MCP بیش از آنکه یک RPC باشد، در توزیع کانتکست کاربردیتر است
بیشتر مردم درباره Model Context Protocol (MCP) برای فراخوانی ابزار (tool calling) صحبت میکنند.
آنها آن را راهی برای فراخوانی ابزارهای خارجی توسط هوش مصنوعی میبینند؛ مثلاً هوش مصنوعی یک GitHub issue را میخواند یا فایلی را واکشی میکند. این باعث میشود MCP شبیه به یک لایه RPC برای عاملها (agents) به نظر برسد.
این کاربردی است، اما مهمترین مورد استفاده نیست.
قدرت واقعی MCP در توزیع کانتکست (context distribution) نهفته است. این پروتکل میتواند قوانین، مهارتها و قراردادها را بین کلاینتهای هوش مصنوعی توزیع کند.
RAG به پاسخ به یک سوال کمک میکند: چه اطلاعاتی مرتبط است؟ RAG اسناد را پیدا کرده و آنها را به مدل میدهد.
اما تیمها به چیزی فراتر از صرفاً اطلاعات نیاز دارند. تیمها به قوانین نیاز دارند.
یک تیم باید بداند:
- منبع معتبر چیست؟
- هوش مصنوعی چه زمانی باید متوقف شود؟
- چه زمانی تایید انسانی لازم است؟
- کدام گردش کار (workflow) برای این وظیفه اعمال میشود؟
- چه شواهدی باید ثبت شوند؟
RAG اسنادی را بازیابی میکند که این قوانین را توصیف میکنند، اما یک سند صرفاً یک کانتکست است. بسیاری از تیمها سعی میکنند این مشکل را با پرامپتها (prompts) حل کنند؛ آنها دستوراتی مثل «قوانین کدنویسی ما را رعایت کن» مینویسند.
این روش مقیاسپذیر نیست. هر توسعهدهنده پرامپت محلی متفاوتی دارد. کیفیت کار به فردی که از هوش مصنوعی استفاده میکند بستگی دارد. این یک سیستم تیمی نیست.
MCP این وضعیت را تغییر میدهد. به جای اینکه هوش مصنوعی فقط در حین کار ابزارها را فراخوانی کند، میتواند قوانین کار را پیش از شروع دریافت کند.
در شروع یک نشست (session)، کلاینت هوش مصنوعی یک تابع شروع (startup function) را فراخوانی میکند. آن تابع موارد زیر را برمیگرداند:
- سیاستهای دسترسی
- منابع کانتکست معتبر
- مهارتهای موجود
- کاتالوگهای گردش کار
- قوانین مدیریت موارد ناشناخته
مدل فقط به ابزارها دسترسی ندارد، بلکه قوانینِ کار را نیز در اختیار دارد.
این یک تفاوت آشکار ایجاد میکند:
- MCP به سبک RPC: مدل در حین کار، ابزارها را فراخوانی میکند.
- MCP به سبک توزیع کانتکست: مدل قوانین را پیش از شروع دریافت میکند.
این رویکرد، دانش دامنه (domain knowledge) را قابل حمل (portable) میکند. به جای اینکه هر کاربر اسناد طولانی را بخواند یا پرامپتهای محلی خود را بهروز کند، یک مهندس ارشد یک مهارت را یک بار در یک سرور MCP تعریف میکند.
اکنون فردی که مهارت را تعریف میکند و فردی که از آن مهارت استفاده میکند، از هم جدا هستند.
این کار همچنین مشکل اطلاعات قدیمی (stale information) را حل میکند. کاربران نیازی ندارند که یک مخزن کامل از قوانین را بهصورت محلی حمل کنند؛ آنها فقط به یک اتصال MCP نیاز دارند. تعاریف معتبر روی سرور باقی میمانند.
RAG پاسخ میدهد: چه اطلاعاتی ممکن است مرتبط باشد؟ توزیع کانتکست در MCP پاسخ میدهد: چه قوانینی باید بر این کار حاکم باشد؟
RAG درباره بازیابی دانش است. توزیع کانتکست در MCP درباره تعریف چگونگی انجام کار است.
از پرسیدن اینکه هوش مصنوعی چه ابزارهایی میتواند فراخوانی کند دست بردارید. شروع کنید به پرسیدن اینکه هوش مصنوعی باید چه کانتکستی را پیش از شروع بارگذاری کند.
Source: https://dev.to/synthaicode_commander/mcp-is-more-useful-as-context-distribution-than-as-rpc-ai4
Optional learning community: https://t.me/GyaanSetuAi