MCP વિરુદ્ધ API: પરંપરાગત API એ AI એજન્ટ્સ માટે કેમ નિષ્ફળ જાય છે

પરંપરાગત API એ AI એજન્ટ્સ માટે નિષ્ફળ જાય છે.

વર્ષોથી, ડેવલપર્સ REST અને GraphQL નો ઉપયોગ કરીને વેબ એપ્સ બનાવતા આવ્યા છે. આ સાધનો મનુષ્યો માટે સારી રીતે કામ કરે છે. તેઓ નિશ્ચિત (deterministic) કોડ માટે સારી રીતે કામ કરે છે. પરંતુ AI એજન્ટ્સ અલગ છે. તેઓ ઈરાદા (intent) અને તર્ક (reasoning) પર કામ કરે છે.

જો તમે LLM સાથે માનવ ડેવલપરની જેમ વર્તો છો, તો તમે ભૂલ કરી રહ્યા છો. પરિણામે તમને ધીમી, મોંઘી અને નાજુક (brittle) સિસ્ટમ્સ મળે છે.

Model Context Protocol (MCP) આ બદલી નાખે છે. તે AI કનેક્ટિવિટી માટે એક ઓપન સ્ટાન્ડર્ડ છે.

ઇન્ટિગ્રેશન સમસ્યા જ્યારે તમે પરંપરાગત API નો ઉપયોગ કરીને AI ને પાંચ અલગ-અલગ સાધનો સાથે જોડો છો, ત્યારે તમારે પચીસ કસ્ટમ કનેક્ટર્સ લખવા પડે છે. આ એક N x M સમસ્યા છે. તે મોટું ટેકનિકલ દેવું (technical debt) ઊભું કરે છે.

MCP આ સમસ્યાનું સમાધાન કરે છે. તે N + M આર્કિટેક્ચર બનાવે છે. દરેક સાધન એક MCP સર્વરનો ઉપયોગ કરે છે. દરેક એજન્ટ એક MCP ક્લાયન્ટનો ઉપયોગ કરે છે. તે LLMs માટે યુનિવર્સલ એડેપ્ટર તરીકે કામ કરે છે.

ત્રણ કારણો કેમ MCP એ AI માટે REST ને પાછળ છોડી દીધું છે:

  1. ડાયનેમિક ડિસ્કવરી (Dynamic Discovery) REST માં, તમારે એન્ડપોઈન્ટ્સ (endpoints) હાર્ડકોડ કરવા પડે છે. જો તમે એન્ડપોઈન્ટ બદલો છો, તો તમારે તમારો કોડ અને પ્રોમ્પ્ટ્સ અપડેટ કરવા પડે છે. MCP ડાયનેમિક ડિસ્કવરીનો ઉપયોગ કરે છે. એજન્ટ સર્વરને પૂછે છે કે તે શું કરી શકે છે. સર્વર સાધનો અને ક્ષમતાઓની યાદી સાથે જવાબ આપે છે. એજન્ટ તરત જ (on the fly) શીખી જાય છે.

  2. ટોકન કાર્યક્ષમતા (Token Efficiency) પરંપરાગત API ઘણીવાર વિશાળ JSON પેલોડ્સ મોકલે છે. AI ની દુનિયામાં, ટોકન્સ માટે પૈસા ચૂકવવા પડે છે. વધુ પડતો ડેટા લેટન્સી (latency) અને કોન્ટેક્સ્ટ રૉટ (context rot) નું કારણ બને છે. જ્યારે LLMs વધુ પડતો બિનજરૂરી મેટાડેટા જુએ છે, ત્યારે તેઓ તેમનું ધ્યાન ગુમાવે છે. MCP સર્વર્સ LLM કોન્ટેક્સ્ટ વિન્ડોઝ માટે ઓપ્ટિમાઇઝ કરેલ ડેટા પરત કરે છે.

  3. સ્ટેટફુલ સેશન્સ (Stateful Sessions) REST સ્ટેટલેસ (stateless) છે. AI એજન્ટ્સને વિચાર અને ક્રિયાના સતત લૂપની જરૂર હોય છે. MCP JSON-RPC 2.0 નો ઉપયોગ કરે છે. આ સ્ટેટફુલ નેગોશિયેશન્સ (stateful negotiations) માટે મંજૂરી આપે છે. વિશાળ પેલોડ્સ ફરીથી મોકલ્યા વિના ક્રિયાઓ દરમિયાન કોન્ટેક્સ્ટ જીવંત રહે છે.

MCP ત્રણ મુખ્ય ભાગોનો ઉપયોગ કરે છે:

  • Tools: મોડેલ દ્વારા લેવામાં આવતી ક્રિયાઓ, જેમ કે SQL ક્વેરી ચલાવવી.
  • Resources: લોગ ફાઇલો અથવા દસ્તાવેજો જેવો ફક્ત વાંચવા માટેનો (read-only) ડેટા.
  • Prompts: મોડેલના તર્કને માર્ગદર્શન આપવા માટેના ટેમ્પલેટ્સ.

MCP તમારા ડેટાબેઝ અથવા તમારા હાલના API ને બદલતું નથી. તે તે સેવાઓને LLM સાથે જોડવા માટે તમે લખતા નાજુક ગ્લુ કોડ (glue code) ને બદલે છે.

તમારા AI માટે JSON ને સ્ટ્રિંગિફાય (stringify) કરવા માટે કસ્ટમ ફંક્શન્સ બનાવવાનું બંધ કરો. એવા આર્કિટેક્ચર્સ બનાવવાનું શરૂ કરો જે સ્કેલ કરી શકે.

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