RPC-এর চেয়ে Context Distribution হিসেবে MCP বেশি কার্যকর

বেশিরভাগ মানুষ টুল কলিং-এর জন্য Model Context Protocol (MCP) নিয়ে কথা বলেন।

তারা এটিকে AI-এর জন্য এক্সটার্নাল টুল কল করার একটি মাধ্যম হিসেবে দেখেন। একটি AI একটি GitHub issue পড়ে অথবা একটি ফাইল নিয়ে আসে। এটি MCP-কে এজেন্টদের জন্য একটি RPC লেয়ার হিসেবে উপস্থাপন করে।

এটি দরকারী, কিন্তু এটি সবচেয়ে গুরুত্বপূর্ণ ইউজ কেস নয়।

MCP-এর আসল শক্তি লুকিয়ে আছে context distribution-এর মধ্যে। এটি AI ক্লায়েন্টদের কাছে রুলস (rules), স্কিলস (skills) এবং কন্ট্রাক্টস (contracts) পৌঁছে দিতে পারে।

RAG একটি প্রশ্নের উত্তর দিতে সাহায্য করে: কোন তথ্যটি প্রাসঙ্গিক? RAG ডকুমেন্ট খুঁজে বের করে এবং সেগুলো মডেলকে প্রদান করে।

কিন্তু টিমের শুধু তথ্যের প্রয়োজন নেই। টিমের প্রয়োজন রুলস বা নিয়মাবলী।

একটি টিমের জানা প্রয়োজন:

  • অথরিটেটিভ সোর্স (authoritative source) কোনটি?
  • AI কখন থামবে?
  • কখন মানুষের কনফার্মেশন প্রয়োজন?
  • এই কাজের জন্য কোন ওয়ার্কফ্লো প্রযোজ্য?
  • কী কী প্রমাণ রেকর্ড করতে হবে?

RAG এমন সব ডকুমেন্ট খুঁজে বের করে যা এই রুলসগুলো বর্ণনা করে, কিন্তু একটি ডকুমেন্ট কেবল একটি context মাত্র। অনেক টিম প্রম্পটের মাধ্যমে এটি সমাধান করার চেষ্টা করে। তারা "আমাদের কোডিং রুলস অনুসরণ করো" এর মতো নির্দেশনা লিখে থাকে।

এটি স্কেলেবল নয়। প্রতিটি ডেভেলপারের কাছে আলাদা আলাদা লোকাল প্রম্পট থাকে। কাজের মান নির্ভর করে কে AI ব্যবহার করছে তার ওপর। এটি কোনো টিম সিস্টেম নয়।

MCP এটি পরিবর্তন করে দেয়। কাজ চলাকালীন কেবল টুল কল করার পরিবর্তে, AI কাজ শুরু করার আগেই কাজের রুলসগুলো গ্রহণ করতে পারে।

একটি সেশনের শুরুতে, AI ক্লায়েন্ট একটি startup function কল করে। সেই ফাংশনটি প্রদান করে:

  • অ্যাক্সেস পলিসি (Access policies)
  • অথরিটেটিভ কনটেক্সট সোর্স (Authoritative context sources)
  • উপলব্ধ স্কিলস (Available skills)
  • ওয়ার্কফ্লো ক্যাটালগ (Workflow catalogs)
  • অজানা বিষয়গুলো হ্যান্ডেল করার রুলস (Rules for handling unknowns)

মডেলটির কাছে কেবল টুলের অ্যাক্সেস থাকে না; বরং তার কাছে কাজের রুলসগুলোও থাকে।

এটি একটি স্পষ্ট পার্থক্য তৈরি করে:

  • RPC-স্টাইল MCP: মডেলটি কাজ করার সময় টুল কল করে।
  • Context-distribution MCP: মডেলটি কাজ শুরু করার আগেই রুলসগুলো গ্রহণ করে।

এই পদ্ধতি ডোমেইন নলেজকে পোর্টেবল (portable) করে তোলে। প্রতিটি ব্যবহারকারীকে দীর্ঘ ডকুমেন্ট পড়ার বা লোকাল প্রম্পট আপডেট করার পরিবর্তে, একজন সিনিয়র ইঞ্জিনিয়ার একবার একটি MCP সার্ভারে একটি স্কিল ডিফাইন করে দেন।

যিনি স্কিলটি ডিফাইন করছেন এবং যিনি স্কিলটি ব্যবহার করছেন, তারা এখন আলাদা।

এটি পুরনো বা অপ্রাসঙ্গিক তথ্যের (stale information) সমস্যাটিও সমাধান করে। ব্যবহারকারীদের লোকালি রুলসের একটি পূর্ণাঙ্গ রিপোজিটরি বহন করার প্রয়োজন নেই। তাদের কেবল একটি MCP কানেকশন প্রয়োজন। অথরিটেটিভ ডেফিনিশনগুলো সার্ভারে থাকে।

RAG উত্তর দেয়: কোন তথ্যটি প্রাসঙ্গিক হতে পারে? MCP context distribution উত্তর দেয়: কোন রুলসগুলো এই কাজটিকে পরিচালনা করবে?

RAG হলো নলেজ রিট্রিভ করার বিষয়। MCP context distribution হলো কাজ কীভাবে হবে তা ডিফাইন করার বিষয়।

AI কী কী টুল কল করতে পারে তা জিজ্ঞাসা করা বন্ধ করুন। বরং AI কাজ শুরু করার আগে কী কী context লোড করতে হবে তা জিজ্ঞাসা করা শুরু করুন।

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

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