MCP ಎಂಬುದು RPC ಗಿಂತ ಸಂದರ್ಭ ವಿತರಣೆಯಾಗಿ (Context Distribution) ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾಗಿದೆ

ಹೆಚ್ಚಿನ ಜನರು ಟೂಲ್ ಕಾಲಿಂಗ್ (tool calling) ಗಾಗಿ Model Context Protocol (MCP) ಬಗ್ಗೆ ಮಾತನಾಡುತ್ತಾರೆ.

AI ಬಾಹ್ಯ ಟೂಲ್‌ಗಳನ್ನು ಕರೆಯಲು ಇದು ಒಂದು ಮಾರ್ಗ ಎಂದು ಅವರು ಭಾವಿಸುತ್ತಾರೆ. ಉದಾಹರಣೆಗೆ, ಒಂದು AI GitHub ಇಶ್ಯೂ ಅನ್ನು ಓದಬಹುದು ಅಥವಾ ಫೈಲ್ ಅನ್ನು ಪಡೆಯಬಹುದು. ಇದು MCP ಅನ್ನು ಏಜೆಂಟ್‌ಗಳಿಗಾಗಿ ಒಂದು RPC ಲೇಯರ್‌ನಂತೆ ಕಾಣುವಂತೆ ಮಾಡುತ್ತದೆ.

ಇದು ಉಪಯುಕ್ತವಾಗಿದೆ, ಆದರೆ ಇದು ಅತ್ಯಂತ ಪ್ರಮುಖ ಬಳಕೆಯಲ್ಲ (use case).

MCP ನ ನಿಜವಾದ ಶಕ್ತಿ ಸಂದರ್ಭ ವಿತರಣೆಯಲ್ಲಿ (context distribution) ಅಡಗಿದೆ. ಇದು AI ಕ್ಲೈಂಟ್‌ಗಳಿಗೆ ನಿಯಮಗಳು (rules), ಕೌಶಲ್ಯಗಳು (skills) ಮತ್ತು ಒಪ್ಪಂದಗಳನ್ನು (contracts) ವಿತರಿಸಬಲ್ಲದು.

RAG ಒಂದು ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ: ಯಾವ ಮಾಹಿತಿ ಪ್ರಸ್ತುತವಾಗಿದೆ? RAG ದಾಖಲೆಗಳನ್ನು ಹುಡುಕಿ ಅವುಗಳನ್ನು ಮಾಡೆಲ್‌ಗೆ ನೀಡುತ್ತದೆ.

ಆದರೆ ತಂಡಗಳಿಗೆ ಕೇವಲ ಮಾಹಿತಿಯಷ್ಟೇ ಬೇಕಾಗಿಲ್ಲ. ತಂಡಗಳಿಗೆ ನಿಯಮಗಳೂ ಬೇಕು.

ಒಂದು ತಂಡಕ್ಕೆ ಈ ಕೆಳಗಿನವುಗಳ ಬಗ್ಗೆ ತಿಳಿಯಬೇಕಾಗುತ್ತದೆ:

  • ಅಧಿಕೃತ ಮೂಲ ಯಾವುದು?
  • AI ಯಾವಾಗ ನಿಲ್ಲಬೇಕು?
  • ಮಾನವನ ದೃಢೀಕರಣ ಯಾವಾಗ ಅಗತ್ಯವಿದೆ?
  • ಈ ಕಾರ್ಯಕ್ಕೆ ಯಾವ ವರ್ಕ್‌ಫ್ಲೋ (workflow) ಅನ್ವಯಿಸುತ್ತದೆ?
  • ಯಾವ ಪುರಾವೆಗಳನ್ನು ದಾಖಲಿಸಬೇಕು?

RAG ಈ ನಿಯಮಗಳನ್ನು ವಿವರಿಸುವ ದಾಖಲೆಗಳನ್ನು ಹಿಂಪಡೆಯುತ್ತದೆ, ಆದರೆ ಒಂದು ದಾಖಲೆಯು ಕೇವಲ ಸಂದರ್ಭವನ್ನು (context) ನೀಡುತ್ತದೆ ಅಷ್ಟೆ. ಅನೇಕ ತಂಡಗಳು ಇದನ್ನು ಪ್ರಾಂಪ್ಟ್‌ಗಳ (prompts) ಮೂಲಕ ಪರಿಹರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತವೆ. ಅವರು "ನಮ್ಮ ಕೋಡಿಂಗ್ ನಿಯಮಗಳನ್ನು ಅನುಸರಿಸಿ" ಎಂಬಂತಹ ಸೂಚನೆಗಳನ್ನು ಬರೆಯುತ್ತಾರೆ.

ಇದು ದೊಡ್ಡ ಮಟ್ಟದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ (scale ಆಗುವುದಿಲ್ಲ). ಪ್ರತಿಯೊಬ್ಬ ಡೆವಲಪರ್ ಬಳಿ ವಿಭಿನ್ನವಾದ ಲೋಕಲ್ ಪ್ರಾಂಪ್ಟ್ ಇರುತ್ತದೆ. ಕೆಲಸದ ಗುಣಮಟ್ಟವು AI ಬಳಸುವ ವ್ಯಕ್ತಿಯ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಇದು ಒಂದು ತಂಡದ ವ್ಯವಸ್ಥೆಯಲ್ಲ.

MCP ಇದನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ. ಕೆಲಸದ ಸಮಯದಲ್ಲಿ ಕೇವಲ ಟೂಲ್‌ಗಳನ್ನು ಕರೆಯುವ ಬದಲು, AI ಕೆಲಸವನ್ನು ಪ್ರಾರಂಭಿಸುವ ಮೊದಲೇ ಕೆಲಸದ ನಿಯಮಗಳನ್ನು ಪಡೆಯಬಹುದು.

ಒಂದು ಸೆಷನ್‌ನ ಪ್ರಾರಂಭದಲ್ಲಿ, AI ಕ್ಲೈಂಟ್ ಒಂದು startup function ಅನ್ನು ಕರೆಯುತ್ತದೆ. ಆ function ಈ ಕೆಳಗಿನವುಗಳನ್ನು ನೀಡುತ್ತದೆ:

  • ಪ್ರವೇಶ ನೀತಿಗಳು (Access policies)
  • ಅಧಿಕೃತ ಸಂದರ್ಭದ ಮೂಲಗಳು (Authoritative context sources)
  • ಲಭ್ಯವಿರುವ ಕೌಶಲ್ಯಗಳು (Available skills)
  • ವರ್ಕ್‌ಫ್ಲೋ ಕ್ಯಾಟಲಾಗ್‌ಗಳು (Workflow catalogs)
  • ಅನಿಶ್ಚಿತತೆಗಳನ್ನು ನಿರ್ವಹಿಸುವ ನಿಯಮಗಳು (Rules for handling unknowns)

ಮಾಡೆಲ್‌ಗೆ ಕೇವಲ ಟೂಲ್‌ಗಳ ಪ್ರವೇಶ ಮಾತ್ರ ಇರುವುದಿಲ್ಲ. ಅದಕ್ಕೆ ಕೆಲಸದ ನಿಯಮಗಳೂ ಇರುತ್ತವೆ.

ಇದು ಒಂದು ಸ್ಪಷ್ಟ ವ್ಯತ್ಯಾಸವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ:

  • RPC-ಶೈಲಿಯ MCP: ಮಾಡೆಲ್ ಕೆಲಸ ಮಾಡುವಾಗ ಟೂಲ್‌ಗಳನ್ನು ಕರೆಯುತ್ತದೆ.
  • ಸಂದರ್ಭ-ವಿತರಣಾ (Context-distribution) MCP: ಮಾಡೆಲ್ ಕೆಲಸ ಪ್ರಾರಂಭಿಸುವ ಮೊದಲೇ ನಿಯಮಗಳನ್ನು ಪಡೆಯುತ್ತದೆ.

ಈ ವಿಧಾನವು ಡೊಮೇನ್ ಜ್ಞಾನವನ್ನು (domain knowledge) ಸುಲಭವಾಗಿ ವರ್ಗಾಯಿಸಲು (portable) ಮಾಡುತ್ತದೆ. ಪ್ರತಿಯೊಬ್ಬ ಬಳಕೆದಾರರು ದೀರ್ಘ ದಾಖಲೆಗಳನ್ನು ಓದುವ ಅಥವಾ ಲೋಕಲ್ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಅಪ್‌ಡೇಟ್ ಮಾಡುವ ಬದಲು, ಒಬ್ಬ ಹಿರಿಯ ಎಂಜಿನಿಯರ್ MCP ಸರ್ವರ್‌ನಲ್ಲಿ ಒಂದು ಕೌಶಲ್ಯವನ್ನು ಒಮ್ಮೆ ವ್ಯಾಖ್ಯಾನಿಸಿದರೆ ಸಾಕು.

ಕೌಶಲ್ಯವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ವ್ಯಕ್ತಿ ಮತ್ತು ಕೌಶಲ್ಯವನ್ನು ಬಳಸುವ ವ್ಯಕ್ತಿ ಈಗ ಪ್ರತ್ಯೇಕವಾಗಿದ್ದಾರೆ.

ಇದು ಹಳೆಯ ಅಥವಾ ಅಪ್ರಸ್ತುತ ಮಾಹಿತಿಯ (stale information) ಸಮಸ್ಯೆಯನ್ನು ಸಹ ಪರಿಹರಿಸುತ್ತದೆ. ಬಳಕೆದಾರರು ನಿಯಮಗಳ ಸಂಪೂರ್ಣ ಸಂಗ್ರಹವನ್ನು ಸ್ಥಳೀಯವಾಗಿ (locally) ಇಟ್ಟುಕೊಳ್ಳುವ ಅಗತ್ಯವಿಲ್ಲ. ಅವರಿಗೆ ಕೇವಲ ಒಂದು MCP ಕನೆಕ್ಷನ್ ಇದ್ದರೆ ಸಾಕು. ಅಧಿಕೃತ ವ್ಯಾಖ್ಯಾನಗಳು ಸರ್ವರ್‌ನಲ್ಲಿಯೇ ಇರುತ್ತವೆ.

RAG ಉತ್ತರಿಸುತ್ತದೆ: ಯಾವ ಮಾಹಿತಿ ಪ್ರಸ್ತುತವಾಗಿರಬಹುದು? MCP ಸಂದರ್ಭ ವಿತರಣೆಯು ಉತ್ತರಿಸುತ್ತದೆ: ಈ ಕೆಲಸವನ್ನು ಯಾವ ನಿಯಮಗಳು ನಿಯಂತ್ರಿಸಬೇಕು?

RAG ಎಂಬುದು ಜ್ಞಾನವನ್ನು ಹಿಂಪಡೆಯುವ ಬಗ್ಗೆಯಾಗಿದೆ. MCP ಸಂದರ್ಭ ವಿತರಣೆಯು ಕೆಲಸವು ಹೇಗೆ ನಡೆಯಬೇಕು ಎಂಬುದನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ಬಗ್ಗೆಯಾಗಿದೆ.

AI ಯಾವ ಟೂಲ್‌ಗಳನ್ನು ಕರೆಯಬಲ್ಲದು ಎಂದು ಕೇಳುವುದನ್ನು ನಿಲ್ಲಿಸಿ. AI ಕೆಲಸ ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು ಯಾವ ಸಂದರ್ಭವನ್ನು (context) ಲೋಡ್ ಮಾಡಿಕೊಳ್ಳಬೇಕು ಎಂದು ಕೇಳಲು ಪ್ರಾರಂಭಿಸಿ.

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

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