MCP, RPC की तुलना में कॉन्टेक्स्ट डिस्ट्रीब्यूशन (context distribution) के रूप में अधिक उपयोगी है

अधिकांश लोग टूल कॉलिंग (tool calling) के लिए Model Context Protocol (MCP) के बारे में बात करते हैं।

वे इसे AI द्वारा बाहरी टूल्स को कॉल करने के एक तरीके के रूप में देखते हैं। एक AI GitHub issue पढ़ता है या कोई फ़ाइल प्राप्त करता है। यह MCP को एजेंट्स के लिए एक RPC लेयर की तरह दिखाता है।

यह उपयोगी है, लेकिन यह सबसे महत्वपूर्ण उपयोग का मामला (use case) नहीं है।

MCP की असली ताकत कॉन्टेक्स्ट डिस्ट्रीब्यूशन (context distribution) में निहित है। यह AI क्लाइंट्स को नियम (rules), कौशल (skills) और कॉन्ट्रैक्ट्स (contracts) वितरित कर सकता है।

RAG एक प्रश्न का उत्तर देने में मदद करता है: कौन सी जानकारी प्रासंगिक है? RAG दस्तावेज़ों को खोजता है और उन्हें मॉडल को देता है।

लेकिन टीमों को केवल जानकारी से कहीं अधिक की आवश्यकता होती है। टीमों को नियमों की आवश्यकता होती है।

एक टीम को जानने की आवश्यकता है:

  • आधिकारिक स्रोत क्या है?
  • AI को कब रुकना चाहिए?
  • मानव पुष्टि (human confirmation) की आवश्यकता कब होती है?
  • इस कार्य के लिए कौन सा वर्कफ़्लो लागू होता है?
  • कौन से साक्ष्य (evidence) रिकॉर्ड किए जाने चाहिए?

RAG उन दस्तावेज़ों को प्राप्त करता है जो इन नियमों का वर्णन करते हैं, लेकिन एक दस्तावेज़ केवल कॉन्टेक्स्ट होता है। कई टीमें इसे प्रॉम्प्ट्स (prompts) के माध्यम से हल करने की कोशिश करती हैं। वे "हमारे कोडिंग नियमों का पालन करें" जैसे निर्देश लिखती हैं।

यह स्केल (scale) नहीं कर सकता। प्रत्येक डेवलपर के पास एक अलग लोकल प्रॉम्प्ट होता है। काम की गुणवत्ता AI का उपयोग करने वाले व्यक्ति पर निर्भर करती है। यह एक टीम सिस्टम नहीं है।

MCP इसे बदल देता है। काम के दौरान केवल टूल्स को कॉल करने के बजाय, AI काम शुरू करने से पहले काम के नियम प्राप्त कर सकता है।

एक सत्र (session) की शुरुआत में, AI क्लाइंट एक स्टार्टअप फ़ंक्शन को कॉल करता है। वह फ़ंक्शन निम्नलिखित लौटाता है:

  • एक्सेस नीतियां (Access policies)
  • आधिकारिक कॉन्टेक्स्ट स्रोत (Authoritative context sources)
  • उपलब्ध कौशल (Available skills)
  • वर्कफ़्लो कैटलॉग (Workflow catalogs)
  • अज्ञात स्थितियों को संभालने के नियम (Rules for handling unknowns)

मॉडल के पास केवल टूल्स तक पहुंच ही नहीं होती, बल्कि उसके पास काम के नियम भी होते हैं।

यह एक स्पष्ट अंतर पैदा करता है:

  • RPC-शैली का MCP: मॉडल काम करते समय टूल्स को कॉल करता है।
  • कॉन्टेक्स्ट-डिस्ट्रीब्यूशन MCP: मॉडल काम शुरू करने से पहले नियम प्राप्त करता है।

यह दृष्टिकोण डोमेन ज्ञान (domain knowledge) को पोर्टेबल बनाता है। प्रत्येक उपयोगकर्ता द्वारा लंबे दस्तावेज़ पढ़ने या लोकल प्रॉम्प्ट अपडेट करने के बजाय, एक सीनियर इंजीनियर एक बार MCP सर्वर पर एक कौशल (skill) को परिभाषित करता है।

कौशल को परिभाषित करने वाला व्यक्ति और कौशल का उपयोग करने वाला व्यक्ति अब अलग-अलग हैं।

यह पुरानी या अप्रचलित जानकारी (stale information) की समस्या को भी हल करता है। उपयोगकर्ताओं को स्थानीय रूप से नियमों का पूरा रिपॉजिटरी (repository) रखने की आवश्यकता नहीं है। उन्हें केवल एक MCP कनेक्शन की आवश्यकता है। आधिकारिक परिभाषाएँ सर्वर पर ही रहती हैं।

RAG उत्तर देता है: कौन सी जानकारी प्रासंगिक हो सकती है? MCP कॉन्टेक्स्ट डिस्ट्रीब्यूशन उत्तर देता है: इस काम को किन नियमों द्वारा संचालित किया जाना चाहिए?

RAG ज्ञान प्राप्त करने (retrieving knowledge) के बारे में है। MCP कॉन्टेक्स्ट डिस्ट्रीब्यूशन यह परिभाषित करने के बारे में है कि काम कैसे होता है।

यह पूछना बंद करें कि AI किन टूल्स को कॉल कर सकता है। यह पूछना शुरू करें कि AI को शुरू करने से पहले कौन सा कॉन्टेक्स्ट लोड करना चाहिए।

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

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