microsoft--mcp-for-beginners/translations/ml/03-GettingStarted/07-aitk/README.md

Visual Studio Code-ഇന് വേണ്ടി AI Toolkit എക്സ്റ്റൻഷനിൽ നിന്ന് ഒരു സെർവർ ഉപയോഗിക്കൽ

നിങ്ങൾ ഒരു AI ഏജന്റ് നിർമ്മിക്കുമ്പോൾ, അത് വെറും ബുദ്ധിമുട്ടുള്ള പ്രതികരണങ്ങൾ സൃഷ്ടിക്കുന്നതിൽ മാത്രമല്ല; നിങ്ങളുടെ ഏജന്റിന് പ്രവർത്തനം കൈകാര്യം ചെയ്യാനുള്ള കഴിവും നൽകുകയാണ് പ്രധാനമായത്. അതിനാണ് Model Context Protocol (MCP) സഹായിക്കുന്നത്. MCP ഏജന്റുകൾക്ക് ബാഹ്യ ഉപകരണങ്ങളും സേവനങ്ങളും സ്ഥിരതയുള്ള രീതിയിൽ ആക്‌സസ് ചെയ്യാൻ എളുപ്പമാക്കുന്നു. ഇത് നിങ്ങളുടെ ഏജന്റിനെ ഒരു ഉപകരണപ്പെட்டികയിലേക്ക് കണക്റ്റ് ചെയ്യുന്നതുപോലെയാണ്, അത് വാസ്തവത്തിൽ ഉപയോഗിക്കാവുന്നതാണ്.

ഉദാഹരണത്തിന്, നിങ്ങൾ ഒരു ഏജന്റിനെ നിങ്ങളുടെ കാൽക്കുലേറ്റർ MCP സെർവറുമായി കണക്റ്റ് ചെയ്താൽ, "47 ഗുണം 89 എത്ര?" എന്ന പ്രോംപ്റ്റ് ലഭിച്ചതിലൂടെ ഏജന്റ് ഗണിത പ്രവർത്തനങ്ങൾ നടത്താൻ കഴിയും—ലോജിക് ഹാർഡ്‌കോഡ് ചെയ്യുകയോ കസ്റ്റം APIകൾ നിർമ്മിക്കുകയോ ചെയ്യേണ്ടതില്ല.

അവലോകനം

ഈ പാഠം Visual Studio Code-ൽ AI Toolkit എക്സ്റ്റൻഷൻ ഉപയോഗിച്ച് കാൽക്കുലേറ്റർ MCP സെർവർ ഒരു ഏജന്റുമായി എങ്ങനെ കണക്റ്റ് ചെയ്യാമെന്ന് ഉൾക്കൊള്ളുന്നു, ഇത് ഏജന്റിന് കൂട്ടിച്ചേർക്കൽ, കുറയ്ക്കൽ, ഗുണനം, വിഭജനം പോലുള്ള ഗണിത പ്രവർത്തനങ്ങൾ സ്വാഭാവിക ഭാഷയിലൂടെ നടത്താൻ സാധിക്കും.

AI Toolkit Visual Studio Code-നുള്ള ഒരു ശക്തമായ എക്സ്റ്റൻഷനാണ്, ഏജന്റ് വികസനം ലളിതമാക്കുന്നു. AI എഞ്ചിനീയർമാർക്ക് ജനന AI മോഡലുകൾ—ലോകലായി അല്ലെങ്കിൽ ക്ലൗഡിൽ—വികസിപ്പിക്കുകയും പരീക്ഷിക്കുകയും ചെയ്യാൻ ഇത് സഹായിക്കുന്നു. ഈ എക്സ്റ്റൻഷൻ ഇന്ന് ലഭ്യമായ പ്രധാന ജനന മോഡലുകളുടെ ഭൂരിഭാഗവും പിന്തുണയ്ക്കുന്നു.

കുറിപ്പ്: AI Toolkit നിലവിൽ Python, TypeScript എന്നിവ പിന്തുണയ്ക്കുന്നു.

പഠന ലക്ഷ്യങ്ങൾ

ഈ പാഠം അവസാനിക്കുമ്പോൾ, നിങ്ങൾക്ക് കഴിയും:

• AI Toolkit വഴി MCP സെർവർ ഉപയോഗിക്കുക.
• MCP സെർവർ നൽകുന്ന ഉപകരണങ്ങൾ കണ്ടെത്താനും ഉപയോഗിക്കാനും ഏജന്റ് കോൺഫിഗറേഷൻ ക്രമീകരിക്കുക.
• സ്വാഭാവിക ഭാഷയിലൂടെ MCP ഉപകരണങ്ങൾ ഉപയോഗിക്കുക.

സമീപനം

ഇത് ഉയർന്ന തലത്തിൽ എങ്ങനെ സമീപിക്കണം:

• ഒരു ഏജന്റ് സൃഷ്ടിച്ച് അതിന്റെ സിസ്റ്റം പ്രോംപ്റ്റ് നിർവചിക്കുക.
• കാൽക്കുലേറ്റർ ഉപകരണങ്ങളുള്ള MCP സെർവർ സൃഷ്ടിക്കുക.
• ഏജന്റ് ബിൽഡറെ MCP സെർവറുമായി കണക്റ്റ് ചെയ്യുക.
• സ്വാഭാവിക ഭാഷയിലൂടെ ഏജന്റിന്റെ ഉപകരണ വിളിപ്പാട് പരീക്ഷിക്കുക.

ശരി, ഇപ്പോൾ പ്രവാഹം മനസ്സിലായി, MCP വഴി ബാഹ്യ ഉപകരണങ്ങൾ ഉപയോഗിച്ച് AI ഏജന്റ് ക്രമീകരിക്കാം, അതിന്റെ കഴിവുകൾ വർദ്ധിപ്പിക്കാം!

മുൻകൂട്ടി ആവശ്യങ്ങൾ

• Visual Studio Code
• Visual Studio Code-നുള്ള AI Toolkit

അഭ്യാസം: ഒരു സെർവർ ഉപയോഗിക്കൽ

Warning

macOS ഉപയോക്താക്കൾക്കുള്ള കുറിപ്പ്. macOS-ൽ ഡിപ്പൻഡൻസി ഇൻസ്റ്റലേഷനുമായി ബന്ധപ്പെട്ട ഒരു പ്രശ്നം ഞങ്ങൾ ഇപ്പോൾ പരിശോധിക്കുകയാണ്. അതിനാൽ, macOS ഉപയോക്താക്കൾ ഈ ട്യൂട്ടോറിയൽ ഈ സമയത്ത് പൂർത്തിയാക്കാൻ കഴിയില്ല. പരിഹാരം ലഭിക്കുന്നതോടെ നിർദ്ദേശങ്ങൾ അപ്ഡേറ്റ് ചെയ്യും. നിങ്ങളുടെ സഹനത്തിനും മനസ്സിലാക്കലിനും നന്ദി!

ഈ അഭ്യാസത്തിൽ, നിങ്ങൾ AI Toolkit ഉപയോഗിച്ച് Visual Studio Code-ൽ MCP സെർവറിൽ നിന്നുള്ള ഉപകരണങ്ങളുള്ള ഒരു AI ഏജന്റ് നിർമ്മിക്കുകയും പ്രവർത്തിപ്പിക്കുകയും മെച്ചപ്പെടുത്തുകയും ചെയ്യും.

-0- മുൻപടി, OpenAI GPT-4o മോഡൽ My Models-ലേക്ക് ചേർക്കുക

അഭ്യാസം GPT-4o മോഡൽ ഉപയോഗിക്കുന്നു. ഏജന്റ് സൃഷ്ടിക്കുന്നതിന് മുമ്പ് മോഡൽ My Models-ലേക്ക് ചേർക്കണം.

1. Activity Bar-ൽ നിന്ന് AI Toolkit എക്സ്റ്റൻഷൻ തുറക്കുക.
2. Catalog വിഭാഗത്തിൽ Models തിരഞ്ഞെടുക്കുക, ഇത് Model Catalog പുതിയ എഡിറ്റർ ടാബിൽ തുറക്കും.
3. Model Catalog തിരയൽ ബാറിൽ OpenAI GPT-4o ടൈപ്പ് ചെയ്യുക.
4. + Add ക്ലിക്ക് ചെയ്ത് മോഡൽ My Models ലിസ്റ്റിലേക്ക് ചേർക്കുക. GitHub-ഹോസ്റ്റഡ് മോഡൽ തിരഞ്ഞെടുക്കപ്പെട്ടിട്ടുണ്ടെന്ന് ഉറപ്പാക്കുക.
5. Activity Bar-ൽ OpenAI GPT-4o മോഡൽ ലിസ്റ്റിൽ കാണപ്പെടുന്നുണ്ടെന്ന് സ്ഥിരീകരിക്കുക.

-1- ഒരു ഏജന്റ് സൃഷ്ടിക്കുക

Agent (Prompt) Builder ഉപയോഗിച്ച് നിങ്ങളുടെ സ്വന്തം AI-പവർഡ് ഏജന്റുകൾ സൃഷ്ടിക്കുകയും ഇഷ്ടാനുസൃതമാക്കുകയും ചെയ്യാം. ഈ ഭാഗത്ത്, നിങ്ങൾ ഒരു പുതിയ ഏജന്റ് സൃഷ്ടിച്ച് സംഭാഷണത്തിന് മോഡൽ നിയോഗിക്കും.

1. Activity Bar-ൽ നിന്ന് AI Toolkit എക്സ്റ്റൻഷൻ തുറക്കുക.
2. Tools വിഭാഗത്തിൽ Agent (Prompt) Builder തിരഞ്ഞെടുക്കുക, ഇത് പുതിയ എഡിറ്റർ ടാബിൽ തുറക്കും.
3. + New Agent ബട്ടൺ ക്ലിക്ക് ചെയ്യുക. Command Palette വഴി സെറ്റപ്പ് വിസാർഡ് ആരംഭിക്കും.
4. പേര് Calculator Agent നൽകുകയും Enter അമർത്തുകയും ചെയ്യുക.
5. Agent (Prompt) Builder-ൽ Model ഫീൽഡിൽ OpenAI GPT-4o (via GitHub) മോഡൽ തിരഞ്ഞെടുക്കുക.

-2- ഏജന്റിനായി സിസ്റ്റം പ്രോംപ്റ്റ് സൃഷ്ടിക്കുക

ഏജന്റ് സൃഷ്ടിച്ചതിനുശേഷം, അതിന്റെ വ്യക്തിത്വവും ലക്ഷ്യവും നിർവചിക്കേണ്ട സമയം. ഈ ഭാഗത്ത്, Generate system prompt ഫീച്ചർ ഉപയോഗിച്ച് കാൽക്കുലേറ്റർ ഏജന്റിന്റെ പെരുമാറ്റം വിവരിച്ച് മോഡൽ സിസ്റ്റം പ്രോംപ്റ്റ് എഴുതിക്കും.

1. Prompts വിഭാഗത്തിൽ Generate system prompt ബട്ടൺ ക്ലിക്ക് ചെയ്യുക. ഇത് AI ഉപയോഗിച്ച് സിസ്റ്റം പ്രോംപ്റ്റ് സൃഷ്ടിക്കുന്ന പ്രോംപ്റ്റ് ബിൽഡർ തുറക്കും.
2. Generate a prompt വിൻഡോയിൽ താഴെ പറയുന്ന വാചകം നൽകുക: You are a helpful and efficient math assistant. When given a problem involving basic arithmetic, you respond with the correct result.
3. Generate ബട്ടൺ ക്ലിക്ക് ചെയ്യുക. സിസ്റ്റം പ്രോംപ്റ്റ് സൃഷ്ടിക്കപ്പെടുന്നതായി താഴെ വലത് കോണിൽ അറിയിപ്പ് കാണിക്കും. പ്രോംപ്റ്റ് സൃഷ്ടി പൂർത്തിയായാൽ അത് Agent (Prompt) Builder-ലെ System prompt ഫീൽഡിൽ പ്രത്യക്ഷപ്പെടും.
4. System prompt പരിശോധിച്ച് ആവശ്യമെങ്കിൽ തിരുത്തുക.

-3- MCP സെർവർ സൃഷ്ടിക്കുക

നിങ്ങളുടെ ഏജന്റിന്റെ സിസ്റ്റം പ്രോംപ്റ്റ് നിർവചിച്ചതിനുശേഷം, അതിന്റെ പെരുമാറ്റവും പ്രതികരണങ്ങളും നിയന്ത്രിക്കുന്നു. ഇപ്പോൾ, കാൽക്കുലേറ്റർ MCP സെർവർ സൃഷ്ടിച്ച് കൂട്ടിച്ചേർക്കൽ, കുറയ്ക്കൽ, ഗുണനം, വിഭജനം എന്നിവ നടത്താനുള്ള ഉപകരണങ്ങൾ ഏജന്റിന് നൽകാം. ഇത് സ്വാഭാവിക ഭാഷ പ്രോംപ്റ്റുകൾക്ക് യഥാർത്ഥ സമയ ഗണിത പ്രവർത്തനങ്ങൾ നടത്താൻ സഹായിക്കും.

AI Toolkit നിങ്ങളുടെ സ്വന്തം MCP സെർവർ സൃഷ്ടിക്കാൻ ടെംപ്ലേറ്റുകൾ നൽകുന്നു. കാൽക്കുലേറ്റർ MCP സെർവർ സൃഷ്ടിക്കാൻ Python ടെംപ്ലേറ്റ് ഉപയോഗിക്കാം.

കുറിപ്പ്: AI Toolkit നിലവിൽ Python, TypeScript പിന്തുണയ്ക്കുന്നു.

1. Agent (Prompt) Builder-ലെ Tools വിഭാഗത്തിൽ + MCP Server ബട്ടൺ ക്ലിക്ക് ചെയ്യുക. Command Palette വഴി സെറ്റപ്പ് വിസാർഡ് ആരംഭിക്കും.

2. + Add Server തിരഞ്ഞെടുക്കുക.

3. Create a New MCP Server തിരഞ്ഞെടുക്കുക.

4. ടെംപ്ലേറ്റായി python-weather തിരഞ്ഞെടുക്കുക.

5. MCP സെർവർ ടെംപ്ലേറ്റ് സേവ് ചെയ്യാൻ Default folder തിരഞ്ഞെടുക്കുക.

6. സെർവറിന് പേര് നൽകുക: Calculator

7. പുതിയ Visual Studio Code വിൻഡോ തുറക്കും. Yes, I trust the authors തിരഞ്ഞെടുക്കുക.

8. ടെർമിനലിൽ (Terminal > New Terminal) വെർച്വൽ എൻവയോൺമെന്റ് സൃഷ്ടിക്കുക: python -m venv .venv

9. ടെർമിനലിൽ വെർച്വൽ എൻവയോൺമെന്റ് സജീവമാക്കുക:

   1. Windows - .venv\Scripts\activate
   2. macOS/Linux - source .venv/bin/activate

10. ടെർമിനലിൽ ഡിപ്പൻഡൻസികൾ ഇൻസ്റ്റാൾ ചെയ്യുക: pip install -e .[dev]

11. Activity Bar-ലെ Explorer വ്യൂയിൽ src ഡയറക്ടറി വിപുലീകരിച്ച് server.py ഫയൽ എഡിറ്ററിൽ തുറക്കുക.

12. server.py ഫയലിലെ കോഡ് താഴെ കൊടുത്തതിൽ മാറ്റി സേവ് ചെയ്യുക:

    """
    Sample MCP Calculator Server implementation in Python.
    
    
    This module demonstrates how to create a simple MCP server with calculator tools
    that can perform basic arithmetic operations (add, subtract, multiply, divide).
    """
    
    from mcp.server.fastmcp import FastMCP
    
    server = FastMCP("calculator")
    
    @server.tool()
    def add(a: float, b: float) -> float:
        """Add two numbers together and return the result."""
        return a + b
    
    @server.tool()
    def subtract(a: float, b: float) -> float:
        """Subtract b from a and return the result."""
        return a - b
    
    @server.tool()
    def multiply(a: float, b: float) -> float:
        """Multiply two numbers together and return the result."""
        return a * b
    
    @server.tool()
    def divide(a: float, b: float) -> float:
        """
        Divide a by b and return the result.
    
        Raises:
            ValueError: If b is zero
        """
        if b == 0:
            raise ValueError("Cannot divide by zero")
        return a / b
    

-4- കാൽക്കുലേറ്റർ MCP സെർവറുമായി ഏജന്റ് പ്രവർത്തിപ്പിക്കുക

ഇപ്പോൾ ഏജന്റിന് ഉപകരണങ്ങൾ ലഭിച്ചിരിക്കുന്നു, അവ ഉപയോഗിക്കാനുള്ള സമയം. ഈ ഭാഗത്ത്, പ്രോംപ്റ്റുകൾ ഏജന്റിന് സമർപ്പിച്ച് ഏജന്റ് കാൽക്കുലേറ്റർ MCP സെർവറിൽ നിന്നുള്ള അനുയോജ്യമായ ഉപകരണം ഉപയോഗിക്കുന്നുണ്ടോ എന്ന് പരിശോധിക്കും.

നിങ്ങളുടെ ലോക്കൽ ഡെവ് മെഷീനിൽ MCP സെർവർ Agent Builder വഴി MCP ക്ലയന്റ് ആയി പ്രവർത്തിപ്പിക്കും.

1. MCP സെർവർ ഡീബഗ് ചെയ്യാൻ F5 അമർത്തുക. Agent (Prompt) Builder പുതിയ എഡിറ്റർ ടാബിൽ തുറക്കും. ടെർമിനലിൽ സെർവർ സ്റ്റാറ്റസ് കാണാം.
2. Agent (Prompt) Builder-ലെ User prompt ഫീൽഡിൽ താഴെ പറയുന്ന പ്രോംപ്റ്റ് നൽകുക: I bought 3 items priced at $25 each, and then used a $20 discount. How much did I pay?
3. Run ബട്ടൺ ക്ലിക്ക് ചെയ്ത് ഏജന്റിന്റെ പ്രതികരണം സൃഷ്ടിക്കുക.
4. ഏജന്റ് ഔട്ട്പുട്ട് പരിശോധിക്കുക. മോഡൽ നിങ്ങൾ $55 പണം നൽകിയതായി നിഗമനം വരുത്തണം.
5. സംഭവിക്കേണ്ട കാര്യങ്ങൾ:
   • കാൽക്കുലേഷൻ സഹായിക്കാൻ ഏജന്റ് multiply , subtract ഉപകരണങ്ങൾ തിരഞ്ഞെടുക്കും.
   • multiply ഉപകരണത്തിന് a , b മൂല്യങ്ങൾ നൽകും.
   • subtract ഉപകരണത്തിന് a , b മൂല്യങ്ങൾ നൽകും.
   • ഓരോ ഉപകരണത്തിൻറെ പ്രതികരണം Tool Response-ൽ നൽകും.
   • മോഡലിന്റെ അന്തിമ ഔട്ട്പുട്ട് Model Response-ൽ നൽകും.
6. ഏജന്റ് കൂടുതൽ പരീക്ഷിക്കാൻ അധിക പ്രോംപ്റ്റുകൾ സമർപ്പിക്കുക. User prompt ഫീൽഡിൽ ക്ലിക്ക് ചെയ്ത് നിലവിലുള്ള പ്രോംപ്റ്റ് മാറ്റാം.
7. പരീക്ഷണം കഴിഞ്ഞാൽ, ടെർമിനലിൽ CTRL/CMD+C അമർത്തി സെർവർ നിർത്താം.

അസൈൻമെന്റ്

server.py ഫയലിൽ ഒരു പുതിയ ഉപകരണ എൻട്രി ചേർക്കാൻ ശ്രമിക്കുക (ഉദാ: ഒരു സംഖ്യയുടെ സ്ക്വയർ റൂട്ട് നൽകുക). ഏജന്റ് നിങ്ങളുടെ പുതിയ ഉപകരണം (അഥവാ നിലവിലുള്ള ഉപകരണങ്ങൾ) ഉപയോഗിക്കേണ്ട പ്രോംപ്റ്റുകൾ സമർപ്പിക്കുക. പുതിയ ഉപകരണങ്ങൾ ലോഡ് ചെയ്യാൻ സെർവർ റീസ്റ്റാർട്ട് ചെയ്യാൻ മറക്കരുത്.

പരിഹാരം

Solution

പ്രധാന പഠനങ്ങൾ

ഈ അധ്യായത്തിൽ നിന്നുള്ള പ്രധാന പഠനങ്ങൾ:

• AI Toolkit എക്സ്റ്റൻഷൻ MCP സെർവറുകളും അവയുടെ ഉപകരണങ്ങളും ഉപയോഗിക്കാൻ മികച്ച ക്ലയന്റാണ്.
• MCP സെർവറുകളിൽ പുതിയ ഉപകരണങ്ങൾ ചേർക്കാൻ കഴിയും, ഏജന്റിന്റെ കഴിവുകൾ വികസിപ്പിക്കാൻ.
• AI Toolkit കസ്റ്റം ഉപകരണങ്ങൾ സൃഷ്ടിക്കാൻ ടെംപ്ലേറ്റുകൾ (ഉദാ: Python MCP സെർവർ ടെംപ്ലേറ്റുകൾ) ഉൾക്കൊള്ളുന്നു.

അധിക വിഭവങ്ങൾ

• AI Toolkit ഡോക്യുമെന്റേഷൻ

അടുത്തത്

• അടുത്തത്: പരിശോധനയും ഡീബഗിംഗും

---

അസൂയാ:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചിട്ടുണ്ടെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.