunčiamos žinutės susijusios su automatinio mastelio keitimo funkcijos problemomis.

3. Gavome pokalbio istoriją naudodami funkciją get_conversation_history, kuri pateikia konteksto informaciją ir žinutes.

4. Baigėme sesiją archyvuodami kontekstą ir sugeneruodami santrauką su funkcija end_session. Santrauka apima pagrindinius pokalbio aspektus.

Pagrindinių Kontekstų Geriausios Praktikos

Štai keletas geriausių praktikų, kaip efektyviai valdyti pagrindinius kontekstus:

• Kurkite aiškius kontekstus: Sukurkite atskirus pagrindinius kontekstus skirtingiems pokalbių tikslams ar sritims, kad išlaikytumėte aiškumą.

• Nustatykite galiojimo politiką: Įgyvendinkite politiką, kad archyvuotumėte ar ištrintumėte senus kontekstus, siekiant valdyti saugojimą ir laikytis duomenų saugojimo politikos.

• Saugokite svarbius metaduomenis: Naudokite konteksto metaduomenis svarbiai informacijai apie pokalbį saugoti, kuri gali būti naudinga vėliau.

• Nuosekliai naudokite konteksto ID: Kai kontekstas sukurtas, nuosekliai naudokite jo ID visoms susijusioms užklausoms, kad išlaikytumėte tęstinumą.

• Generuokite santraukas: Kai kontekstas tampa didelis, apsvarstykite galimybę generuoti santraukas, kad užfiksuotumėte esminę informaciją ir valdytumėte konteksto dydį.

• Įgyvendinkite prieigos kontrolę: Daugiafunkcėse sistemose įgyvendinkite tinkamą prieigos kontrolę, kad užtikrintumėte pokalbių kontekstų privatumą ir saugumą.

• Tvarkykite konteksto apribojimus: Žinokite apie konteksto dydžio apribojimus ir įgyvendinkite strategijas labai ilgų pokalbių valdymui.

• Archyvuokite, kai baigta: Archyvuokite kontekstus, kai pokalbiai baigti, kad atlaisvintumėte resursus, išsaugodami pokalbio istoriją.

Kas toliau

• 5.5 Maršrutizavimas

---

Atsakomybės apribojimas:
Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą Co-op Translator. Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama profesionali žmogaus vertimo paslauga. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius naudojant šį vertimą.