Sammensæt værktøjer på tværs af servere

Du hardcoder sjældent disse forløb. Modellen læser resultatet fra ét værktøj, beslutter det næste trin og kalder selv det rigtige værktøj på den rigtige server.

Sammensætning fungerer kun, hvis resultaterne er rene. Ved at returnere struktureret output i stedet for løs prosa får det næste værktøj præcis det felt, det forventer.

Når du kæder trin sammen, henter modellen en værdi som f.eks. et id fra trin ét og giver den videre som et argument til trin to. Forudsigelige skemaer gør denne overførsel pålidelig.

Flere kædede kald danner en agent-løkke: udfør en handling, observer resultatet, og udfør en ny handling. Værten kører hvert trin og giver outputtet tilbage til modellen.

Fordi værktøjerne deler den samme pulje, er modellen ligeglad med, at søgning og læsning ligger på forskellige servere. For modellen er arbejdsgangen blot én sammenhængende sekvens.

Hvert trin føjer sit resultat til konteksten. Begræns store output, så en lang kæde ikke bruger modellens budget op, før den når målet.

Hvis et mellemtrin mislykkes, skal du returnere en tydelig fejl, som modellen kan læse. Derefter kan den prøve igen, vælge et andet værktøj eller stoppe i stedet for at bygge videre på ugyldige data.

Værktøjer, der gør én ting godt og returnerer ryddelige data, er nemmest at komponere. Små, præcise værktøjer kan kombineres til effektive arbejdsgange. 🧩

Komposition er der, hvor MCP virkelig skinner: Uafhængige servere kan kædes sammen til omfattende arbejdsgange i flere trin, der føles som én kompetent assistent. ✨

Modellen kæder værktøjer sammen på tværs af servere og giver rent, struktureret output fra det ene videre til det næste. Små, præcise værktøjer kan komponeres til omfattende arbejdsgange. 🎉