Title: AI નો USB C: તમારો પોતાનો MCP બનાવો

Anthropic એ Model Context Protocol (MCP) ને ઓપન-સોર્સ કર્યું છે, જે એક પ્લગ-ઇન સ્ટાન્ડર્ડ છે જે કોઈપણ AI એજન્ટને ડેટાબેઝ, મોનિટરિંગ ટૂલ્સ, કોડ રિપોઝીટરીઝ અને ઘણું બધું એક સમાન ઇન્ટરફેસ દ્વારા જોડાવા દે છે. ડેવલપર્સ હવે ઘણા બધા અલગ-અલગ કનેક્ટર્સને બદલે એક જ MCP સર્વરનો ઉપયોગ કરી શકે છે અને દરેક સુસંગત (compatible) ક્લાયન્ટને તરત જ સમાન ડેટા એક્સેસ કરવા દે છે.

AI-એપ ડેવલપર્સને સામાન્ય “USB-C” ની જરૂર કેમ છે

આજે AI-સંચાલિત વર્કફ્લો બનાવવો એ અલગ-અલગ કસ્ટમ કોડને જોડવા જેવું લાગે છે. શું તમે Claude, Python સ્ક્રિપ્ટ અથવા થર્ડ-પાર્ટી એડિટર દ્વારા PostgreSQL માંથી વાંચવા, Datadog ડેશબોર્ડ ક્વેરી કરવા અથવા GitHub ઇશ્યૂ ખોલવા માંગો છો? તમારે દરેક વખતે એક નવું ઇન્ટિગ્રેશન લેયર લખવું પડે છે. જેમ જેમ ટેક સ્ટેક વધે છે તેમ તેમ આ પ્રયત્નો વધતા જાય છે, અને 'ગ્લુ કોડ' (glue code) ને મેન્ટેન કરવો, ટેસ્ટ કરવો અને સુરક્ષિત રાખવો મુશ્કેલ બની જાય છે.

MCP આ ચક્રને અટકાવે છે. તે resources (લોગ્સ અથવા API સ્પેક્સ જેવા રીડ-ઓન્લી ડેટા), tools (એજન્ટ દ્વારા કરી શકાય તેવી ક્રિયાઓ, જેમ કે SQL ચલાવવું અથવા ટિકિટ બનાવવી), અને prompts (ટેમ્પ્લેટ્સ જે AI ડેટાનો ઉપયોગ કેવી રીતે કરવો તેનું માર્ગદર્શન આપે છે) ને એક્સપોઝ કરવા માટે એક સિંગલ પ્રોટોકોલ વ્યાખ્યાયિત કરે છે. કોઈપણ સુસંગત ક્લાયન્ટ અલગ-અલગ સેવાઓને એવી રીતે જુએ છે જાણે કે તે એક જ પોર્ટમાં પ્લગ કરેલી હોય.

પ્રોટોકોલ કેવી રીતે રચાયેલ છે

  • MCP Hosts – એપ્લિકેશન્સ જે AI ને એમ્બેડ કરે છે, ઉદાહરણ તરીકે Claude Desktop અથવા કોડ-આસિસ્ટન્ટ એડિટર.
  • MCP Clients – હોસ્ટની અંદરના પાતળા લેયર્સ જે હેન્ડશેક હેન્ડલ કરે છે અને વિનંતીઓ (requests) ને રૂટ કરે છે.
  • MCP Servers – હળવા પ્રોગ્રામ્સ જે ચોક્કસ ડેટા સોર્સ અથવા સેવા એક્સપોઝ કરે છે, જેમ કે SQLite ફાઇલ, Slack વર્કસ્પેસ અથવા મોનિટરિંગ એન્ડપોઇન્ટ.

જ્યારે AI કનેક્ટ થાય છે, ત્યારે ક્લાયન્ટ સર્વરના રિસોર્સિસ, ટૂલ્સ અને પ્રોમ્પ્ટ્સના કેટલોગને શોધી કાઢે છે. ત્યારબાદ એજન્ટ એવી કોલ્સ (calls) કરે છે જે રિલેશનલ ડેટાબેઝ હોય કે ટિકિટિંગ સિસ્ટમ, બંનેમાં સમાન દેખાય છે. સર્વર તે કોલ્સને યોગ્ય API અથવા ક્વેરી લેંગ્વેજમાં રૂપાંતરિત કરે છે અને એજન્ટ ઉપયોગ કરી શકે તેવા ફોર્મેટમાં પરિણામો પરત કરે છે.

એક ચોક્કસ વર્કફ્લો

કલ્પના કરો કે એક ડેવલપર MCP દ્વારા PostgreSQL સર્વર અને Datadog મોનિટરિંગ એન્ડપોઇન્ટને AI આસિસ્ટન્ટ સાથે જોડે છે. ડેવલપર આસિસ્ટન્ટને તાજેતરના એરર સ્પાઇક્સ શોધવા, ડેટાબેઝમાંથી સંબંધિત યુઝર રેકોર્ડ્સ મેળવવા અને કોડ ફિક્સ સૂચવવા માટે કહે છે. AI:

  1. MCP-એક્સપોઝ્ડ મોનિટરિંગ ટૂલ દ્વારા Datadog ક્વેરી કરે છે અને સંબંધિત લોગ્સ મેળવે છે.
  2. MCP-પ્રોવાઈડેડ ડેટાબેઝ ટૂલનો ઉપયોગ કરીને PostgreSQL સર્વર પર SQL ક્વેરી એક્ઝિક્યુટ કરે છે.
  3. જોવામાં આવેલા એરર પેટર્ન માટે ફિક્સનું લાક્ષણિક માળખું વર્ણવતા પ્રોમ્પ્ટમાંથી પેચ (patch) જનરેટ કરે છે.

આ ત્રણેય સ્ટેપ્સ એક જ પ્રોટોકોલ દ્વારા થાય છે, ડેવલપરે દરેક સેવા માટે અલગ એડેપ્ટર્સ લખવાની જરૂર પડતી નથી.

MCP સર્વર બનાવવું

Anthropic નું રેફરન્સ ઇમ્પ્લીમેન્ટેશન દર્શાવે છે કે સર્વર TypeScript અથવા Python જેવી જાણીતી ભાષાઓમાં લખી શકાય છે. આ પ્રક્રિયા નીચે મુજબ છે:

  1. સર્વર જે રિસોર્સિસ એક્સપોઝ કરશે તેની જાહેરાત કરવી (દા.ત., ટેબલ્સનો સેટ, લોગ ફાઇલોનું કલેક્શન).
  2. AI જે ટૂલ્સનો ઉપયોગ કરી શકે છે તેને વ્યાખ્યાયિત કરવું (SQL એક્ઝિક્યુશન, HTTP POST, ફાઇલ રાઇટ).
  3. કોઈપણ પ્રોમ્પ્ટ ટેમ્પ્લેટ્સ પૂરા પાડવા જે AI ને તેની વિનંતીઓ ફોર્મેટ કરવામાં મદદ કરે છે.

એકવાર સર્વર ચાલુ થઈ જાય પછી, કોઈપણ MCP-સુસંગત ક્લાયન્ટ તેને આપમેળે શોધી લે છે, જેનાથી નવો ડેટા સોર્સ સંસ્થાના AI ટૂલ્સમાં તરત જ ઉપયોગ કરી શકાય તેવો બની જાય છે.

મુખ્ય વાત (Takeaway)

Model Context Protocol AI એજન્ટ્સ માટે એક સિંગલ “USB-C” પ્રદાન કરે છે, જે કસ્ટમ કનેક્ટર્સના જટિલ જાળાને પ્લગ-એન્ડ-પ્લે ઇકોસિસ્ટમમાં ફેરવે છે. ગ્લુ કોડ લખીને થાકેલી ટીમો આજે MCP ટેસ્ટ કરી શકે છે અને તેનો વ્યવહારિક ફાયદો જોઈ શકે છે.