MCP est plus utile pour la distribution de contexte que pour le RPC

La plupart des gens parlent du Model Context Protocol (MCP) pour l'appel d'outils (tool calling).

Ils le voient comme un moyen pour l'IA d'appeler des outils externes. Une IA lit un ticket GitHub ou récupère un fichier. Cela fait passer le MCP pour une couche RPC destinée aux agents.

C'est utile, mais ce n'est pas le cas d'usage le plus important.

La véritable puissance du MCP réside dans la distribution de contexte. Il peut distribuer des règles, des compétences et des contrats aux clients d'IA.

Le RAG aide à répondre à une question : quelle information est pertinente ? Le RAG trouve des documents et les transmet au modèle.

Mais les équipes ont besoin de plus que de simples informations. Les équipes ont besoin de règles.

Une équipe doit savoir :

  • Quelle est la source faisant autorité ?
  • Quand l'IA doit-elle s'arrêter ?
  • Quand une confirmation humaine est-elle requise ?
  • Quel workflow s'applique à cette tâche ?
  • Quelles preuves doivent être enregistrées ?

Le RAG récupère des documents qui décrivent ces règles, mais un document n'est que du contexte. De nombreuses équipes tentent de résoudre ce problème avec des prompts. Elles écrivent des instructions telles que « suivez nos règles de codage ».

Cela ne passe pas à l'échelle. Chaque développeur possède un prompt local différent. La qualité du travail dépend de la personne qui utilise l'IA. Ce n'est pas un système d'équipe.

Le MCP change la donne. Au lieu de simplement appeler des outils pendant le travail, l'IA peut recevoir les règles de travail avant de commencer.

Au début d'une session, le client d'IA appelle une fonction de démarrage (startup function). Cette fonction renvoie :

  • Des politiques d'accès
  • Des sources de contexte faisant autorité
  • Des compétences disponibles
  • Des catalogues de workflows
  • Des règles pour la gestion des inconnues

Le modèle n'a pas seulement accès à des outils. Il possède les règles du métier.

Cela crée une distinction claire :

  • MCP de type RPC : le modèle appelle des outils pendant qu'il travaille.
  • MCP de distribution de contexte : le modèle reçoit les règles avant de commencer.

Cette approche rend la connaissance métier portable. Au lieu que chaque utilisateur lise de longs documents ou mette à jour des prompts locaux, un ingénieur senior définit une compétence une seule fois sur un serveur MCP.

La personne qui définit la compétence et celle qui l'utilise sont désormais distinctes.

Cela résout également le problème des informations obsolètes. Les utilisateurs n'ont pas besoin de transporter localement un répertoire complet de règles. Ils ont seulement besoin d'une connexion MCP. Les définitions faisant autorité restent sur le serveur.

Le RAG répond à : quelle information pourrait être pertinente ? La distribution de contexte MCP répond à : quelles règles doivent régir ce travail ?

Le RAG consiste à récupérer des connaissances. La distribution de contexte MCP consiste à définir comment le travail s'effectue.

Cessez de demander quels outils l'IA peut appeler. Commencez à demander quel contexte l'IA doit charger avant de commencer.

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

Communauté d'apprentissage optionnelle : https://t.me/GyaanSetuAi