MCP è più utile come distribuzione di contesto che come RPC
La maggior parte delle persone parla del Model Context Protocol (MCP) in relazione al tool calling.
Lo vedono come un modo per l'IA di chiamare strumenti esterni. Un'IA legge un'issue di GitHub o recupera un file. Questo fa apparire l'MCP come uno strato RPC per gli agenti.
Questo è utile, ma non è il caso d'uso più importante.
Il vero potere dell'MCP risiede nella distribuzione del contesto. Può distribuire regole, competenze (skill) e contratti ai client IA.
Il RAG aiuta a rispondere a una domanda: Quali informazioni sono rilevanti? Il RAG trova i documenti e li fornisce al modello.
Ma i team hanno bisogno di qualcosa di più delle semplici informazioni. I team hanno bisogno di regole.
Un team deve sapere:
- Qual è la fonte autorevole?
- Quando l'IA dovrebbe fermarsi?
- Quando è richiesta la conferma umana?
- Quale workflow si applica a questo compito?
- Quali prove devono essere registrate?
Il RAG recupera documenti che descrivono queste regole, ma un documento è solo contesto. Molti team cercano di risolvere il problema con i prompt. Scrivono istruzioni come "segui le nostre regole di codifica".
Questo non è scalabile. Ogni sviluppatore ha un prompt locale differente. La qualità del lavoro dipende dalla persona che utilizza l'IA. Questo non è un sistema di team.
L'MCP cambia le cose. Invece di limitarsi a chiamare strumenti durante il lavoro, l'IA può ricevere le regole del lavoro prima di iniziare.
All'inizio di una sessione, il client IA chiama una funzione di startup. Quella funzione restituisce:
- Politiche di accesso
- Fonti di contesto autorevoli
- Competenze (skill) disponibili
- Cataloghi di workflow
- Regole per la gestione di elementi sconosciuti
Il modello non ha solo accesso agli strumenti. Ha le regole del lavoro.
Questo crea una chiara differenza:
- MCP in stile RPC: Il modello chiama gli strumenti mentre lavora.
- MCP per la distribuzione del contesto: Il modello riceve le regole prima di iniziare.
Questo approccio rende portabile la conoscenza di dominio. Inveve di far leggere lunghi documenti a ogni utente o di aggiornare i prompt locali, un ingegnere senior definisce una competenza (skill) una sola volta su un server MCP.
La persona che definisce la competenza e la persona che la utilizza sono ora separate.
Questo risolve anche il problema delle informazioni obsolete. Gli utenti non devono trasportare localmente un intero repository di regole. Hanno solo bisogno di una connessione MCP. Le definizioni autorevoli rimangono sul server.
Il RAG risponde: Quali informazioni potrebbero essere rilevanti? La distribuzione del contesto MCP risponde: Quali regole devono governare questo lavoro?
Il RAG riguarda il recupero della conoscenza. La distribuzione del contesto MCP riguarda la definizione di come avviene il lavoro.
Smetti di chiedere quali strumenti l'IA può chiamare. Inizia a chiedere quale contesto l'IA deve caricare prima di iniziare.
Source: https://dev.to/synthaicode_commander/mcp-is-more-useful-as-context-distribution-than-as-rpc-ai4
Optional learning community: https://t.me/GyaanSetuAi