AI assistants can reason, write, and code. Yet until recently, they have been locked out of the places where actual work

AI ಸಹಾಯಕರು (assistants) ತರ್ಕ ಮಾಡಬಲ್ಲರು, ಬರೆಯಬಲ್ಲರು ಮತ್ತು ಕೋಡ್ ಮಾಡಬಲ್ಲರು. ಆದರೂ ಇತ್ತೀಚಿನವರೆಗೆ, ನಿಜವಾದ ಕೆಲಸ ನಡೆಯುವ ಸ್ಥಳಗಳಿಂದ ಅವರು ಹೊರಗಿಡಲ್ಪಟ್ಟಿದ್ದರು. ಒಬ್ಬ ಮನುಷ್ಯ ವಿವರಗಳನ್ನು ಚಾಟ್ ವಿಂಡೋಗೆ ಕಾಪಿ ಮತ್ತು ಪೇಸ್ಟ್ ಮಾಡುವವರೆಗೆ, ಅವರು ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ ಫೈಲ್‌ಗಳನ್ನು ತೆರೆಯಲು, ಗ್ರಾಹಕರ ಡೇಟಾಬೇಸ್ ಅನ್ನು ವಿಚಾರಿಸಲು, Slack ಥ್ರೆಡ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಅಥವಾ GitHub ರೆಪೊಸಿಟರಿಗಳೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸಲು ಸಾಧ್ಯವಾಗುತ್ತಿರಲಿಲ್ಲ. ಪ್ರತಿಯೊಂದು ಸಂವಹನವು ಮ್ಯಾನುಯಲ್ ಆಗಿರುತ್ತದೆ, ಚದುರಿದಿರುತ್ತದೆ ಮತ್ತು ತಾತ್ಕಾಲಿಕವಾಗಿರುತ್ತದೆ.

Model Context Protocol ಅಥವಾ MCP ಆ ಗೋಡೆಯನ್ನು ಮುರಿಯಲು ನಿರ್ಮಿಸಲಾಗಿದೆ. ಪ್ರತಿಯೊಂದು ಇಂಟಿಗ್ರೇಷನ್ ಅನ್ನು ಒಂದು ಕಸ್ಟಮ್ ಕಲಾ ಯೋಜನೆಯಂತೆ ಪರಿಗಣಿಸುವ ಬದಲು, MCP ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಮಾಡೆಲ್‌ಗಳು ಮತ್ತು ಬಾಹ್ಯ ಪರಿಕರಗಳ ನಡುವೆ ಒಂದೇ ಸಾಮಾನ್ಯ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ನೀಡುತ್ತದೆ. ಇದನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗಾಗಿ ಒಂದು USB-C ಪೋರ್ಟ್ ಎಂದು ಭಾವಿಸಿ: ಇದು ಅನೇಕ ರೀತಿಯ ಸಂಪರ್ಕಗಳನ್ನು ಸ್ವೀಕರಿಸುವ ಒಂದು ವಿನ್ಯಾಸವಾಗಿದೆ. ನೀವು ಅಡಾಪ್ಟರ್ ಅನ್ನು ಒಮ್ಮೆ ತಯಾರಿಸಿದರೆ ಸಾಕು, ಯಾವುದೇ ಹೊಂದಾಣಿಕೆಯಿರುವ ಸಹಾಯಕನು ಅದನ್ನು ಬಳಸಿಕೊಂಡು ನಿಮ್ಮ ಸಿಸ್ಟಮ್‌ಗಳೊಂದಿಗೆ ಮಾತನಾಡಬಹುದು.

ಗೊಂದಲಮಯ ಹಳೆಯ ವಿಧಾನ

ಇಂತಹ ಪ್ರಮಾಣೀಕರಣ (standardization) ಅಸ್ತಿತ್ವದಲ್ಲಿ ಬರುವ ಮೊದಲು, AI ಅನ್ನು ನಿಮ್ಮ ಪರಿಕರಗಳಿಗೆ ಸಂಪರ್ಕಿಸಬೇಕೆಂದರೆ ಮಾಡೆಲ್ ಮತ್ತು ಸೇವೆಯ ಪ್ರತಿಯೊಂದು ಸಂಯೋಜನೆಗಾಗಿ ಪ್ರತ್ಯೇಕ ಸೇತುವೆಗಳನ್ನು ನಿರ್ಮಿಸಬೇಕಾಗುತ್ತಿತ್ತು. ನಿಮ್ಮ ಎಂಜಿನಿಯರಿಂಗ್ ತಂಡವು AI ಸಹಾಯಕನು GitHub ಅನ್ನು ಪ್ರವೇಶಿಸಬೇಕೆಂದು ಬಯಸಿದರೆ, ChatGPT ಗಾಗಿ ಪ್ರತ್ಯೇಕ GitHub ಇಂಟಿಗ್ರೇಷನ್ ಬೇಕಾಗುತ್ತಿತ್ತು. ನಂತರ Claude ಗಾಗಿ ಮತ್ತೊಂದು, ನಂತರ Gemini ಗಾಗಿ ಮತ್ತೊಂದು ಬೇಕಾಗುತ್ತಿತ್ತು. Slack, Google Drive, ಆಂತರಿಕ ಡೇಟಾಬೇಸ್‌ಗಳು ಮತ್ತು ಫೈಲ್ ಸಿಸ್ಟಮ್‌ಗಳಿಗೂ ಇದೇ ಕಥೆ ಪುನರಾವರ್ತನೆಯಾಗುತ್ತಿತ್ತು.

ಈ ವಿಧಾನವು ಡೆವಲಪರ್‌ಗಳ ಸಮಯವನ್ನು ವ್ಯರ್ಥ ಮಾಡುತ್ತದೆ. ತಂಡಗಳು ಸರಿಸುಮಾರು ಒಂದೇ ರೀತಿಯ ಕೆಲಸ ಮಾಡುವ ಪ್ಯಾರಲಲ್ ಕೋಡ್‌ಬೇಸ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸಬೇಕಾಗುತ್ತದೆ: ಅಂದರೆ API ಯಿಂದ ಡೇಟಾವನ್ನು ಪಡೆಯುವುದು, ಅದನ್ನು ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡುವುದು ಮತ್ತು ಭಾಷಾ ಮಾಡೆಲ್‌ಗೆ (language model) ನೀಡುವುದು. ಭದ್ರತೆಯೂ ಸಹ ಒಂದು ದೊಡ್ಡ ಸವಾಲಾಗಿ ಪರಿಣಮಿಸುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಕಸ್ಟಮ್ ಕನೆಕ್ಟರ್ ತನ್ನದೇ ಆದ ಅಥೆಂಟಿಕೇಶನ್ ಲಾಜಿಕ್, ಟೋಕನ್ ಸ್ಟೋರೇಜ್ ಮತ್ತು ಅಪ್‌ಡೇಟ್ ಸೈಕಲ್ ಅನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಒಂದು ಮಾಡೆಲ್ ತನ್ನ API ಅನ್ನು ಬದಲಾಯಿಸಿದಾಗ ಅಥವಾ ಮೂರನೇ ವ್ಯಕ್ತಿಯ ಸೇವೆ (third-party service) ತನ್ನ ಅನುಮತಿಗಳನ್ನು (permissions) ಅಪ್‌ಡೇಟ್ ಮಾಡಿದಾಗ, ಪ್ರತಿಯೊಂದು ಕಸ್ಟಮ್ ಇಂಟಿಗ್ರೇಷನ್ ಕೂಡ ವೈಯಕ್ತಿಕ ಗಮನದ ಅಗತ್ಯವಿರುತ್ತದೆ. ಈ ಹೊರೆಯು ವೇಗವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ, ಇದೇ ಕಾರಣಕ್ಕೆ ಅನೇಕ ಭರವಸೆಯ AI ಡೆಮೋಗಳು ಎಂದಿಗೂ ದೈನಂದಿನ ಕೆಲಸದ ಹರಿವಿನಲ್ಲಿ (workflows) ಬಳಕೆಗೆ ಬರುವುದಿಲ್ಲ.

ಒಂದು ಸಂಪರ್ಕ, ಯಾವುದೇ ಸಹಾಯಕ

MCP ಸಂಪೂರ್ಣ ರಚನೆಯನ್ನೇ ಬದಲಾಯಿಸುತ್ತದೆ. ಪ್ರತಿಯೊಂದು AI ಮಾರಾಟಗಾರರನ್ನು (vendor) ಪ್ರತಿಯೊಂದು ಪರಿಕರವನ್ನು ಬೆಂಬಲಿಸಲು ಕೇಳುವ ಬದಲು, ಈ ಪ್ರೋಟೋಕಾಲ್ ಮಾಡೆಲ್‌ಗಳು ಮತ್ತು ಸೇವೆಗಳು ಎರಡೂ ಮಾತನಾಡಬಲ್ಲ ಒಂದು ಹಂಚಿಕೆಯ ಭಾಷೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ನೀವು ಒಂದೇ ಒಂದು MCP ಸಂಪರ್ಕವನ್ನು ನಿರ್ಮಿಸುತ್ತೀರಿ. ಆ ಒಂದೇ ಸಂಪರ್ಕವು ಎಲ್ಲಾ AI ಸಹಾಯಕರಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ. ಮಾಡೆಲ್ ನಿಮ್ಮ GitHub ಇಶ್ಯೂಗಳು, Slack ಚಾನಲ್‌ಗಳು, ಡೇಟಾಬೇಸ್‌ಗಳು ಅಥವಾ ಲೋಕಲ್ ಫೈಲ್‌ಗಳನ್ನು ಒಂದೇ ಪ್ರಮಾಣೀಕೃತ ಮಾರ್ಗದ ಮೂಲಕ ತಲುಪುತ್ತದೆ.

ಇದರ ವ್ಯತ್ಯಾಸವು ವಾಸ್ತುಶಿಲ್ಪದ (architectural) ಆಗಿದೆ. ಹಿಂದೆ, ಇಂಟಿಗ್ರೇಷನ್‌ಗಳು ಮಾಡೆಲ್-ಕೇಂದ್ರಿತವಾಗಿದ್ದವು: ನೀವು ಯಾವ ಪರಿಕರಗಳನ್ನು ಬಳಸಬಹುದು ಎಂಬುದನ್ನು ಸಹಾಯಕ ಮಾರಾಟಗಾರರು ನಿಯಂತ್ರಿಸುತ್ತಿದ್ದರು. MCP ಪರಿಸರ ವ್ಯವಸ್ಥೆಯನ್ನು (ecosystem) ಪರಿಕರ-ಕೇಂದ್ರಿತವಾಗಿಸುತ್ತದೆ. ಡೇಟಾಬೇಸ್ ಅಥವಾ ಕೋಡ್‌ಬೇಸ್ ಹೊಂದಿರುವ ತಂಡವು ಒಂದು MCP ಅಡಾಪ್ಟರ್ ಅನ್ನು ಪ್ರಕಟಿಸುತ್ತದೆ. ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಯಾವುದೇ ಮಾಡೆಲ್ ಸಂಪರ್ಕ ಸಾಧಿಸಬಹುದು. ನಿಮ್ಮ ಕಂಪನಿಯು ಸಹಾಯಕರನ್ನು ಬದಲಾಯಿಸಿದರೆ ಅಥವಾ ಏಕಕಾಲದಲ್ಲಿ ಹಲವಾರು ಮಾಡೆಲ್‌ಗಳನ್ನು ಬಳಸಿದರೆ, ನಿಮ್ಮ ಇಂಟಿಗ್ರೇಷನ್‌ಗಳು ಮುರಿದು ಬೀಳುವುದಿಲ್ಲ ಅಥವಾ ಮೊದಲಿನಿಂದ ಮತ್ತೆ ನಿರ್ಮಿಸುವ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ.

ಇದು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಹೇಗಿರುತ್ತದೆ

ನೀವು AI ಅನ್ನು ಕೇವಲ ಚಾಟ್‌ಬಾಟ್ ಎಂದು ಕಲ್ಪಿಸಿಕೊಳ್ಳುವುದನ್ನು ನಿಲ್ಲಿಸಿ, ಅದನ್ನು ನಿಮ್ಮ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿನ ಒಬ್ಬ ಪಾಲ್ಗೊಳ್ಳುವವರನ್ನಾಗಿ (participant) ಪರಿಗಣಿಸಲು ಪ್ರಾರಂಭಿಸಿದಾಗ MCP ನ ನಿಜವಾದ ಶಕ್ತಿ ಎದ್ದು ಕಾಣುತ್ತದೆ.

GitHub. MCP ಮೂಲಕ ಸಂಪರ್ಕಗೊಂಡ AI ಕೇವಲ ರೆಪೊಸಿಟರಿಗಳ ಪಟ್ಟಿಯನ್ನು ಪಡೆಯುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನದನ್ನು ಮಾಡಬಲ್ಲದು. ಇದು ಇತ್ತೀಚಿನ ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್‌ಗಳನ್ನು (pull requests) ಪರಿಶೀಲಿಸಬಹುದು, ಬ್ರಾಂಚ್‌ಗಳನ್ನು ಹೋಲಿಸಬಹುದು, ಸಂಭವನೀಯ ರಿಗ್ರೆಷನ್‌ಗಳನ್ನು (regressions) ಗುರುತಿಸಬಹುದು ಮತ್ತು ವಿವರವಾದ ಇಶ್ಯೂಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರಚಿಸಬಹುದು. ಕಳೆದ ಇಪ್ಪತ್ತನಾಲ್ಕು ಗಂಟೆಗಳ ಅವಧಿಯಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ಕಮಿಟ್‌ನಲ್ಲಿ ತಪ್ಪಾದ ಎರರ್ ಹ್ಯಾಂಡ್ಲಿಂಗ್ ಇದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಲು ನೀವು ಕೇಳಬಹುದು, ಮತ್ತು ನೀವು ಒಂದು ಕೋಡ್ ಬ್ಲಾಕ್ ಅನ್ನು ಕೂಡ ಕಾಪಿ ಮಾಡದೆಯೇ ಅದು ಲೈನ್ ರೆಫರೆನ್ಸ್‌ಗಳೊಂದಿಗೆ ಟಿಕೆಟ್‌ಗಳನ್ನು ತೆರೆಯುತ್ತದೆ.

Google Drive. ಚಾಟ್ ಇಂಟರ್ಫೇಸ್‌ಗೆ ದಾಖಲೆಗಳನ್ನು ಅಪ್‌ಲೋಡ್ ಮಾಡುವ ಬದಲು, AI ಫೈಲ್‌ಗಳು ಎಲ್ಲಿ ಇವೆಯೋ ಅಲ್ಲಿಯೇ ಅವುಗಳನ್ನು ಓದಿ ಸಾರಾಂಶವನ್ನು ನೀಡುತ್ತದೆ. ಕಳೆದ ತ್ರೈಮಾಸಿಕದ ರೋಡ್‌ಮ್ಯಾಪ್ ಮತ್ತು ಪ್ರಸ್ತುತ ಕರಡು ಬಜೆಟ್ ನಡುವಿನ ಹೋಲಿಕೆಯನ್ನು ಕೇಳಿದರೆ, ಸಹಾಯಕನು ಎರಡೂ ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ಗಳನ್ನು ನೇರವಾಗಿ ಪಡೆಯುತ್ತಾನೆ, ನೀವು ಕಳೆದ ವಾರ ಪೇಸ್ಟ್ ಮಾಡಿದ ಸ್ಥಿರ ಸ್ನಾಪ್‌ಶಾಟ್ ಬದಲಿಗೆ ತಾಜಾ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತಾನೆ.

Slack. ಸಂವಹನವು ಎರಡೂ ಕಡೆಗಳಲ್ಲಿ ನಡೆಯುತ್ತದೆ. AI ಒಂದು ಪ್ರಾಜೆಕ್ಟ್ ಚಾನಲ್‌ಗೆ ದೈನಂದಿನ ಸಾರಾಂಶಗಳನ್ನು ಪೋಸ್ಟ್ ಮಾಡಬಹುದು, ನಿರ್ಣಾಯಕ ಡೇಟಾಬೇಸ್ ಮಿತಿ ತಲುಪಿದಾಗ ತಂಡಕ್ಕೆ ಎಚ್ಚರಿಕೆ ನೀಡಬಹುದು ಅಥವಾ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸೂಚಿಸುವ ಮೊದಲು ಸಪೋರ್ಟ್ ಥ್ರೆಡ್‌ಗಳನ್ನು ಓದಿ ಅವುಗಳನ್ನು ಆಂತರಿಕ ದಾಖಲೆಗಳೊಂದಿಗೆ (internal documentation) ಹೋಲಿಸಿ ನೋಡಬಹುದು.

Databases. ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಪ್ರಶ್ನೆಗಳು ಲೈವ್ ಡೇಟಾವನ್ನು ತಲುಪುತ್ತವೆ. ಕಳೆದ ಮೂವತ್ತು ದಿನಗಳಲ್ಲಿ ಎಷ್ಟು ಟ್ರಯಲ್ ಬಳಕೆದಾರರು ಪರಿವರ್ತನೆಗೊಂಡರು ಎಂದು ನೀವು ಕೇಳಬಹುದು ಮತ್ತು ಸಹಾಯಕನು ನಿಮ್ಮ ಪ್ರೊಡಕ್ಷನ್ ಅಥವಾ ಅನಾಲಿಟಿಕ್ಸ್ ಡೇಟಾಬೇಸ್‌ನಿಂದ ನೈಜ ಸಮಯದಲ್ಲಿ ಉತ್ತರವನ್ನು ಪಡೆಯುತ್ತಾನೆ. ಈ ಮಾಹಿತಿಯು ಪ್ರಸ್ತುತವಾಗಿದೆ, ನಿರ್ದಿಷ್ಟವಾಗಿದೆ ಮತ್ತು ಒಂದು ನಿರ್ದಿಷ್ಟ ದಿನಾಂಕದಲ್ಲಿ ನಿಂತುಹೋಗುವ ಟ್ರೈನಿಂಗ್ ಡೇಟಾ ಬದಲಿಗೆ ಸತ್ಯಾಂಶಗಳ ಮೇಲೆ ಆಧಾರಿತವಾಗಿದೆ.

File Systems. ನಿಮ್ಮ ಮಷೀನ್ ಅಥವಾ ಸರ್ವರ್‌ಗಳಲ್ಲಿರುವ ಪ್ರಾಜೆಕ್ಟ್ ಫೈಲ್‌ಗಳಿಗೆ AI ವ್ಯವಸ್ಥಿತ ಪ್ರವೇಶವನ್ನು ಪಡೆಯುತ್ತದೆ. ನೀವು ಫೋಲ್ಡರ್ ಟ್ರೀಗಳನ್ನು ಮ್ಯಾನುಯಲ್ ಆಗಿ ಅಪ್‌ಲೋಡ್ ಮಾಡುವ ಅಗತ್ಯವಿಲ್ಲದೆ, ಇದು ಡೈರೆಕ್ಟರಿ ಲೇಔಟ್‌ಗಳನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಬಹುದು, ಕಾನ್ಫಿಗರೇಶನ್ ಫೈಲ್‌ಗಳನ್ನು ಓದಬಹುದು ಮತ್ತು ಕೋಡ್‌ಬೇಸ್‌ನ ಸಂದರ್ಭವನ್ನು (context) ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು.

ಡೆವಲಪರ್ ಪರಿಕರಗಳು (Developer Tools). ಇಲ್ಲಿ ಸಮಯದ ಉಳಿತಾಯವು ಸ್ಪಷ್ಟವಾಗುತ್ತದೆ. MCP ಮೂಲಕ ಕಾರ್ಯನಿರ್ವಹಿಸುವ AI, ಟೆಸ್ಟ್ ಸೂಟ್‌ಗಳನ್ನು (test suites) ಚಲಾಯಿಸಬಹುದು, ಬಿಲ್ಡ್ ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು (build scripts) ರನ್ ಮಾಡಬಹುದು, ಲಿಂಟಿಂಗ್ ದೋಷಗಳನ್ನು (linting errors) ಪರಿಶೀಲಿಸಬಹುದು ಅಥವಾ ನಿಯೋಜನಾ ಕಾರ್ಯಗಳನ್ನು (deployment tasks) ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಬಹುದು. ನೀವು ಒಂದು ಕಮಾಂಡ್ ಬರೆಯುತ್ತೀರಿ, ಮತ್ತು ಅಸಿಸ್ಟೆಂಟ್ ನಿಮ್ಮ ಪರಿಸರದಲ್ಲಿನ (environment) ನೈಜ ಪರಿಕರಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ, ಇದರಿಂದ ಸಲಹೆ ಮತ್ತು ಅನುಷ್ಠಾನದ ನಡುವಿನ ಅಂತರವು ಕಡಿಮೆಯಾಗುತ್ತದೆ.

ಇದು ಬಿಲ್ಡರ್‌ಗಳಿಗೆ ಏಕೆ ಮುಖ್ಯ

ವೇಗವು ಕೇವಲ ಒಂದು ಪ್ರಯೋಜನವಾಗಿದೆ. MCP ಕಸ್ಟಮ್ ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳ ಗೋಜಲನ್ನು ಒಂದು ಏಕರೂಪದ ಅಕ್ಸೆಸ್ ಲೇಯರ್‌ನಿಂದ (access layer) ಬದಲಾಯಿಸುವ ಮೂಲಕ ಸುರಕ್ಷತೆಯನ್ನು ಬಲಪಡಿಸುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಪರಿಕರವು ಒಂದೇ ಪ್ರೋಟೋಕಾಲ್ ಮೂಲಕ ಸಂಪರ್ಕಗೊಂಡಾಗ, ನೀವು ಡಜನ್ಗಟ್ಟಲೆ ಬದಲಾಗಿ ಕೇವಲ ಒಂದು ಅಥೆಂಟಿಕೇಶನ್ ಪ್ಯಾಟರ್ನ್ ಅನ್ನು ನಿರ್ವಹಿಸುತ್ತೀರಿ. ಅನುಮತಿಗಳನ್ನು ಅಡಾಪ್ಟರ್ ಮಟ್ಟದಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ AI ಏನನ್ನು ನೋಡಬಹುದು ಅಥವಾ ಮಾರ್ಪಡಿಸಬಹುದು ಎಂಬುದನ್ನು ನೀವು ನಿಖರವಾಗಿ ನಿಯಂತ್ರಿಸಬಹುದು. ಪೈಪ್‌ಲೈನ್‌ನಲ್ಲಿ ಕಡಿಮೆ ಕಸ್ಟಮ್ ಕೋಡ್ ಇರುತ್ತದೆ, ಅಂದರೆ ಕಡಿಮೆ ಗುಪ್ತ ದೌರ್ಬಲ್ಯಗಳು ಮತ್ತು ಸುಲಭವಾದ ಆಡಿಟಿಂಗ್ ಎಂದರ್ಥ.

ಡೆವಲಪರ್‌ಗಳಿಗೆ, ಉತ್ಪಾದಕತೆಯ ಹೆಚ್ಚಳವು ಸ್ಪಷ್ಟವಾಗಿದೆ. ಬಹು AI ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳಿಗಾಗಿ ಪ್ರತ್ಯೇಕ ಇಂಟಿಗ್ರೇಷನ್‌ಗಳನ್ನು ಬರೆಯುವುದು ಮತ್ತು ನಿರ್ವಹಿಸುವುದು ಒಂದು ಕಷ್ಟಕರವಾದ ಮೂಲಸೌಕರ್ಯದ ಕೆಲಸವಾಗಿದ್ದು, ಇದು ನಿಮ್ಮ ಉತ್ಪನ್ನಕ್ಕೆ ಯಾವುದೇ ವಿಶಿಷ್ಟತೆಯನ್ನು ನೀಡುವುದಿಲ್ಲ. MCP ನಿಮಗೆ ಆ plumbing ಕೆಲಸವನ್ನು ಒಮ್ಮೆ ಬರೆಯಲು ಮತ್ತು ನಿಜವಾದ ವ್ಯವಹಾರದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಮುಂದುವರಿಯಲು ಅನುಮತಿಸುತ್ತದೆ. ಈ ಪ್ರೋಟೋಕಾಲ್ AI ಅನ್ನು ಒಂದು ಪ್ರತ್ಯೇಕ ಹೊಸತನದಿಂದ ನಿಮ್ಮ ಕಾರ್ಯಾಚರಣೆಯ ಸ್ಟ್ಯಾಕ್‌ನ (operational stack) ನೈಜ ಪದರವನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ.

ಸಾರಾಂಶ

MCP ಮಾಡೆಲ್ ಅನ್ನು ಹೆಚ್ಚು ಬುದ್ಧಿವಂತವಾಗಿಸುವುದಿಲ್ಲ. ಅದು ಅದನ್ನು ಉಪಯುಕ್ತವಾಗಿಸುತ್ತದೆ. ಲೈವ್ ಡೇಟಾ ಪ್ರವೇಶವಿಲ್ಲದ ಶಕ್ತಿಯುತ ಭಾಷಾ ಮಾದರಿಯು (language model), ಕಂಪನಿಯ ವಿಕಿ (wiki) ತೆರೆಯಲು ಅಥವಾ ಟರ್ಮಿನಲ್ ಅನ್ನು ಮುಟ್ಟಲು ನಿಷೇಧಿಸಲಾದ ನುರಿತ ಎಂಜಿನಿಯರ್‌ನಂತಿದ್ದೀತು. ಸಂದರ್ಭವಿಲ್ಲದ ಬುದ್ಧಿವಂತಿಕೆಯು ಅಪೂರ್ಣ.

ಇಲ್ಲಿನ ಬದಲಾವಣೆಯು ಸರಳವಾಗಿದೆ ಆದರೆ ಆಳವಾಗಿದೆ. ಮಾಡೆಲ್ ಅನ್ನು ಅದು ಬಳಸುವ ಪರಿಕರಗಳಿಂದ ಬೇರ್ಪಡಿಸುವ ಮೂಲಕ, ನಿಮಗೆ ಬೇಕಾದ ಕನೆಕ್ಟರ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು AI ಮಾರಾಟಗಾರರ ಕಾಯುವ ಚಕ್ರವನ್ನು MCP ನಿಲ್ಲಿಸುತ್ತದೆ. ನೀವು ಒಮ್ಮೆ ನೀವೇ ಸೇತುವೆಯನ್ನು ನಿರ್ಮಿಸುತ್ತೀರಿ ಮತ್ತು ಅದು ನೀವು ಅಳವಡಿಸಿಕೊಳ್ಳುವ ಪ್ರತಿಯೊಂದು ಅಸಿಸ್ಟೆಂಟ್‌ಗೂ ಸಹಕಾರಿಯಾಗುತ್ತದೆ. ಒಂದು ವರ್ಕ್‌ಫ್ಲೋ (workflow) ಮೂಲಕ ಪ್ರಾರಂಭಿಸಿ. ಒಂದು ಪ್ರೋಟೋಕಾಲ್ ಕನೆಕ್ಷನ್ ಮೂಲಕ AI ನಿಮ್ಮ ಪ್ರಾಜೆಕ್ಟ್ ಫೈಲ್‌ಗಳನ್ನು ಓದಲು, ಡೇಟಾಬೇಸ್ ಅನ್ನು ಕ್ವೇರಿ ಮಾಡಲು ಅಥವಾ ನಿಮ್ಮ ಟೆಸ್ಟ್ ಸೂಟ್ ಅನ್ನು ರನ್ ಮಾಡಲು ಬಿಡಿ. ಅಸಿಸ್ಟೆಂಟ್ ಸ್ಥಿರ ಮೆಮೊರಿ ವಿಂಡೋ ಬದಲಿಗೆ ನೈಜ, ಲೈವ್ ಸಂದರ್ಭದೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದನ್ನು ನೀವು ನೋಡಿದ ನಂತರ, ಬೇರೆ ಯಾವುದೇ ರೀತಿಯಲ್ಲಿ ಕೆಲಸ ಮಾಡುವುದು ಒಂದು ಕೈಯಿಂದ ಟೈಪ್ ಮಾಡುವಂತೆ ಅನಿಸುತ್ತದೆ.