Secure Design of Model Context Protocol for Agentic AI Assistants in CAD Software
Svanström, Veikko (2026)
2026
Tietotekniikan DI-ohjelma - Master's Programme in Information Technology
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
Hyväksymispäivämäärä
2026-06-17
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202606177667
https://urn.fi/URN:NBN:fi:tuni-202606177667
Tiivistelmä
This thesis presents the design and implementation of an Agentic AI system using the Model Context Protocol (MCP) to integrate AI assistants into Computer-Aided Design (CAD) applications. The work addresses key challenges of connecting AI systems to monolithic CAD applications, taking security, scalability, and functionality into consideration. A novel modular MCP architecture is designed for the Vertex CAD product family. It organizes tools by product and domain modules. This improves maintainability of the MCP and prevents context bloat as no unnecessary tools are given to agents. The agentic system uses the supervisor-subagents pattern to decompose user requests into smaller subtasks that are delegated to subagents.
An essential part of this work is the security analysis of the agentic AI and MCP environment. It collects the most relevant security threats such as prompt injections, hallucinations, and tool misuse, and proposes mitigation strategies for each threat. These mitigation strategies include, for example, the Principle of Least Privilege, Human-in-the-Loop practices, and input validation. These security considerations are integrated in the design from the ground up.
A Proof of Concept (POC) implementation was created using the LangChain framework for the agentic AI and FastMCP framework for the MCP. The POC includes three use cases of varying complexity that showcase basic information retrieval from the CAD model, CAD model modification, and a more complex multi-agent modelling workflow. The POC was evaluated by measuring metrics from three different agentic patterns, single agent, supervisor-subagents, and handoffs, which were given the three tasks from the use cases. Metrics measured include token usage, latency, and success rate.
The results indicate that the supervisor-subagents pattern has the best balance of robustness and scalability among the evaluated patterns. It achieved a 100% success rate on the advanced task while maintaining reasonable performance metrics. The single agent was effective in simple tasks but struggled on the advanced task. The handoffs pattern was the most effective in terms of token usage and latency but also struggled to complete the hardest task with only a 59% success rate.
The thesis demonstrates that MCP effectively serves as an interoperability layer between AI agents and CAD software APIs, enabling AI agents to understand and execute CAD operations without direct API exposure. The supervisor-subagents pattern combined with the modular MCP architecture is highly scalable and promising for production CAD assistants. The work provides a foundational framework and insights for future development of AI-assistant in CAD applications. It emphasizes the importance of balancing AI autonomy with human control, security, and practical performance in professional design environments. Tässä tutkielmassa esitellään agenttisen tekoälyjärjestelmän suunnittelu ja toteutus käyttäen Model Context Protocol (MCP) -standardia tekoälyassistentin integroimiseksi tietokoneavuisteisen suunnittelun (CAD) -ohjelmistoihin. Työ käsittelee tekoälyjärjestelmien yhdistämisen haasteita monoliittisiin CAD-sovelluksiin ottaen huomioon turvallisuuden, skaalautuvuuden ja toiminnallisuuden. Vertex CAD-tuoteperheelle suunniteltiin uusi modulaarinen MCP-arkkitehtuuri, joka järjestää MCP-työkalut tuote- ja toimialuemoduuleittain. Tämä parantaa MCP:n ylläpidettävyyttä ja estää kontekstin paisumista, koska agenteille ei anneta tarpeettomia työkaluja. Agenttijärjestelmä käyttää valvoja-aliagentti-suunnittelumallia jakamaan käyttäjän pyyntöjä pienempiin alitehtäviin, jotka delegoidaan aliagenteille.
Olennaisena osana tätä työtä on agenttisen tekoälyn ja MCP-ympäristön turvallisuusanalyysi. Se kerää yhteen merkittävimmät turvallisuusuhat, kuten kehoteinjektiot, hallusinaatiot ja työkalujen väärinkäytön, ja ehdottaa lievennysstrategioita jokaiselle uhalle. Näihin strategioihin kuuluvat muun muassa pienimpien oikeuksien periaate, Human-in-the-Loop -käytännöt ja syötteen validointi. Nämä turvallisuusnäkökulmat on integroitu suunnitteluun alusta alkaen.
Proof of Concept (POC) -toteutus luotiin käyttämällä LangChain-viitekehystä agentiselle tekoälylle ja FastMCP-viitekehystä MCP-palvelimelle. POC sisältää kolme eri monimutkaisuustasoista käyttötapausta. POC:ia arvioitiin mittaamalla metriikoita kolmesta eri agenttisuunnittelumallista: yksittäisestä agentista, valvoja-aliagenteista ja agentin vaihto -suunnittelumallista. Metriikat olivat tokenien käyttö, latenssi ja onnistumisprosentti.
Tulokset osoittavat, että valvoja-aliagentti-suunnittelumallilla on paras tasapaino toimintavarmuuden ja skaalautuvuuden välillä. Se saavutti 100 % onnistumisprosentin vaativassa tehtävässä ja säilytti kohtuulliset suorituskykymetriikat. Yksittäinen agentti oli tehokas yksinkertaisissa tehtävissä, mutta kamppaili vaativassa tehtävässä. Agentin vaihto -suunnittelumalli oli tehokkain tokenien käytön ja latenssin suhteen, mutta kamppaili vaikeimman tehtävän suorittamisessa vain 59 % onnistumisprosentilla.
Tutkielma osoittaa, että MCP toimii tehokkaasti yhteentoimivuuskerroksena tekoälyagenttien ja CAD-ohjelmistojen rajapintojen välillä. Se mahdollistaa sen, että tekoälyagentit ymmärtävät ja suorittavat CAD-toimintoja ilman suoraa rajapintayhteyttä. Modulaarisella MCP:llä varustettu valvoja-aliagentti-arkkitehtuuri on erittäin skaalautuva ja on lupaava tuotanto-CAD-assistanteille. Työ tarjoaa perustavanlaatuisen viitekehyksen ja näkemyksiä tekoälyavusteisen CAD-suunnittelun tulevalle kehitykselle, korostaen tekoälyn autonomian, ihmisen hallinnan, turvallisuuden ja käytännön suorituskyvyn tasapainoa ammattimaisessa suunnitteluympäristössä.
An essential part of this work is the security analysis of the agentic AI and MCP environment. It collects the most relevant security threats such as prompt injections, hallucinations, and tool misuse, and proposes mitigation strategies for each threat. These mitigation strategies include, for example, the Principle of Least Privilege, Human-in-the-Loop practices, and input validation. These security considerations are integrated in the design from the ground up.
A Proof of Concept (POC) implementation was created using the LangChain framework for the agentic AI and FastMCP framework for the MCP. The POC includes three use cases of varying complexity that showcase basic information retrieval from the CAD model, CAD model modification, and a more complex multi-agent modelling workflow. The POC was evaluated by measuring metrics from three different agentic patterns, single agent, supervisor-subagents, and handoffs, which were given the three tasks from the use cases. Metrics measured include token usage, latency, and success rate.
The results indicate that the supervisor-subagents pattern has the best balance of robustness and scalability among the evaluated patterns. It achieved a 100% success rate on the advanced task while maintaining reasonable performance metrics. The single agent was effective in simple tasks but struggled on the advanced task. The handoffs pattern was the most effective in terms of token usage and latency but also struggled to complete the hardest task with only a 59% success rate.
The thesis demonstrates that MCP effectively serves as an interoperability layer between AI agents and CAD software APIs, enabling AI agents to understand and execute CAD operations without direct API exposure. The supervisor-subagents pattern combined with the modular MCP architecture is highly scalable and promising for production CAD assistants. The work provides a foundational framework and insights for future development of AI-assistant in CAD applications. It emphasizes the importance of balancing AI autonomy with human control, security, and practical performance in professional design environments.
Olennaisena osana tätä työtä on agenttisen tekoälyn ja MCP-ympäristön turvallisuusanalyysi. Se kerää yhteen merkittävimmät turvallisuusuhat, kuten kehoteinjektiot, hallusinaatiot ja työkalujen väärinkäytön, ja ehdottaa lievennysstrategioita jokaiselle uhalle. Näihin strategioihin kuuluvat muun muassa pienimpien oikeuksien periaate, Human-in-the-Loop -käytännöt ja syötteen validointi. Nämä turvallisuusnäkökulmat on integroitu suunnitteluun alusta alkaen.
Proof of Concept (POC) -toteutus luotiin käyttämällä LangChain-viitekehystä agentiselle tekoälylle ja FastMCP-viitekehystä MCP-palvelimelle. POC sisältää kolme eri monimutkaisuustasoista käyttötapausta. POC:ia arvioitiin mittaamalla metriikoita kolmesta eri agenttisuunnittelumallista: yksittäisestä agentista, valvoja-aliagenteista ja agentin vaihto -suunnittelumallista. Metriikat olivat tokenien käyttö, latenssi ja onnistumisprosentti.
Tulokset osoittavat, että valvoja-aliagentti-suunnittelumallilla on paras tasapaino toimintavarmuuden ja skaalautuvuuden välillä. Se saavutti 100 % onnistumisprosentin vaativassa tehtävässä ja säilytti kohtuulliset suorituskykymetriikat. Yksittäinen agentti oli tehokas yksinkertaisissa tehtävissä, mutta kamppaili vaativassa tehtävässä. Agentin vaihto -suunnittelumalli oli tehokkain tokenien käytön ja latenssin suhteen, mutta kamppaili vaikeimman tehtävän suorittamisessa vain 59 % onnistumisprosentilla.
Tutkielma osoittaa, että MCP toimii tehokkaasti yhteentoimivuuskerroksena tekoälyagenttien ja CAD-ohjelmistojen rajapintojen välillä. Se mahdollistaa sen, että tekoälyagentit ymmärtävät ja suorittavat CAD-toimintoja ilman suoraa rajapintayhteyttä. Modulaarisella MCP:llä varustettu valvoja-aliagentti-arkkitehtuuri on erittäin skaalautuva ja on lupaava tuotanto-CAD-assistanteille. Työ tarjoaa perustavanlaatuisen viitekehyksen ja näkemyksiä tekoälyavusteisen CAD-suunnittelun tulevalle kehitykselle, korostaen tekoälyn autonomian, ihmisen hallinnan, turvallisuuden ja käytännön suorituskyvyn tasapainoa ammattimaisessa suunnitteluympäristössä.