Метод доверенной контекстуализации Model Context Protocol для интеллектуальных агентов маркетинговой аналитики
Ключевые слова:
Model Context Protocol, интеллектуальные агенты, маркетинговая аналитика, доказательная верификация, провенанс данныхАннотация
Предложен метод доверенной контекстуализации MCP-Trust для интеллектуальных агентов маркетинговой аналитики, решающий задачу воспроизводимого подключения больших языковых моделей к неоднородным корпоративным и открытым источникам данных. В отличие от обычного применения Model Context Protocol как транспортного слоя, метод вводит формализованный контекстный пакет; ранжирование MCP-серверов по релевантности, свежести, надёжности, доступности и стоимости; доказательный граф источников; механизм согласования противоречивых данных и журнал трассировки для повторного воспроизведения результата. Разработан математический аппарат выбора серверов и оценки доверия к аналитическому выводу. Проведён имитационный эксперимент на 180 синтетических аналитических запросах с 12 виртуальными MCP-серверами. По сравнению с вариантом без MCP средняя абсолютная процентная ошибка MAPE снижена с 15,93 до 8,28 %, покрытие результата источниками увеличено с 0,233 до 0,971, коэффициент воспроизводимости – с 0,46 до 0,99. Интегральная метрика эффективности MCP-Trust составила 0,270 против 0,228 у CAMIA и 0,190 у статической MCP-схемы. Полученные результаты подтверждают перспективность использования доверенной контекстуализации для построения интеллектуальных систем исследования рынка.
Библиографические ссылки
[1] Anthropic. Introducing the Model Context Protocol [Electronic resource]. 2024. URL: https://www.anthropic.com/news/model-context-protocol (дата обращения: 30.05.2026).
[2] Model Context Protocol. Specification [Electronic resource]. 2025. URL: https://modelcontextprotocol.io/specification/2025-03-26 (дата обращения: 30.05.2026).
[3] Hou X., Zhao Y., Wang S., Wang H. Model Context Protocol (MCP): Landscape, Security Threats, and Future Research Directions. arXiv:2503.23278. 2025. DOI: 10.48550/arXiv.2503.23278.
[4] Narajala V.S., Habler I. Enterprise-Grade Security for the Model Context Protocol (MCP): Frameworks and Mitigation Strategies. arXiv:2504.08623. 2025. DOI: 10.48550/arXiv.2504.08623.
[5] Lewis P., Perez E., Piktus A., Petroni F., Karpukhin V., Goyal N. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // Advances in Neural Information Processing Systems. 2020. Vol. 33. P. 9459–9474.
[6] Yao S., Zhao J., Yu D., Du N., Shafran I., Narasimhan K., Cao Y. ReAct: Synergizing Reasoning and Acting in Language Models // Proc. ICLR. 2023.
[7] Xi Z. et al. The rise and potential of large language model based agents: a survey // Science China Information Sciences. 2025. Vol. 68. Art. 121101. DOI: 10.1007/s11432-024-4222-0.
[8] Shen Z. LLM With Tools: A Survey. arXiv:2409.18807. 2024. DOI: 10.48550/arXiv.2409.18807.
[9] Гарбук С.В. Особенности применения понятия «доверие» в области искусственного интеллекта // Искусственный интеллект и принятие решений. 2020. № 3. С. 15–21.
[10] Федоров А.М., Датьев И.О., Вишняков И.Г. Метод интеграции больших языковых моделей в алгоритмы фокусированного мониторинга открытых данных социальных медиа // Информатика и автоматизация. 2025. Т. 24, № 6. С. 1623–1648. DOI: 10.15622/ia.24.6.4.
[11] Wang M., Zhang D.J., Zhang H. Large Language Models for Market Research: A Data-augmentation Approach. arXiv:2412.19363. 2026. DOI: 10.48550/arXiv.2412.19363.
[12] Li Y., Liu Y., Yu M. Consumer segmentation with large language models // Journal of Retailing and Consumer Services. 2025. Vol. 82. Art. 104078. DOI: 10.1016/j.jretconser.2024.104078.
[13] Krugmann J.O., Hartmann J. Sentiment Analysis in the Age of Generative AI // Customer Needs and Solutions. 2024. Vol. 11. Art. 3. DOI: 10.1007/s40547-024-00143-4.
[14] Lebo T., Sahoo S., McGuinness D. et al. PROV-O: The PROV Ontology. W3C Recommendation. 2013. URL: https://www.w3.org/TR/prov-o/ (дата обращения: 30.05.2026).
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Системная инженерия и инфокоммуникации
Это произведение доступно по лицензии Creative Commons «Attribution-ShareAlike» («Атрибуция — На тех же условиях») 4.0 Всемирная.