Снова примеры с MCP Claude или просто 🤯

На видео процесс того как протокол MCP Claude, имеющий полный контроль над ChatGPT 4o, используется для автоматического создания расскадровки в стиле Ghibli. Все происходит автоматически и никакого вмешательства человека.

#пытаюсьпонять
Как GPT модель умеет точно совершать арифмитические операции, ведь она не является калькулятором в прямом смысле?

Учитыая, что результатом ответа является предсказание исходного контекста, то логично предполагать что возможно она всего лишь запоминает результаты на основе всех тех данных которые были в процессе ее обучения и дообучения, но это не так. Согласно исследованиям, которые проводят создатели Claude, модель использует сложные параллельные вычислительные пути для выполнения арифмитических действий в том числе.
То есть ответ формируется не прямым вычислением, а приближением через примерную оценку, сужение пространства поиска (диапазоны чисел), определением локальных признаков правильного ответа(цифра в конце ответа).

Но если даже такая простая операция требует сложной цепочки рассуждений, насколько модели будут посильны сложные вычислительные операции?

Пример на картинке.

Hi👋3DGen
Генератор 3д геометрии с помощью карт нормалей.
https://stable-x.github.io/Hi3DGen/

#вкопилкуэрудита
Скорость света и расширение Вселенной связаны, но по-разному: скорость света ограничивает движение объектов в пространстве, а расширение Вселенной происходит независимо от этой скорости.
Согласно специальной теории относительности Эйнштейна, ничто не может двигаться быстрее света. Однако сама ткань пространства может расширяться с любой скоростью. Галактики не «летят» сквозь пространство, а, скорее, «движутся» вместе с ним.
Это объясняет, почему некоторые галактики могут удаляться от нас быстрее скорости света. Они не нарушают законов физики, поскольку не движутся в пространстве быстрее света, а «несутся» вместе с расширяющимся пространством.
Со временем большая часть Вселенной может стать недоступной для наблюдения, потому что пространство между нами и удалёнными галактиками будет расширяться быстрее, чем успевает распространяться свет.

#пытаюсьпонять
Как MCP может или уже усиливает агентные RAG-системы

Современные RAG-системы (Retrieval-Augmented Generation), которые сочетают поиск данных и генерацию текста, уже активно используются в реальных проектах. Большинство из них в той или иной степени "агентные" — то есть способны самостоятельно принимать решения, например, о том, какие источники данных задействовать. Конкретная реализация этой агентности зависит от задачи, но если вы работаете с множеством источников, то выбор данных для извлечения уже требует агентного подхода.

Здесь на сцену выходит MCP — инструмент, который значительно улучшает развитие таких систем. Как это может работать:

1. Анализ запроса пользователя.
Запрос отправляется агенту на базе большой языковой модели (LLM). Агент:
- Может переформулировать запрос (иногда несколько раз), создавая один или несколько уточненных запросов для дальнейшей обработки.
- Определяет, нужны ли дополнительные данные для ответа.

2. Извлечение данных.
Если данные требуются, запускается этап поиска. Источники могут быть разными:
- Пользовательские данные в реальном времени.
- Внутренние документы компании.
- Информация из интернета и другие.
MCP играет ключевую роль:
- Каждый источник данных управляет своим MCP-сервером, задавая правила использования информации.
- Безопасность и соответствие требованиям обеспечиваются на уровне серверов.
- Новые источники легко добавляются в пул MCP-серверов по стандартизированному протоколу, не требуя изменений в логике агента. Это поддерживает независимое развитие системы в плане процедурной, эпизодической и семантической памяти.
- Платформы могут предоставлять свои данные внешним пользователям в удобном формате.
- Инженеры AI сосредотачиваются на архитектуре агента, а не на управлении данными.

3. Формирование ответа.
Если дополнительные данные не нужны, LLM сразу генерирует ответ — это может быть текст, несколько вариантов или даже набор действий.

4. Оценка и доработка.
Ответ анализируется и проверяется на точность и релевантность:
- Если он устраивает агента, его отправляют пользователю.
- Если нет — запрос переписывается, и процесс повторяется.

MCP делает агентные RAG-системы более гибкими, безопасными и масштабируемыми, упрощая интеграцию данных.