بروتوكول سياق النموذج (MCP) أكثر فائدة كتوزيع للسياق منه كـ RPC

يتحدث معظم الناس عن بروتوكول سياق النموذج (MCP) من أجل استدعاء الأدوات (tool calling).

يرون فيه وسيلة للذكاء الاصطناعي لاستدعاء أدوات خارجية؛ حيث يقرأ الذكاء الاصطناعي مشكلة (issue) على GitHub أو يجلب ملفاً. وهذا يجعل MCP يبدو كطبقة RPC للوكلاء (agents).

هذا مفيد، لكنه ليس أهم حالة استخدام.

تكمن القوة الحقيقية لـ MCP في توزيع السياق (context distribution). إذ يمكنه توزيع القواعد، والمهارات، والعقود على عملاء الذكاء الاصطناعي (AI clients).

يساعد نظام RAG في الإجابة على سؤال واحد: ما هي المعلومات ذات الصلة؟ يقوم RAG بالعثور على المستندات وتقديمها للنموذج.

لكن الفرق تحتاج إلى ما هو أكثر من مجرد المعلومات. الفرق تحتاج إلى قواعد.

يحتاج الفريق إلى معرفة:

  • ما هو المصدر المعتمد؟
  • متى يجب على الذكاء الاصطناعي التوقف؟
  • متى يكون التأكيد البشري مطلوباً؟
  • ما هو سير العمل (workflow) الذي ينطبق على هذه المهمة؟
  • ما هي الأدلة التي يجب تسجيلها؟

يسترجع RAG المستندات التي تصف هذه القواعد، ولكن المستند ليس سوى سياق. تحاول العديد من الفرق حل هذه المشكلة باستخدام الأوامر (prompts)، حيث يكتبون تعليمات مثل "اتبع قواعد البرمجة الخاصة بنا".

هذا الأسلوب لا يقبل التوسع (does not scale). فكل مطور لديه أمر (prompt) محلي مختلف، وتعتمد جودة العمل على الشخص الذي يستخدم الذكاء الاصطناعي. هذا ليس نظاماً للفريق.

يغير MCP هذا الأمر. فبدلاً من مجرد استدعاء الأدوات أثناء العمل، يمكن للذكاء الاصطناعي تلقي قواعد العمل قبل البدء.

في بداية الجلسة، يستدعي عميل الذكاء الاصطناعي دالة بدء (startup function). تعيد هذه الدالة:

  • سياسات الوصول
  • مصادر السياق المعتمدة
  • المهارات المتاحة
  • كتالوجات سير العمل (workflow catalogs)
  • قواعد التعامل مع الأمور غير المعروفة

لا يمتلك النموذج إمكانية الوصول إلى الأدوات فحسب، بل يمتلك أيضاً قواعد العمل.

وهذا يخلق فرقاً واضحاً:

  • MCP بأسلوب RPC: يستدعي النموذج الأدوات أثناء العمل.
  • MCP بتوزيع السياق: يتلقى النموذج القواعد قبل أن يبدأ.

يجعل هذا النهج المعرفة المتخصصة (domain knowledge) قابلة للنقل. فبدلاً من أن يقرأ كل مستخدم مستندات طويلة أو يقوم بتحديث الأوامر المحلية، يقوم مهندس خبير بتعريف مهارة واحدة على خادم MCP.

أصبح الشخص الذي يحدد المهارة والشخص الذي يستخدمها منفصلين الآن.

يحل هذا أيضاً مشكلة المعلومات القديمة. لا يحتاج المستخدمون إلى حمل مستودع كامل من القواعد محلياً؛ بل يحتاجون فقط إلى اتصال MCP. تظل التعريفات المعتمدة على الخادم.

يجيب RAG على: ما هي المعلومات التي قد تكون ذات صلة؟ بينما يجيب توزيع سياق MCP على: ما هي القواعد التي يجب أن تحكم هذا العمل؟

يتعلق RAG باسترجاع المعرفة، بينما يتعلق توزيع سياق MCP بتحديد كيفية سير العمل.

توقف عن السؤال عما يمكن للذكاء الاصطناعي استدعاءه من أدوات، وابدأ بالسؤال عن السياق الذي يجب على الذكاء الاصطناعي تحميله قبل أن يبدأ.

Source: https://dev.to/synthaicode_commander/mcp-is-more-useful-as-context-distribution-than-as-rpc-ai4

Optional learning community: https://t.me/GyaanSetuAi