با گذار عامل‌های هوش مصنوعی از چت‌بات‌های ساده به کارگران خودگردان، آن‌ها به‌طور فزاینده‌ای برای تعامل با ابزارها و داده‌های خارجی به پروتکل بافت مدل (MCP) متکی هستند. با این حال، این قابلیت با یک هزینه پنهان مالی و عملکردی همراه است که Okta اکنون در حال حل آن است.

درک «مالیات ابزار» در هماهنگ‌سازی هوش مصنوعی

وقتی یک عامل هوش مصنوعی از طریق یک سرور MCP با یک محیط تعامل برقرار می‌کند، هر فراخوانی مدل مستلزم آن است که عامل، قابلیت‌های موجود خود را درک کند. برای انجام این کار، سیستم باید فهرست کامل طرح‌ها (schemas)، نام‌ها، توضیحات و پارامترهای ابزار را به بافت پرامپت (prompt context) ارسال کند.

Okta این پدیده را «مالیات ابزار» نامیده است. با افزایش تعداد ابزارهای یکپارچه‌سازی شده، بار اضافی پرامپت به‌صورت نمایی گسترش می‌یابد. این امر منجر به افزایش قابل توجه مصرف توکن می‌شود که مستقیماً هزینه‌های عملیاتی را بالا برده و تأخیر (latency) را در هر مرحله استدلال عامل افزایش می‌دهد. برای استقرارهای در مقیاس سازمانی که صدها ابزار را مدیریت می‌کنند، این بار اضافی می‌تواند به یک گلوگاه اصلی هم برای بودجه و هم برای عملکرد تبدیل شود.

حل بار اضافی با MCP مبتنی بر محدوده هویت

برای کاهش این ناکارآمدی، Okta در حال معرفی فهرست‌های ابزار MCP با محدوده هویت (identity-scoped) است. به جای ارسال تمام ابزارهای موجود برای هر درخواست مدل، رویکرد Okta از مدیریت هویت و دسترسی (IAM) برای فیلتر کردن پویا (dynamic) مجموعه ابزارها استفاده می‌کند.

با پیاده‌سازی محدودیت‌های مبتنی بر هویت، سرور MCP فقط تعاریف ابزارهای خاصی را ارائه می‌دهد که کاربر یا عامل احراز هویت شده مجاز به استفاده از آن‌هاست. اگر یک عامل به نمایندگی از یک کارمند جونیور عمل کند، تنها زیرمجموعه‌ای از کل طرح ابزار را دریافت می‌کند؛ اگر به نمایندگی از یک مدیر عمل کند، مجموعه کامل را دریافت خواهد کرد. این امر تضمین می‌کند که پنجره بافت (context window) مدل با توضیحات ابزارهای نامرتبط یا غیرمجاز اشغال نشود و به‌طور مؤثری تعداد توکن‌های مورد نیاز برای هر فراخوانی استنتاج را کاهش دهد.

چرا این موضوع برای اکوسیستم هوش مصنوعی اهمیت دارد

این پیشرفت نشان‌دهنده یک تغییر حیاتی از هوش مصنوعی «قابلیت‌محور» به هوش مصنوعی «حاکمیتی-محور» است. همان‌طور که توسعه‌دهندگان به سمت جریان‌های کاری عاملی (agentic workflows) پیچیده‌تر حرکت می‌کنند، صنعت متوجه می‌شود که مقیاس‌پذیری را نمی‌توان از طریق پرامپت‌نویسی با فشار زیاد (brute-force prompting) به دست آورد.

استراتژی Okta دو مورد از مهم‌ترین موانع در پذیرش هوش مصنوعی سازمانی را هدف قرار می‌دهد: بهینه‌سازی هزینه و امنیت. Okta با پیوند دادن نمایش ابزار به هویت، نه تنها «مالیات ابزار» را کاهش می‌دهد، بلکه اصل حداقل امتیاز (least privilege) را در سطح پروتکل اعمال می‌کند. این امر تضمین می‌کند که یک عامل هوش مصنوعی به‌طور ناخواسته یا سعی در فراخوانی یک تابع حساس (مانند ابزار حذف پایگاه داده) نداشته باشد، صرفاً به این دلیل که طرح آن ابزار در بافت پرامپت حضور داشته است.

نکات کلیدی

  • کاهش اتلاف توکن: MCP مبتنی بر محدوده هویت، طرح‌های ابزار ارسال شده به LLMها را محدود می‌کند که مستقیماً «مالیات ابزار» را کاهش داده و هزینه‌های استنتاج را پایین می‌آورد.
  • امنیت ارتقا یافته: با فیلتر کردن ابزارها بر اساس هویت کاربر، Okta کنترل‌های دسترسی سختگیرانه‌ای را اعمال می‌کند و از دسترسی عامل‌ها به توابع غیرمجاز جلوگیری می‌کند.
  • جریان‌های کاری عاملی مقیاس‌پذیر: محدودسازی (scoping) به سازمان‌ها اجازه می‌دهد تا کتابخانه‌های وسیعی از ابزارها را بدون افزایش خطی در تأخیر و بار اضافی پرامپت (که معمولاً در پیاده‌سازی‌های مقیاس بزرگ MCP دیده می‌شود) مستقر کنند.

خلاصه کلام: Okta با پیوند دادن نمایش ابزار به هویت، تورم توکن را که مانع استقرار عامل‌های هوش مصنوعی در مقیاس بزرگ شده بود، کاهش داده و همزمان امنیت را تقویت می‌کند. این حرکت، صنعت را به سمت هوش مصنوعی حاکمیتی-محور سوق می‌دهد، جایی که هزینه، سرعت و کنترل دسترسی به جای اینکه بعداً به آن اضافه شوند، در دل پروتکل ساخته شده‌اند.