MCP એ RPC કરતા Context Distribution તરીકે વધુ ઉપયોગી છે

મોટાભાગના લોકો Model Context Protocol (MCP) વિશે ટૂલ કોલિંગ (tool calling) માટે વાત કરે છે.

તેઓ તેને AI દ્વારા બાહ્ય ટૂલ્સ (external tools) ને કોલ કરવાની એક રીત તરીકે જુએ છે. એક AI GitHub issue વાંચે છે અથવા ફાઇલ મેળવે છે. આનાથી MCP એ એજન્ટ્સ માટે RPC લેયર જેવું લાગે છે.

આ ઉપયોગી છે, પરંતુ તે સૌથી મહત્વનો ઉપયોગ (use case) નથી.

MCP ની સાચી શક્તિ context distribution માં રહેલી છે. તે AI ક્લાયન્ટ્સને નિયમો (rules), કૌશલ્યો (skills) અને કરારો (contracts) વિતરિત કરી શકે છે.

RAG એક પ્રશ્નનો જવાબ આપવામાં મદદ કરે છે: કઈ માહિતી સુસંગત છે? RAG દસ્તાવેજો શોધે છે અને તેને મોડેલને આપે છે.

પરંતુ ટીમોને માત્ર માહિતી જ નહીં, પણ તેનાથી વધુની જરૂર છે. ટીમોને નિયમોની જરૂર છે.

એક ટીમને જાણવાની જરૂર છે:

  • અધિકૃત સ્ત્રોત (authoritative source) કયો છે?
  • AI એ ક્યારે અટકવું જોઈએ?
  • માનવીય પુષ્ટિ (human confirmation) ક્યારે જરૂરી છે?
  • આ કાર્ય માટે કયો વર્કફ્લો (workflow) લાગુ પડે છે?
  • કયા પુરાવા રેકોર્ડ કરવા જોઈએ?

RAG એવા દસ્તાવેજો મેળવે છે જે આ નિયમોનું વર્ણન કરે છે, પરંતુ દસ્તાવેજ માત્ર context છે. ઘણી ટીમો આ સમસ્યાને prompts દ્વારા ઉકેલવાનો પ્રયાસ કરે છે. તેઓ "અમારા કોડિંગ નિયમોનું પાલન કરો" જેવા નિર્દેશો લખે છે.

આ સ્કેલેબલ (scale) નથી. દરેક ડેવલપર પાસે અલગ લોકલ prompt હોય છે. કામની ગુણવત્તા AI નો ઉપયોગ કરનાર વ્યક્તિ પર આધાર રાખે છે. આ ટીમ સિસ્ટમ નથી.

MCP આ બદલી નાખે છે. કામ દરમિયાન માત્ર ટૂલ્સને કોલ કરવાને બદલે, AI કામ શરૂ કરતા પહેલા જ કામના નિયમો મેળવી શકે છે.

સત્રની શરૂઆતમાં, AI ક્લાયન્ટ એક startup function ને કોલ કરે છે. તે function નીચે મુજબની વિગતો આપે છે:

  • એક્સેસ પોલિસીઓ (Access policies)
  • અધિકૃત context સ્ત્રોતો (Authoritative context sources)
  • ઉપલબ્ધ કૌશલ્યો (Available skills)
  • વર્કફ્લો કેટલોગ્સ (Workflow catalogs)
  • અજાણી બાબતોને હેન્ડલ કરવા માટેના નિયમો (Rules for handling unknowns)

મોડેલ પાસે માત્ર ટૂલ્સનો જ એક્સેસ નથી હોતો, પરંતુ તેની પાસે કામના નિયમો પણ હોય છે.

આ એક સ્પષ્ટ તફાવત ઊભો કરે છે:

  • RPC-સ્ટાઇલ MCP: મોડેલ કામ કરતી વખતે ટૂલ્સને કોલ કરે છે.
  • Context-distribution MCP: મોડેલ કામ શરૂ કરતા પહેલા જ નિયમો મેળવે છે.

આ અભિગમ ડોમેન નોલેજને પોર્ટેબલ (portable) બનાવે છે. દરેક વપરાશકર્તાએ લાંબા દસ્તાવેજો વાંચવા અથવા લોકલ prompts અપડેટ કરવાને બદલે, એક સિનિયર એન્જિનિયર MCP સર્વર પર એકવાર કૌશલ્ય (skill) વ્યાખ્યાયિત કરે છે.

જે વ્યક્તિ કૌશલ્ય વ્યાખ્યાયિત કરે છે અને જે વ્યક્તિ કૌશલ્યનો ઉપયોગ કરે છે, તેઓ હવે અલગ છે.

આ જૂની અથવા અપ્રસ્તુત માહિતી (stale information) ની સમસ્યાને પણ ઉકેલે છે. વપરાશકર્તાઓએ સ્થાનિક રીતે નિયમોનું સંપૂર્ણ રિપોઝિટરી રાખવાની જરૂર નથી. તેમને માત્ર એક MCP કનેક્શનની જરૂર છે. અધિકૃત વ્યાખ્યાઓ સર્વર પર જ રહે છે.

RAG જવાબ આપે છે: કઈ માહિતી સુસંગત હોઈ શકે છે? MCP context distribution જવાબ આપે છે: આ કામને કયા નિયમો દ્વારા સંચાલિત કરવું જોઈએ?

RAG એ જ્ઞાન મેળવવા (retrieving knowledge) વિશે છે. MCP context distribution એ કામ કેવી રીતે થાય છે તે વ્યાખ્યાયિત કરવા વિશે છે.

AI કયા ટૂલ્સને કોલ કરી શકે છે તે પૂછવાનું બંધ કરો. AI એ શરૂ કરતા પહેલા કયો context લોડ કરવો જોઈએ તે પૂછવાનું શરૂ કરો.

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

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