Die wahre Magie entfaltet sich jedoch erst, wenn Sie diese maßgeschneiderten, datenorientierten Tools in die Umgebungen integrieren können, in denen Sie die meiste Zeit verbringen. Was wäre, wenn Ihr Code-Editor-Agent sicher auf die private Wissensdatenbank Ihres Unternehmens zugreifen könnte?

Hier kommt das Model Context Protocol (MCP) ins Spiel. Elastic Agent Builder wird mit einem integrierten MCP-Server ausgeliefert, der Zugriff auf die Tools der Plattform ermöglicht.

Warum sollte man den Elastic Agent Builder MCP-Server verwenden?

KI-Agenten sind unglaublich leistungsstark, aber ihr Wissen beschränkt sich typischerweise auf die Daten, mit denen sie trainiert wurden, und auf Informationen, die sie aktiv im öffentlichen Internet suchen können. Sie kennen weder die internen Designdokumente Ihres Unternehmens noch die spezifischen Bereitstellungs-Runbooks Ihres Teams oder die einzigartige Struktur Ihrer Anwendungsprotokolle.

Die Herausforderung besteht darin, Ihrem KI-Assistenten den benötigten spezialisierten Kontext zu liefern. Genau dieses Problem soll MCP lösen. MCP ist ein offener Standard, der es einem KI-Modell oder -Agenten ermöglicht, externe Tools zu erkennen und zu nutzen.

Um dies zu ermöglichen, stellt der Elastic Agent Builder Ihre benutzerdefinierten Tools nativ über einen integrierten MCP-Server zur Verfügung. Das bedeutet, dass Sie jeden MCP-kompatiblen Client, wie Cursor, VS Code oder Claude Desktop, problemlos mit den spezialisierten, datenorientierten Tools verbinden können, die Sie mit Elastic Agent Builder erstellt haben.

Wann sollte man MCP verwenden (und wann nicht)?

Elastic Agent Builder beinhaltet mehrere Protokolle zur Unterstützung verschiedener Integrationsmuster. Die Wahl der richtigen Lösung ist der Schlüssel zum Aufbau effektiver KI-Workflows.

• Verwenden Sie MCP , um Ihren KI-Agenten (wie in Cursor oder VS Code) mit spezialisierten Werkzeugen zu erweitern. Es ist der Ansatz „Bring your own tools“, der den bereits verwendeten Assistenten um einen sicheren Zugriff auf Ihre privaten Daten erweitert. Lediglich die Tools werden über den MCP-Server bereitgestellt – die Agenten von Elastic sind davon getrennt.

• Mit dem A2A-Protokoll können Sie Ihren vollständig benutzerdefinierten Elastic Agent mit anderen autonomen Agenten (wie in Googles Gemini Enterprise) zusammenarbeiten lassen. Dies dient der Agenten-zu-Agenten-Delegierung, bei der jeder Agent als gleichberechtigter Partner an der Lösung eines Problems arbeitet.

• Nutzen Sie die Agent Builder APIs für die vollständige programmatische Kontrolle beim Erstellen einer benutzerdefinierten Anwendung von Grund auf.

Für Entwickler, die Antworten aus ihrer internen Dokumentation erhalten möchten, ohne ihre IDE zu verlassen, ist MCP die perfekte Lösung.

Beispiel: Ihre benutzerdefinierten Tools in Cursor mit Agent Builder MCP-Server

Lassen Sie uns ein praktisches Beispiel durchgehen, das ich täglich verwende. Zuerst habe ich unsere interne technische Dokumentation gecrawlt und in einen Elasticsearch-Index namens elastic-dev-docs indexiert. Obwohl wir die im Agent Builder verfügbaren generischen, integrierten Tools verwenden könnten, werden wir unser eigenes, benutzerdefiniertes Tool erstellen, um diese spezielle Wissensdatenbank abzufragen.

Der Grund für die Entwicklung eines maßgeschneiderten Werkzeugs ist einfach: Kontrolle und Präzision. Dieser Ansatz gibt uns die Möglichkeit, eine schnelle semantische Abfrage direkt gegen unseren elastic-dev-docs -Index auszuführen. Wir haben die volle Kontrolle darüber, welcher Index genau anvisiert wird und wie die Daten abgerufen werden.

Und so können wir diese benutzerdefinierte Wissensdatenbank in einem KI-gestützten Code-Editor wie Cursor verwenden.

Schritt 1: Erstellen Sie ein benutzerdefiniertes Wissensdatenbank-Tool im Agent Builder.

Zuerst erstellen Sie ein neues Tool im Agent Builder. Eine klare und präzise Werkzeugbeschreibung ist wichtig, denn sie ist die Grundlage dafür, wie jeder KI-Agent, sei es der interne Elastic Agent oder ein externes Werkzeug wie Cursor, das über MCP verbunden ist, Ihr Werkzeug für die richtige Aufgabe erkennt und auswählt.

Eine aussagekräftige Beschreibung sollte explizit sein. Zum Beispiel: „Führt eine semantische Suche im elastic-dev-docs-Index durch, um interne Entwicklungsdokumentationen, Runbooks und Release-Prozeduren zu finden.“

Damit ist das Tool so konfiguriert, dass es eine semantische Suche in unserem spezifischen Index durchführt. Nach dem Speichern steht es sofort zum Servieren bereit.

Bevor Sie es mit der Außenwelt verbinden, können Sie es direkt in der Benutzeroberfläche testen. Klicken Sie einfach auf die Schaltfläche „Testen“ , um die Parameter manuell einzugeben und so das Verhalten des LLM zu simulieren. Überprüfen Sie anschließend die Ergebnisse, um sicherzustellen, dass alles ordnungsgemäß funktioniert.

Schritt 2: Cursor mit dem Elastic MCP-Server verbinden

Elastic Agent Builder stellt automatisch alle verfügbaren Tools über einen sicheren MCP-Endpunkt bereit. Ihre individuelle Server-URL finden Sie in der Tools-Benutzeroberfläche von Kibana.

Um eine Verbindung zu Cursor herzustellen, fügen wir einfach diese URL zusammen mit einem Elastic API Key zur Authentifizierung in die Konfigurationsdatei ein (hier erfahren Sie, wie Sie einen ES API Key erstellen). Wir verwenden einen API-Schlüssel zur Autorisierung, da dieser sicherstellt, dass die Tools nur mit den von Ihnen erteilten Berechtigungen ausgeführt werden und alle Ihre Zugriffskontrollregeln eingehalten werden.

Die MCP-Konfiguration in Cursors ~/.cursor/mcp.json sieht folgendermaßen aus:

Sobald die Konfiguration gespeichert ist, sollte das Elastic Agent Builder MCP-Servertool in Cursor verfügbar sein.

Schritt 3: Fragen Sie einfach drauflos!

Nachdem die Verbindung hergestellt wurde, können Cursor-Agenten nun Ihre benutzerdefinierten Tools aufrufen, um Ihre Fragen zu beantworten oder den Codegenerierungsprozess zu steuern.

Stellen wir eine konkrete Frage:

„Schritte zur Freigabe des Crawler-Dienstes in der internen Entwicklungsdokumentation der Elasticsearch-Organisation nachschlagen“

Hinter den Kulissen geschieht die Magie:

1. Der Cursor-Agent entscheidet, wie Ihre Frage am besten beantwortet werden kann, und beschließt, den/die/das … anzurufen. engineering_documentation_internal_search

2. Es ruft das Tool mit einer natürlichsprachlichen Anfrage auf.

3. Das Tool führt eine semantische Suche im Index elastic-dev-docs durch und gibt die relevantesten und aktuellsten Prozeduren zurück.

Wir erhalten eine präzise und verlässliche Antwort auf Basis unserer internen Dokumentation, ohne jemals den Code-Editor verlassen zu müssen. Das Erlebnis ist nahtlos und beeindruckend.

Jetzt bist du an der Reihe zu bauen

Sie haben nun gesehen, wie Sie den integrierten MCP-Server im Elastic Agent Builder verwenden können, um Ihre KI-Assistenten um einen sicheren Zugriff auf Ihre privaten Daten zu erweitern. Die Modelle auf eigenen Informationen zu basieren, ist der Schlüssel zu ihrer tatsächlichen Nützlichkeit.

Zusammenfassend haben wir die wichtigsten Schritte behandelt:

• Die Wahl des richtigen Protokolls für Ihre Bedürfnisse (MCP).

• Entwicklung eines maßgeschneiderten Wissensdatenbank-Tools.

• Verbindung dieses Tools mit einem IDE-Assistenten wie Cursor.

Ihre Agenten und Tools müssen nicht länger von ihrem wichtigsten Kontext getrennt werden. Wir hoffen, dass Ihnen dieser Leitfaden dabei hilft, effektivere, datenbasierte Arbeitsabläufe zu erstellen. Viel Spaß beim Bauen!

Was aber, wenn Sie Ihre benutzerdefinierten Agenten mit den Anwendungen und Produktivitätstools verwenden möchten, auf die Sie bereits angewiesen sind?

Hier kommt das Agent-to-Agent (A2A)-Protokoll ins Spiel. A2A ist ein offener Standard für Interoperabilität, der es Agenten verschiedener Plattformen ermöglicht, miteinander zu kommunizieren und zusammenzuarbeiten. Und wir haben es direkt in den Elastic Agent Builder integriert.

Heute zeigen wir Ihnen, wie Sie einen von Ihnen erstellten benutzerdefinierten Agenten anderen Diensten, insbesondere Gemini Enterprise (ehemals Agentspace), zugänglich machen können.

Die Macht offener Standards: Warum A2A wichtig ist

Im Blogbeitrag „Ihr erster Elastic Agent“ haben wir gezeigt, wie man benutzerdefinierte Agenten erstellt, zum Beispiel einen Finanzassistenten -Agenten mit sicherem Zugriff auf Ihre Marktdaten. Sein Nutzen ist jedoch begrenzt, wenn Sie die gewonnenen Erkenntnisse nicht auch in anderen Umgebungen wie Gemini Enterprise nutzen können, ohne Ihre Arbeit neu aufbauen zu müssen.

Diese Herausforderung der Interoperabilität ist es, die agentenbasierte KI zurückhält. Agenten benötigen eine gemeinsame Sprache, um plattformübergreifend zu kommunizieren. Genau diese Rolle übernimmt das A2A-Protokoll. Es bietet eine standardisierte Kommunikationsschicht, die es Ihnen nicht nur ermöglicht, direkt mit Ihrem Agenten zu interagieren, sondern auch eine Zukunft eröffnet, in der spezialisierte Agenten in Ihrem gesamten Unternehmen zusammenarbeiten und Erkenntnisse austauschen können.

Um dies zu ermöglichen, unterstützt der Elastic Agent Builder das A2A-Protokoll nativ über zwei Standardendpunkte für alle Ihre Agenten:

1. Der Agent Card-Endpunkt (GET {your-kibana-url}/api/agent_builder/a2a/{agentId}.json) - Dieser dient als Visitenkarte Ihres individuellen Agenten. Es stellt Metadaten über Ihren Agenten (Name, Beschreibung, Fähigkeiten usw.) für jeden A2A-kompatiblen Dienst bereit.

2. Der A2A-Protokollendpunkt (POST {your-kibana-url}/api/agent_builder/a2a/{agentId}) - Dies ist der Kommunikationskanal. Andere Agenten senden ihre Anfragen hierher, Ihr Agent verarbeitet sie und sendet eine Antwort zurück, alles gemäß der A2A-Protokollspezifikation.

Testen Sie Ihren Makler mit dem A2A-Inspektor.

Bevor wir unseren Agenten mit einem Produktionssystem verbinden, sollten wir überprüfen, ob die Kommunikation korrekt funktioniert. Am einfachsten geht das mit dem A2A Inspector, einem Tool, das speziell für das Testen und Debuggen von A2A-Integrationen entwickelt wurde.

Die Inbetriebnahme des Inspektors ist unkompliziert. Sie können das a2a-inspector- Repository klonen und den Anweisungen in der README-Datei folgen, um die Anwendung auszuführen. Nach dem Start ist die Benutzeroberfläche standardmäßig unter http://localhost:5001/ verfügbar.

Um den A2A-Inspektor mit Ihrem Makler zu verbinden, müssen Sie zwei wichtige Informationen angeben:

• Agentenkarten-URL: Dies ist der Endpunkt, der Ihren Agenten beschreibt. Für den Finanzassistenten-Agenten aus unserem vorherigen Beitrag lautet diese URL {your-kibana-url}/api/agent_builder/a2a/financial_assistant.json.

• Authentifizierungsheader: Wir verwenden einen Standard-API-Schlüssel zur Authentifizierung.

Sobald Sie diese Angaben in der Benutzeroberfläche des Inspektors eingegeben haben, können Sie sich mit Ihrem Agenten verbinden und sofort mit ihm chatten.

Diese einfache Validierung gibt uns die Gewissheit, dass unser Agent korrekt konfiguriert ist und für den nächsten Schritt bereit ist.

Geh live! Ihr persönlicher Kundenbetreuer in Gemini Enterprise

Und nun zum spannenden Teil: die Umsetzung unseres maßgeschneiderten Finanzberateragenten in Gemini Enterprise (ehemals Agentspace). Diese Integration wird durch den Elastic AI Agent ermöglicht, der auf dem Google Cloud Marketplace verfügbar ist.

Nach der Verbindungsherstellung nutzt Gemini Enterprise das A2A-Protokoll, um direkt mit Ihrem Agenten zu kommunizieren. Hier zeigt sich die wahre Stärke der Interoperabilität: Benutzer können nun auf die tiefgreifenden, datengestützten Erkenntnisse Ihres benutzerdefinierten Elasticsearch-Agenten zugreifen, ohne jemals ihre gewohnte Umgebung verlassen zu müssen. Sie können Ihren benutzerdefinierten Elastic Agent in der Agentenliste sehen:

Stellen Sie sich einen Benutzer in Gemini Enterprise vor, der Folgendes fragt:

„Ich bin besorgt über die Marktstimmung. Können Sie mir zeigen, welche unserer Kunden am stärksten von schlechten Nachrichten betroffen sein könnten? “

Im Hintergrund leitet Gemini Enterprise diese Anfrage über das A2A-Protokoll an Ihren benutzerdefinierten Elastic Agent weiter. Ihr Agent verwendet dann seine spezialisierten Tools, um Ihre Daten abzufragen, eine Antwort zu formulieren und diese zurückzusenden. Für den Endnutzer ist das Erlebnis nahtlos.

Und das ist noch nicht alles! Die mit dem Elastic-Agenten erhaltene Antwort kann nun als Kontext für Ihre nächsten Fragen verwendet werden, die möglicherweise einen anderen spezialisierten Agenten auslösen (z. B. (Ihr Investmentplattform-Agent passt das Engagement in börsennotierten Unternehmen an.) Alles, ohne die Suchleiste zu verlassen.

Mit Ihren Elastic-Agenten, die auf Gemini Enterprise mit A2A bereitgestellt werden, können Sie Zugriff, Orchestrierung und Workflows vereinheitlichen und Reibungsverluste zwischen KI-, Such- und Unternehmenssystemen beseitigen, indem Sie eine einzige Benutzeroberfläche anbieten, über die Benutzer mit ihren Daten und Tools interagieren können – alles im Kontext. Für die Anwender bedeutet das weniger Werkzeugwechsel und intuitivere, leistungsfähigere KI-Assistenten. Für Organisationen bedeutet dies eine integrierte, kohärente Governance, Skalierbarkeit und Interoperabilität.

Jetzt sind Sie am Zug.

Sie verfügen nun über die Werkzeuge, um Ihre Elastic Agents überall verfügbar zu machen. Durch die Nutzung des offenen A2A-Protokolls können Sie die Reichweite Ihrer benutzerdefinierten, datenorientierten Agenten erweitern.

In diesem Beitrag haben wir Ihnen die wichtigsten Schritte erläutert:

• Bereitstellung Ihres Agenten über die A2A Agent Card und Protocol Endpunkte.

• Testen der Verbindung mit dem A2A Inspector.

• Integration Ihres Agenten live in einen externen Dienst wie Googles Gemini Enterprise.

Ihre Agenten müssen nicht länger isoliert werden. Wir freuen uns schon sehr auf die leistungsstarken, vernetzten Systeme, die Sie entwickeln werden. Viel Spaß beim Bauen!

Am einfachsten gelingt der Einstieg mit Ihrer kostenlosen Elastic Cloud-Testversion auf dem Google Cloud Marketplace.

Das Model Context Protocol (MCP) macht dies möglich. Es verbindet die Konversations-KI nahtlos mit Ihren Datenbanken und externen APIs und wandelt komplexe Anfragen in natürliche Konversationen um. Moderne LLMs verfügen zwar über hervorragende Sprachkenntnisse, ihr wahres Potenzial entfaltet sich jedoch erst bei der Integration in reale Systeme. MCP schließt die Lücke zwischen ihnen und macht die Dateninteraktion intuitiver und effizienter.

In diesem Beitrag untersuchen wir:

• MCP-Architektur – So funktioniert es unter der Haube

• Vorteile eines mit Elasticsearch verbundenen MCP-Servers

• Erstellen eines Elasticsearch-basierten MCP-Servers

Es stehen spannende Zeiten bevor! Die Integration von MCP in Ihren Elastic-Stack verändert die Art und Weise, wie Sie mit Informationen interagieren, und macht komplexe Abfragen so intuitiv wie alltägliche Gespräche.

Modellkontextprotokoll

Das von Anthropic entwickelte Model Context Protocol (MCP) ist ein offener Standard, der KI-Modelle über sichere, bidirektionale Kanäle mit externen Datenquellen verbindet. Es löst eine große KI-Einschränkung: Echtzeitzugriff auf externe Systeme unter Beibehaltung des Gesprächskontexts.

MCP-Architektur

Die Architektur des Model Context Protocol besteht aus zwei Hauptkomponenten:

• MCP-Clients – KI-Assistenten und Chatbots, die im Namen der Benutzer Informationen anfordern oder Aufgaben ausführen.

• MCP-Server – Datenspeicher, Suchmaschinen und APIs, die relevante Informationen abrufen oder angeforderte Aktionen ausführen (z. B. Aufrufen externer APIs).

MCP-Server bieten Clients vier Hauptfunktionen:

• Ressourcen – Strukturierte Daten, Dokumente und Inhalte, die abgerufen und als Kontext für LLM-Interaktionen verwendet werden können. Dadurch können KI-Assistenten auf relevante Informationen aus Datenbanken, Suchindizes oder anderen Quellen zugreifen.

• Tools – Ausführbare Funktionen, die es LLMs ermöglichen, mit externen Systemen zu interagieren, Berechnungen durchzuführen oder Aktionen in der realen Welt auszuführen. Diese Tools erweitern die KI-Funktionen über die Textgenerierung hinaus und ermöglichen es Assistenten, Workflows auszulösen, APIs aufzurufen oder Daten dynamisch zu bearbeiten.

• Eingabeaufforderungen – Wiederverwendbare Eingabeaufforderungsvorlagen und Arbeitsabläufe zum Standardisieren und Teilen gängiger LLM-Interaktionen.

• Sampling – Fordern Sie LLM-Vervollständigungen über den Client an, um anspruchsvolles Agentenverhalten zu ermöglichen und gleichzeitig Sicherheit und Datenschutz zu gewährleisten.

MCP-Server + Elasticsearch

Herkömmliche Retrieval-Augmented Generation (RAG)-Systeme rufen Dokumente basierend auf Benutzerabfragen ab, aber MCP geht noch einen Schritt weiter: Es ermöglicht KI-Agenten, Aufgaben dynamisch zu erstellen und in Echtzeit auszuführen. Dadurch können Benutzer Fragen in natürlicher Sprache stellen, wie zum Beispiel:

• „Zeigen Sie mir alle Bestellungen über 500 $ vom letzten Monat.“

• „Welche Produkte haben die meisten 5-Sterne-Bewertungen erhalten?“

Und erhalten Sie sofort präzise Antworten, ohne eine einzige Anfrage zu schreiben.

MCP erreicht dies durch:

• Dynamische Toolauswahl – Agenten wählen auf intelligente Weise die richtigen Tools aus, die über MCP-Server basierend auf der Benutzerabsicht bereitgestellt werden. „Intelligentere“ LLMs sind im Allgemeinen besser darin, die richtigen Werkzeuge mit den entsprechenden Argumenten basierend auf dem Kontext auszuwählen.

• Bidirektionale Kommunikation – Agenten und Datenquellen tauschen Informationen reibungslos aus und verfeinern Abfragen nach Bedarf (z. B. Suchen Sie zuerst nach einer Indexzuordnung und erstellen Sie erst dann die ES-Abfrage.

• Multi-Tool-Orchestrierung – Workflows können Tools von mehreren MCP-Servern gleichzeitig nutzen.

• Permanenter Kontext – Agenten erinnern sich an vorherige Interaktionen und sorgen so für Kontinuität über Gespräche hinweg.

Ein mit Elasticsearch verbundener MCP-Server ermöglicht eine leistungsstarke Echtzeit-Abrufarchitektur. KI-Agenten können Elasticsearch-Daten bei Bedarf erkunden, abfragen und analysieren. Ihre Daten können über eine einfache Chat-Schnittstelle durchsucht werden.

MCP dient nicht nur dem Abrufen von Daten, sondern ermöglicht auch Aktionen. Es lässt sich in andere Tools integrieren, um Workflows auszulösen, Prozesse zu automatisieren und Erkenntnisse in Analysesysteme einzuspeisen. Durch die Trennung von Suche und Ausführung sorgt MCP dafür, dass KI-gestützte Anwendungen flexibel und aktuell bleiben und nahtlos in Agenten-Workflows integriert werden.

Praxisnah: MCP-Server zum Chatten mit Ihren Elasticsearch-Daten

Um über einen MCP-Server mit Elasticsearch zu interagieren, benötigen wir mindestens folgende Funktionen:

• Indizes abrufen

• Zuordnungen abrufen

• Führen Sie Suchvorgänge mit der Query DSL von Elasticsearch durch

Unser Server ist in TypeScript geschrieben und wir werden das offizielle MCP TypeScript SDK verwenden. Zur Einrichtung empfehlen wir die Installation der Claude Desktop App (die kostenlose Version ist ausreichend), da diese einen integrierten MCP-Client enthält. Unser MCP-Server stellt im Wesentlichen den offiziellen JavaScript Elasticsearch-Client über MCP-Tools bereit.

Beginnen wir mit der Definition des Elasticsearch-Clients und des MCP-Servers:

Wir werden die folgenden MCP-Servertools verwenden, die mit Elasticsearch interagieren können:

• Indizes auflisten (list_indices): Dieses Tool ruft alle verfügbaren Elasticsearch-Indizes ab und liefert Details wie Indexname, Integritätsstatus und Dokumentanzahl.

• Zuordnungen abrufen (get_mappings): Dieses Tool ruft die Feldzuordnungen für einen angegebenen Elasticsearch-Index ab und hilft Benutzern, die Struktur und Datentypen gespeicherter Dokumente zu verstehen.

• Suche (Suche): Dieses Tool führt eine Elasticsearch-Suche mithilfe einer bereitgestellten Abfrage-DSL aus. Es aktiviert automatisch Hervorhebungen für Textfelder und erleichtert so die Identifizierung relevanter Suchergebnisse.

Die vollständige Elasticsearch MCP-Serverimplementierung ist im Repository elastic/mcp-server-elasticsearch verfügbar.

Chatten Sie mit Ihrem Index

Sehen wir uns an, wie Sie den Elasticsearch MCP-Server einrichten, damit Sie Fragen zu Ihren Daten in natürlicher Sprache stellen können, z. B. „Finden Sie alle Bestellungen über 500 $ vom letzten Monat.“

Konfigurieren Sie Ihre Claude Desktop App

• Öffnen Sie die Claude Desktop App

• Navigieren Sie zu Einstellungen > Entwickler > MCP-Server

• Klicken Sie auf „Konfiguration bearbeiten“ und fügen Sie diese Konfiguration zu Ihrem claude_desktop_config.json hinzu:

Hinweis: Dieses Setup verwendet das von Elastic veröffentlichte npm-Paket @elastic/mcp-server-elasticsearch . Wenn Sie lokal entwickeln möchten, finden Sie hier weitere Informationen zum Hochfahren des Elasticsearch MCP-Servers.

Füllen Sie Ihren Elasticsearch-Index

• Sie können unsere Beispieldaten verwenden, um den Index "Bestellungen" für diese Demo zu füllen

• Auf diese Weise können Sie Abfragen wie „Alle Bestellungen über 500 $ vom letzten Monat suchen“ ausprobieren.

Beginnen Sie mit der Nutzung

• Öffnen Sie eine neue Konversation in der Claude Desktop App

• Der MCP-Server verbindet sich automatisch

• Stellen Sie Fragen zu Ihren Elasticsearch-Daten!

Sehen Sie sich diese Demo an, um zu sehen, wie einfach es ist, Ihre Elasticsearch-Daten mithilfe natürlicher Sprache abzufragen:

Wie funktionieren diese Abfragen?

Bei der Aufforderung „Alle Bestellungen über 500 $ vom letzten Monat suchen“ erkennt das LLM die Absicht, den Elasticsearch-Index mit angegebenen Einschränkungen zu durchsuchen. Um eine effektive Suche durchzuführen, muss der Agent:

• Ermitteln Sie den Indexnamen: orders

• Verstehen Sie die Zuordnungen des orders -Index

• Erstellen Sie die Query-DSL kompatibel mit Index-Mappings und führen Sie anschließend die Suchanfrage aus

Diese Interaktion kann wie folgt dargestellt werden:

Fazit

Das Model Context Protocol verbessert Ihre Interaktion mit Elasticsearch-Daten und ermöglicht Konversationen in natürlicher Sprache anstelle komplexer Abfragen. Durch die Verbindung von KI-Funktionen mit Ihren Daten erstellt MCP einen intuitiveren und effizienteren Workflow, der den Kontext während Ihrer Interaktionen aufrechterhält.

Der Elasticsearch MCP-Server ist als öffentliches npm-Paket (@elastic/mcp-server-elasticsearch) verfügbar, was die Integration für Entwickler unkompliziert macht. Mit minimalem Einrichtungsaufwand kann Ihr Team beginnen, Daten zu untersuchen, Workflows auszulösen und durch einfache Gespräche Erkenntnisse zu gewinnen.

Bereit, es selbst zu erleben? Testen Sie noch heute den Elasticsearch MCP-Server und beginnen Sie mit dem Chatten mit Ihren Daten.