𝗠𝗖𝗣 𝗦𝗲𝗿𝘃𝗲𝗿𝘀 𝗠𝗮𝗸𝗲 𝗔𝗜 𝗔𝗴𝗲𝗻𝘁𝘀 𝗨𝘀𝗲𝗳𝘂𝗹 𝗶𝗻 𝗣𝗿𝗼𝗱𝘂𝗰𝘁𝗶𝗼𝗻

તમારું AI કોડ લખી શકે છે. પરંતુ શું તે તમને જણાવી શકે છે કે તમારું ક્લસ્ટર અત્યારે નિષ્ફળ જઈ રહ્યું છે?

તાજેતર સુધી, AI એજન્ટ્સ અંધ હતા. તેઓ Terraform સ્ક્રિપ્ટ લખી શકતા હતા, પરંતુ તેઓ તમારા લાઈવ મેટ્રિક્સ જોઈ શકતા નહોતા. તેઓ VPN એક્સેસ વગરના એક સ્માર્ટ એન્જિનિયર જેવા હતા. તેઓ તમારા વાસ્તવિક સિસ્ટમ સ્ટેટને બદલે ટ્રેનિંગ ડેટા પર આધાર રાખતા હતા.

Model Context Protocol (MCP) આ બદલી નાખે છે.

MCP એ એક ઓપન સ્ટાન્ડર્ડ છે જે AI માટે USB-C જેવું કામ કરે છે. તે મોડલ્સને લાઈવ ટૂલ્સ સાથે કનેક્ટ થવાનો માર્ગ આપે છે. જૂના ડેટાના આધારે અનુમાન લગાવવાને બદલે, તમારો એજન્ટ રીઅલ-ટાઇમ માહિતી મેળવે છે.

આ પરિવર્તન AI ને ટેક્સ્ટ બોક્સમાંથી તમારી ઇન્ફ્રાસ્ટ્રક્ચરમાં એક સક્રિય સહભાગી બનાવે છે.

જોવાલાયક મુખ્ય MCP સર્વર્સ:

• GitHub: ઇશ્યુનું ટ્રાયજ (triage) કરવું, PRs મેનેજ કરવા અને CI/CD સ્ટેટસ તપાસવું. • AWS: મિસકોન્ફિગરેશન અથવા ખર્ચ શોધવા માટે EC2, S3 અને IAM ક્વેરી કરવી. • Kubernetes: API દ્વારા રીઅલ-ટાઇમ પોડ (pod) સ્ટેટસ અને ડાયગ્નોસ્ટિક ઇવેન્ટ્સ મેળવો. • Datadog: ઇન્સિડેન્ટ દરમિયાન લાઈવ મેટ્રિક્સ અને એલર્ટ હિસ્ટ્રી મેળવો. • Terraform: પ્લાન્સનું નિરીક્ષણ કરો અને સ્ટેટ ડ્રિફ્ટ (state drift) શોધો. • PagerDuty: ઇન્સિડેન્ટ્સ શોધો અને ઓન-કોલ પેટર્નનું વિશ્લેષણ કરો. • Vault: વાસ્તવિક સિક્રેટ્સ જાહેર કર્યા વિના સુરક્ષા નીતિઓનું નિરીક્ષણ કરો.

વસ્તુઓને બગાડ્યા વિના કેવી રીતે શરૂ કરવું:

બધું એકસાથે ઇન્સ્ટોલ કરશો નહીં. ઘણા બધા ટૂલ્સ અવાજ (noise) પેદા કરે છે અને મોડલને ધીમું પાડે છે.

આ ફ્રેમવર્ક અનુસરો:

હંમેશા રીડ-ઓન્લી (read-only) મોડમાં શરૂ કરો. એજન્ટને રાઈટ ઓપરેશન્સ (write operations) કરવાની મંજૂરી આપતા પહેલા તમારી ટીમને ડેટા પર વિશ્વાસ કેળવવા દો.

SRE ની ભૂમિકા બદલાઈ રહી છે. કામના મિકેનિકલ ભાગો—જેમ કે એલર્ટ ટ્રાયજ અને મેટ્રિક કોરિલેશન—એજન્ટ્સ તરફ જઈ રહ્યા છે. સૌથી મૂલ્યવાન એન્જિનિયરો એ હશે જેઓ આ એજન્ટ્સને ઓર્કેસ્ટ્રેટ (orchestrate) કરતા શીખશે.

હાઇપ (hype) પાછળ દોડવાનું બંધ કરો. તમારી વાસ્તવિક અવરોધો (bottlenecks) ઉકેલવાનું શરૂ કરો.

તમારી ટીમ કયું પ્રથમ MCP સર્વર ઉપયોગમાં લેશે?

Source: https://dev.to/dev_tips/mcp-servers-just-made-your-ai-agent-actually-useful-in-prod-1glh