MCP વિરુદ્ધ API: પરંપરાગત APIs શા માટે AI એજન્ટ્સ માટે નિષ્ફળ જાય છે

પરંપરાગત APIs તમારા AI એજન્ટ્સને ધીમા અને ખર્ચાળ બનાવી રહ્યા છે.

મેં REST અને GraphQL સાથે વેબ એપ્સ બનાવવામાં વર્ષો વિતાવ્યા છે. મને સ્ટેટ (state) કેવી રીતે હેન્ડલ કરવું અને પેલોડ્સ (payloads) ને કેવી રીતે ઓપ્ટિમાઇઝ કરવા તે ખબર છે. પરંતુ AI એજન્ટ્સ માટે બનાવવું એ અલગ બાબત છે.

આપણે ઘણીવાર LLMs ને માનવ ડેવલપર્સની જેમ ગણીએ છીએ. આપણે તેમને એક API એન્ડપોઈન્ટ આપીએ છીએ અને તેઓ કામ કરશે તેવી અપેક્ષા રાખીએ છીએ. આ એક ભૂલ છે.

Model Context Protocol (MCP) આ બદલી નાખે છે. તે AI કનેક્ટિવિટી માટે એક ઓપન સ્ટાન્ડર્ડ છે. જો તમે LLMs ને તમારા ટૂલ્સ સાથે જોડવા માટે કસ્ટમ ગ્લુ કોડ (glue code) લખો છો, તો તમે ટેકનિકલ ડેબ્ટ (technical debt) ઊભો કરી રહ્યા છો.

પરંપરાગત APIs શા માટે AI એજન્ટ્સ માટે નિષ્ફળ જાય છે:

  • N x M સમસ્યા: જો તમારી પાસે 5 AI ફ્રેમવર્ક અને 5 એન્ટરપ્રાઇઝ ટૂલ્સ હોય, તો તમારે 25 કસ્ટમ કનેક્ટર્સ લખવા પડશે. MCP આને N + M આર્કિટેક્ચરમાં ફેરવી દે છે. દરેક ટૂલ એક MCP સર્વરનો ઉપયોગ કરે છે. દરેક એજન્ટ એક MCP ક્લાયન્ટનો ઉપયોગ કરે છે.
  • સ્ટેટિક વિરુદ્ધ ડાયનેમિક: REST APIs માટે હાર્ડકોડેડ પાથની જરૂર હોય છે. AI એજન્ટ્સને રનટાઇમ (runtime) પર ટૂલ્સ શોધવાની જરૂર હોય છે. MCP એજન્ટ્સને ડાયનેમિક ડિસ્કવરી દ્વારા ઉપલબ્ધ ક્ષમતાઓ તરત જ જોવાની મંજૂરી આપે છે.
  • ટોકનનો બગાડ: પરંપરાગત APIs ઘણીવાર વિશાળ JSON પેલોડ્સ રિટર્ન કરે છે. મોટા પેલોડ્સ પૈસાનો બગાડ કરે છે અને લેટન્સી (latency) વધારે છે. તેઓ 'કોન્ટેક્સ્ટ રોટ' (context rot) પણ પેદા કરે છે જ્યાં મોડેલ પોતાનું ધ્યાન ગુમાવી દે છે. MCP એ LLM વિન્ડોઝ માટે ઓપ્ટિમાઇઝ કરેલ ડેટા રિટર્ન કરે છે.
  • સ્ટેટલેસનેસ (Statelessness): REST સ્ટેટલેસ છે. AI એજન્ટ્સ વિચાર અને ક્રિયાના સતત લૂપમાં કામ કરે છે. MCP વિશાળ ડેટા ફરીથી મોકલ્યા વગર કોન્ટેક્સ્ટને જીવંત રાખવા માટે સ્ટેટફુલ સેશન્સનો ઉપયોગ કરે છે.

MCP ત્રણ મુખ્ય ભાગોનો ઉપયોગ કરે છે:

  • Tools: મોડેલ દ્વારા લેવામાં આવતા પગલાં, જેમ કે SQL ક્વેરી ચલાવવી.
  • Resources: લોગ ફાઇલો અથવા ડોક્યુમેન્ટ્સ જેવો રીડ-ઓન્લી (read-only) ડેટા.
  • Prompts: ટેમ્પ્લેટ્સ જે મોડેલના તર્ક (reasoning) ને માર્ગદર્શન આપે છે.

MCP તમારા ડેટાબેઝ અથવા તમારા બેકએન્ડને રિપ્લેસ કરતું નથી. તમારું MCP સર્વર હજુ પણ તમારા હાલના APIs ને કોલ કરશે. MCP એ તે બરડ (brittle) કોડને રિપ્લેસ કરે છે જે તમે તે સેવાઓને LLM સાથે જોડવા માટે લખો છો.

તમારા LLM કોલ્સ માટે JSON ને સ્ટ્રિંગિફાય (stringify) કરવા માટે કસ્ટમ ફંક્શન્સ લખવાનું બંધ કરો. એવું આર્કિટેક્ચર બનાવો જે એજન્ટિક ભવિષ્ય માટે સ્કેલ કરી શકે.

તમારા શું વિચારો છે? શું તમે હજી MCP નો ઉપયોગ કરી રહ્યા છો કે કસ્ટમ ફંક્શન કોલિંગ સાથે જ ચાલુ રાખ્યું છે?

Source: https://dev.to/chaudharidevam/mcp-vs-api-why-traditional-apis-are-failing-ai-agents-28m8

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