Cấp phép YOLO
Quay lại Bảng thuật ngữ Ultralytics

Model Context Protocol (MCP)

Model Context Protocol (MCP) là một tiêu chuẩn mở kết nối các ứng dụng AI với công cụ và dữ liệu thông qua một giao diện duy nhất. Tìm hiểu kiến trúc, ứng dụng và code.

Giao thức Ngữ cảnh Mô hình (MCP) là một tiêu chuẩn mở để kết nối các ứng dụng AI với công cụ, nguồn dữ liệu và quy trình làm việc bên ngoài. Trước MCP, mỗi ứng dụng AI cần có tích hợp tùy chỉnh riêng cho từng dịch vụ sử dụng, nên mười trợ lý và mười dịch vụ có thể đòi hỏi tới một trăm connector riêng biệt. Với MCP, một dịch vụ được đóng gói một lần thành MCP server và mọi ứng dụng tương thích với MCP đều có thể sử dụng dịch vụ đó. Anthropic giới thiệu giao thức này vào tháng 11 năm 2024 và tháng 12 năm 2025 đã quyên tặng giao thức cho Agentic AI Foundation, một quỹ thuộc Linux Foundation do Anthropic đồng sáng lập cùng Block và OpenAI. Các host như Claude, ChatGPT, VS Code, Cursor và Gemini CLI hỗ trợ giao thức này; MCP đã trở thành cách tiêu chuẩn để AI agent và mô hình ngôn ngữ lớn (LLMs) kết nối với thế giới bên ngoài.

Cách MCP hoạt động#

Đặc tả MCP định nghĩa ba vai trò trao đổi thông điệp JSON-RPC 2.0. Host là ứng dụng AI mà người dùng làm việc trong đó, chẳng hạn như chatbot, IDE hoặc agent. Bên trong host, một client quản lý kết nối tới từng server, và mỗi server cung cấp một tập hợp các khả năng. Server cục bộ chạy dưới dạng subprocess và giao tiếp qua đầu vào, đầu ra tiêu chuẩn (stdio), trong khi server từ xa dùng Streamable HTTP. Kể từ bản sửa đổi ngày 2026-07-28, giao thức cốt lõi không còn trạng thái: mỗi yêu cầu mang theo phiên bản giao thức và khả năng của client; quá trình bắt tay initialize cũ và session ID đã bị loại bỏ, đồng thời bất kỳ instance server nào đứng sau bộ cân bằng tải cũng có thể xử lý bất kỳ yêu cầu nào.

Server cung cấp ba loại khả năng:

  • Công cụ: Các hàm mà model có thể gọi, mỗi hàm được mô tả bằng tên, mô tả và JSON Schema cho các tham số, chẳng hạn như create_issue hoặc run_query. Công cụ có thể trả về văn bản, hình ảnh hoặc dữ liệu có cấu trúc.
  • Tài nguyên: Ngữ cảnh chỉ đọc được định danh bằng URI, chẳng hạn như tệp, schema cơ sở dữ liệu hoặc đoạn trích nhật ký, mà ứng dụng có thể đưa vào ngữ cảnh của model.
  • Prompt: Các mẫu thông điệp có thể tái sử dụng mà người dùng chủ động chọn, thường được hiển thị dưới dạng lệnh gạch chéo.

Server cũng có thể yêu cầu người dùng cung cấp thông tin đầu vào còn thiếu giữa chừng một tác vụ thông qua cơ chế khai thác thông tin đầu vào (elicitation). Các phần mở rộng tùy chọn bổ sung thêm khả năng: Tasks xử lý các hoạt động kéo dài mà client thăm dò để lấy kết quả, còn MCP Apps cho phép công cụ trả về giao diện tương tác, theo cách tiếp cận UI tạo sinh để hiển thị biểu đồ và biểu mẫu ngay trong cuộc hội thoại.

Xây dựng MCP Server#

MCP Python SDK chính thức chuyển đổi một hàm Python có kiểu thành công cụ và tạo lược đồ JSON từ các gợi ý kiểu. Việc bọc tác vụ dự đoán Ultralytics YOLO26 theo cách này cung cấp cho mọi MCP host khả năng phát hiện đối tượng: công cụ trả về Results.summary(), một danh sách gồm tên lớp, độ tin cậy và tọa độ khung giới hạn của từng đối tượng để model có thể suy luận dựa trên các dữ liệu này. Ở đây, client chạy trong cùng tiến trình khám phá và gọi công cụ theo cách một host sẽ thực hiện:

import asyncio

from mcp import Client
from mcp.server.mcpserver import MCPServer
from ultralytics import YOLO

model = YOLO("yolo26n.pt")
server = MCPServer("vision")


@server.tool()
def detect(image_url: str) -> list[dict]:
    """Detect objects in an image and return each object's class, confidence, and box."""
    results = model(image_url)
    return results[0].summary()


async def main():
    """Discover the server's tools and call one, as an MCP host does."""
    async with Client(server) as client:
        tools = await client.list_tools()
        print(tools.tools[0].name, tools.tools[0].input_schema)
        result = await client.call_tool("detect", {"image_url": "https://ultralytics.com/images/bus.jpg"})
        print(result.structured_content)


asyncio.run(main())

print đầu tiên hiển thị tên công cụ và schema đầu vào mà model của host nhìn thấy; schema này yêu cầu một tham số chuỗi, image_url. Phần thứ hai hiển thị danh sách phát hiện được trả về dưới dạng nội dung có cấu trúc.

  • Gọi hàm: Khả năng tạo yêu cầu có cấu trúc để gọi công cụ của model. MCP tiêu chuẩn hóa cách khám phá, mô tả và thực thi công cụ giữa các ứng dụng, còn host chuyển đổi định nghĩa công cụ MCP sang định dạng gọi hàm gốc của model.
  • API: API REST hoặc GraphQL phục vụ client của một dịch vụ. MCP server thường bọc một API như vậy và bổ sung tên, mô tả cùng schema mà model cần để sử dụng API mà không cần mã tùy chỉnh.
  • Tạo sinh tăng cường truy xuất (RAG): Một kỹ thuật giúp câu trả lời dựa trên tài liệu được truy xuất. MCP là một cách cung cấp khả năng truy xuất đó thông qua công cụ tìm kiếm hoặc tài nguyên được đính kèm.
  • Giao thức Agent2Agent (A2A): Kết nối các agent với nhau để chúng có thể ủy quyền toàn bộ tác vụ. MCP kết nối một agent với các công cụ và dữ liệu mà agent đó sử dụng trực tiếp.
  • Kỹ năng của agent: Các thư mục chứa hướng dẫn và script mà agent tải vào ngữ cảnh khi tác vụ yêu cầu. Kỹ năng hướng dẫn agent cách thực hiện tác vụ, còn MCP server cung cấp cho agent quyền truy cập trực tiếp vào các hệ thống liên quan, vì vậy agent thường sử dụng cả hai.

Ứng dụng thực tế#

  • Lập trình bằng agent: Agent lập trình kết nối với GitHub, trình theo dõi issue, cơ sở dữ liệu và trình duyệt thông qua MCP server; vì vậy, khi được hỏi tại sao đăng nhập thất bại, agent có thể lấy nhật ký lỗi, đọc mã xác thực và kiểm tra các issue đang mở trong cùng một phiên.
  • Trợ lý doanh nghiệp: Connector tới kho tài liệu, hệ thống chat, quản lý ticket và CRM giúp trợ lý trả lời câu hỏi dựa trên dữ liệu công ty và thay mặt người dùng gửi các bản cập nhật.
  • Kiểm tra trực quan: Agent gọi công cụ phát hiện trên ảnh camera, truy vấn server kiểm kê để tìm phụ tùng thay thế khi phát hiện linh kiện bị hỏng, rồi soạn phiếu bảo trì, biến một dự đoán đơn lẻ thành quy trình tự động hóa hoàn chỉnh.
  • Phân tích dữ liệu: Server cơ sở dữ liệu cung cấp công cụ truy vấn chỉ đọc, nhờ đó nhà phân tích có thể đặt câu hỏi bằng ngôn ngữ thông thường và nhận câu trả lời được tính toán từ các bảng dữ liệu trực tiếp.

Các cân nhắc về bảo mật#

Công cụ MCP có thể chạy mã tùy ý bằng thông tin xác thực của người dùng, vì vậy mỗi kết nối đều mở rộng những gì model có thể làm và những gì kẻ tấn công có thể truy cập. Kết quả từ công cụ và tài nguyên có thể chứa prompt injection, tức văn bản tìm cách khiến model gọi các công cụ khác hoặc làm rò rỉ dữ liệu; server độc hại cũng có thể ẩn chỉ thị trong mô tả công cụ của chính nó, một kiểu tấn công được gọi là đầu độc công cụ. Server từ xa xác thực người dùng bằng cơ chế ủy quyền dựa trên OAuth; host được cấu hình cẩn trọng sẽ giới hạn quyền của từng server ở mức cần thiết, chạy server cục bộ trong sandbox và bổ sung guardrail, chẳng hạn như yêu cầu phê duyệt trước khi thực hiện hành động nhạy cảm. Đặc tả yêu cầu host phải xin sự đồng ý rõ ràng của người dùng trước khi gọi bất kỳ công cụ nào và xem mô tả công cụ là không đáng tin cậy, trừ khi mô tả đến từ server đáng tin cậy.

Khám phá các giải pháp

Thị giác máy tính trong thể thao

Thị giác máy tính trong thể thao

Khám phá cách Ultralytics YOLO thúc đẩy thị giác máy tính trong thể thao với khả năng theo dõi cầu thủ và bóng, phân tích hiệu suất, cung cấp thông tin chuyên sâu cho huấn luyện và hỗ trợ phục hồi cho vận động viên.
Tìm hiểu thêm
Thị giác máy tính cho ảnh hàng không

Thị giác máy tính cho ảnh hàng không

Chuyển hình ảnh từ drone và ảnh hàng không thành thông tin chuyên sâu theo thời gian thực cho nông nghiệp, nuôi trồng thủy sản, bảo tồn và phân tích không gian địa lý với Ultralytics YOLO.
Tìm hiểu thêm
Thị giác máy tính trong hàng không vũ trụ

Thị giác máy tính trong hàng không vũ trụ

Ứng dụng computer vision trong ngành hàng không vũ trụ với Ultralytics YOLO cho kiểm tra máy bay, phát hiện dị vật trên đường băng (FOD), vận hành mặt đất tại sân bay và phát hiện lỗi vật liệu composite.
Tìm hiểu thêm
Computer vision trong lĩnh vực an ninh

Computer vision trong lĩnh vực an ninh

Bảo vệ mọi địa điểm bằng model Ultralytics YOLO. Vision AI hỗ trợ giám sát vành đai, phát hiện mối đe dọa, nhận dạng biển số và an toàn nơi làm việc.
Tìm hiểu thêm
Computer vision trong robotics

Computer vision trong robotics

Tăng cường năng lực cho máy móc thông minh bằng model Ultralytics YOLO. Vision AI trong lĩnh vực robotics hỗ trợ điều hướng tự động, nhận thức, theo dõi đối tượng và điều khiển theo thời gian thực.
Tìm hiểu thêm
Thị giác máy tính trong logistics

Thị giác máy tính trong logistics

Tinh giản hoạt động logistics với các model Ultralytics YOLO. Vision AI hỗ trợ kiểm tra kiện hàng, phân loại, theo dõi phương tiện và giám sát an toàn kho hàng theo thời gian thực.
Tìm hiểu thêm
Thị giác máy tính trong bán lẻ

Thị giác máy tính trong bán lẻ

Định hình lại hoạt động bán lẻ với các model Ultralytics YOLO. Vision AI hỗ trợ theo dõi hàng tồn kho, giám sát kệ hàng, quản lý hàng chờ và phân tích khách hàng thông minh hơn.
Tìm hiểu thêm
Thị giác máy tính trong chăm sóc sức khỏe

Thị giác máy tính trong chăm sóc sức khỏe

Xây dựng các giải pháp chăm sóc sức khỏe với model Ultralytics YOLO. Vision AI trong chăm sóc sức khỏe hỗ trợ xử lý hình ảnh y tế nhanh hơn, chẩn đoán thông minh hơn và theo dõi bệnh nhân.
Tìm hiểu thêm
Thị giác máy tính trong sản xuất

Thị giác máy tính trong sản xuất

Tối ưu hóa sản xuất bằng các model Ultralytics YOLO. Vision AI thúc đẩy kiểm soát chất lượng, phát hiện lỗi, tuân thủ PPE và tự động hóa dây chuyền lắp ráp.
Tìm hiểu thêm
Thị giác máy tính trong ngành ô tô

Thị giác máy tính trong ngành ô tô

Ứng dụng thị giác máy tính trong ngành ô tô với các model Ultralytics YOLO. Vision AI nâng cao an toàn giao thông, hỗ trợ người lái và tự động hóa phương tiện để tạo nên những tuyến đường thông minh hơn.
Tìm hiểu thêm
Thị giác máy tính trong nông nghiệp

Thị giác máy tính trong nông nghiệp

Ứng dụng AI thị giác vào nông nghiệp thông minh với các model Ultralytics YOLO. Hỗ trợ giám sát cây trồng, theo dõi vật nuôi và canh tác chính xác để nâng cao năng suất một cách thông minh hơn.
Tìm hiểu thêm

Hãy cùng nhau kiến tạo tương lai của AI!

Bắt đầu hành trình hướng đến tương lai của machine learning