MCP Lebih Berguna sebagai Distribusi Konteks daripada sebagai RPC

Kebanyakan orang membicarakan Model Context Protocol (MCP) untuk pemanggilan alat (tool calling).

Mereka melihatnya sebagai cara bagi AI untuk memanggil alat eksternal. Sebuah AI membaca isu GitHub atau mengambil file. Hal ini membuat MCP tampak seperti lapisan RPC untuk agen.

Ini berguna, tetapi ini bukanlah kasus penggunaan yang paling penting.

Kekuatan sebenarnya dari MCP terletak pada distribusi konteks. MCP dapat mendistribusikan aturan, keahlian, dan kontrak ke klien AI.

RAG membantu menjawab satu pertanyaan: Informasi apa yang relevan? RAG menemukan dokumen dan memberikannya kepada model.

Namun, tim membutuhkan lebih dari sekadar informasi. Tim membutuhkan aturan.

Sebuah tim perlu mengetahui:

  • Apa sumber otoritatifnya?
  • Kapan AI harus berhenti?
  • Kapan konfirmasi manusia diperlukan?
  • Alur kerja (workflow) mana yang berlaku untuk tugas ini?
  • Bukti apa yang harus dicatat?

RAG mengambil dokumen yang menjelaskan aturan-aturan ini, tetapi sebuah dokumen hanyalah konteks. Banyak tim mencoba menyelesaikan ini dengan prompt. Mereka menulis instruksi seperti "ikuti aturan pengodean kami."

Ini tidak dapat diskalakan (scale). Setiap pengembang memiliki prompt lokal yang berbeda. Kualitas pekerjaan bergantung pada orang yang menggunakan AI tersebut. Ini bukanlah sebuah sistem tim.

MCP mengubah hal ini. Alih-alih hanya memanggil alat selama bekerja, AI dapat menerima aturan kerja sebelum ia memulai.

Pada awal sesi, klien AI memanggil fungsi startup. Fungsi tersebut mengembalikan:

  • Kebijakan akses
  • Sumber konteks otoritatif
  • Keahlian yang tersedia
  • Katalog alur kerja
  • Aturan untuk menangani hal-hal yang tidak diketahui

Model tersebut tidak hanya memiliki akses ke alat. Ia memiliki aturan pekerjaan tersebut.

Ini menciptakan perbedaan yang jelas:

  • MCP gaya RPC: Model memanggil alat saat sedang bekerja.
  • MCP distribusi-konteks: Model menerima aturan sebelum ia memulai.

Pendekatan ini membuat pengetahuan domain menjadi portabel. Alih-alih setiap pengguna membaca dokumen panjang atau memperbarui prompt lokal, seorang insinyur senior mendefinisikan sebuah keahlian satu kali pada server MCP.

Orang yang mendefinisikan keahlian dan orang yang menggunakan keahlian tersebut kini terpisah.

Ini juga menyelesaikan masalah informasi yang usang (stale). Pengguna tidak perlu membawa repositori aturan lengkap secara lokal. Mereka hanya memerlukan koneksi MCP. Definisi otoritatif tetap berada di server.

RAG menjawab: Informasi apa yang mungkin relevan? Distribusi konteks MCP menjawab: Aturan apa yang harus mengatur pekerjaan ini?

RAG adalah tentang mengambil pengetahuan. Distribusi konteks MCP adalah tentang mendefinisikan bagaimana pekerjaan dilakukan.

Berhentilah bertanya alat apa yang bisa dipanggil AI. Mulailah bertanya konteks apa yang harus dimuat AI sebelum ia memulai.

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

Komunitas pembelajaran opsional: https://t.me/GyaanSetuAi