MCP vs API: ಸಾಂಪ್ರದಾಯಿಕ APIಗಳು AI ಏಜೆಂಟ್‌ಗಳಿಗೆ ಏಕೆ ವಿಫಲವಾಗುತ್ತವೆ

ಸಾಂಪ್ರದಾಯಿಕ APIಗಳು AI ಏಜೆಂಟ್‌ಗಳಿಗೆ ವಿಫಲವಾಗುತ್ತವೆ.

ವರ್ಷಗಳಿಂದ, ಡೆವಲಪರ್‌ಗಳು REST ಮತ್ತು GraphQL ಬಳಸಿ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತಿದ್ದಾರೆ. ಈ ಪರಿಕರಗಳು ಮನುಷ್ಯರಿಗೆ ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ. ಇವು ನಿರ್ಧಾರಿತ (deterministic) ಕೋಡ್‌ಗಳಿಗೆ ಉತ್ತಮವಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ. ಆದರೆ AI ಏಜೆಂಟ್‌ಗಳು ವಿಭಿನ್ನವಾಗಿವೆ. ಅವು ಉದ್ದೇಶ (intent) ಮತ್ತು ತರ್ಕದ (reasoning) ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ.

ನೀವು LLM ಅನ್ನು ಒಬ್ಬ ಮಾನವ ಡೆವಲಪರ್‌ನಂತೆ ಪರಿಗಣಿಸಿದರೆ, ನೀವು ತಪ್ಪು ಮಾಡುತ್ತಿದ್ದೀರಿ. ಇದರಿಂದ ನೀವು ನಿಧಾನಗತಿಯ, ದುಬಾರಿ ಮತ್ತು ಅಸ್ಥಿರವಾದ (brittle) ವ್ಯವಸ್ಥೆಗಳನ್ನು ಪಡೆಯುತ್ತೀರಿ.

Model Context Protocol (MCP) ಇದನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ. ಇದು AI ಸಂಪರ್ಕಕ್ಕಾಗಿ (connectivity) ಒಂದು ಮುಕ್ತ ಮಾನದಂಡವಾಗಿದೆ (open standard).

ಇಂಟಿಗ್ರೇಷನ್ ಸಮಸ್ಯೆ

ನೀವು ಸಾಂಪ್ರದಾಯಿಕ APIಗಳನ್ನು ಬಳಸಿ ಒಂದು AI ಅನ್ನು ಐದು ವಿಭಿನ್ನ ಪರಿಕರಗಳಿಗೆ ಸಂಪರ್ಕಿಸಿದಾಗ, ನೀವು ಇಪ್ಪತ್ತೈದು ಕಸ್ಟಮ್ ಕನೆಕ್ಟರ್‌ಗಳನ್ನು ಬರೆಯಬೇಕಾಗುತ್ತದೆ. ಇದು N x M ಸಮಸ್ಯೆ. ಇದು ಬೃಹತ್ ತಾಂತ್ರಿಕ ಸಾಲವನ್ನು (technical debt) ಸೃಷ್ಟಿಸುತ್ತದೆ.

MCP ಇದನ್ನು ಪರಿಹರಿಸುತ್ತದೆ. ಇದು N + M ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಪರಿಕರವು ಒಂದು MCP ಸರ್ವರ್ ಅನ್ನು ಬಳಸುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಏಜೆಂಟ್ ಒಂದು MCP ಕ್ಲೈಂಟ್ ಅನ್ನು ಬಳಸುತ್ತದೆ. ಇದು LLMಗಳಿಗಾಗಿ ಒಂದು ಸಾರ್ವತ್ರಿಕ ಅಡಾಪ್ಟರ್ (universal adapter) ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.

AI ಗಾಗಿ MCP, REST ಅನ್ನು ಮೀರಿಸಲು ಮೂರು ಕಾರಣಗಳು:

  1. ಡೈನಾಮಿಕ್ ಡಿಸ್ಕವರಿ (Dynamic Discovery) REST ನಲ್ಲಿ, ನೀವು ಎಂಡ್‌ಪಾಯಿಂಟ್‌ಗಳನ್ನು (endpoints) ಹಾರ್ಡ್‌ಕೋಡ್ ಮಾಡಬೇಕಾಗುತ್ತದೆ. ನೀವು ಎಂಡ್‌ಪಾಯಿಂಟ್ ಬದಲಾಯಿಸಿದರೆ, ನಿಮ್ಮ ಕೋಡ್ ಮತ್ತು ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಅಪ್‌ಡೇಟ್ ಮಾಡಬೇಕಾಗುತ್ತದೆ. MCP ಡೈನಾಮಿಕ್ ಡಿಸ್ಕವರಿಯನ್ನು ಬಳಸುತ್ತದೆ. ಏಜೆಂಟ್ ಸರ್ವರ್ ಏನು ಮಾಡಬಲ್ಲದು ಎಂದು ಕೇಳುತ್ತದೆ. ಸರ್ವರ್ ಪರಿಕರಗಳು ಮತ್ತು ಸಾಮರ್ಥ್ಯಗಳ ಪಟ್ಟಿಯೊಂದಿಗೆ ಉತ್ತರಿಸುತ್ತದೆ. ಏಜೆಂಟ್ ತಕ್ಷಣವೇ (on the fly) ಕಲಿಯುತ್ತದೆ.

  2. ಟೋಕನ್ ದಕ್ಷತೆ (Token Efficiency) ಸಾಂಪ್ರದಾಯಿಕ APIಗಳು ಹೆಚ್ಚಾಗಿ ಬೃಹತ್ JSON ಪೇಲೋಡ್‌ಗಳನ್ನು (payloads) ಕಳುಹಿಸುತ್ತವೆ. AI ಜಗತ್ತಿನಲ್ಲಿ, ಟೋಕನ್‌ಗಳಿಗೆ ಹಣ ಬೇಕಾಗುತ್ತದೆ. ಅತಿಯಾದ ಡೇಟಾ ವಿಳಂಬ (latency) ಮತ್ತು ಕಾನ್ಟೆಕ್ಸ್ ಕ್ಷಯಕ್ಕೆ (context rot) ಕಾರಣವಾಗುತ್ತದೆ. ಅಪ್ರಸ್ತುತ ಮೆಟಾಡೇಟಾವನ್ನು ನೋಡಿದಾಗ LLMಗಳು ತಮ್ಮ ಗಮನವನ್ನು ಕಳೆದುಕೊಳ್ಳುತ್ತವೆ. MCP ಸರ್ವರ್‌ಗಳು LLM ಕಾನ್ಟೆಕ್ಸ್ ವಿಂಡೋಗಳಿಗೆ ಅನುಗುಣವಾಗಿ ಆಪ್ಟಿಮೈಸ್ ಮಾಡಿದ ಡೇಟಾವನ್ನು ನೀಡುತ್ತವೆ.

  3. ಸ್ಟೇಟ್‌ಫುಲ್ ಸೆಷನ್‌ಗಳು (Stateful Sessions) REST ಎಂಬುದು ಸ್ಟೇಟ್‌ಲೆಸ್ (stateless). AI ಏಜೆಂಟ್‌ಗಳಿಗೆ ನಿರಂತರ ಆಲೋಚನೆ ಮತ್ತು ಕ್ರಿಯೆಯ ಲೂಪ್ ಅಗತ್ಯವಿದೆ. MCP, JSON-RPC 2.0 ಅನ್ನು ಬಳಸುತ್ತದೆ. ಇದು ಸ್ಟೇಟ್‌ಫುಲ್ ಮಾತುಕತೆಗಳಿಗೆ (stateful negotiations) ಅವಕಾಶ ನೀಡುತ್ತದೆ. ಬೃಹತ್ ಪೇಲೋಡ್‌ಗಳನ್ನು ಮತ್ತೆ ಕಳುಹಿಸದೆ, ಕ್ರಿಯೆಗಳಾದ್ಯಂತ ಕಾನ್ಟೆಕ್ಸ್ ಜೀವಂತವಾಗಿರುತ್ತದೆ.

MCP ಮೂರು ಮುಖ್ಯ ಭಾಗಗಳನ್ನು ಬಳಸುತ್ತದೆ:

  • Tools: ಮಾಡೆಲ್ ತೆಗೆದುಕೊಳ್ಳುವ ಕ್ರಮಗಳು, ಉದಾಹರಣೆಗೆ SQL ಕ್ವೇರಿಯನ್ನು ರನ್ ಮಾಡುವುದು.
  • Resources: ಲಾಗ್ ಫೈಲ್‌ಗಳು ಅಥವಾ ಡಾಕ್ಯುಮೆಂಟ್‌ಗಳಂತಹ ಓದುವಿಕೆಗೆ ಮಾತ್ರ ಸೀಮಿತವಾದ (read-only) ಡೇಟಾ.
  • Prompts: ಮಾಡೆಲ್‌ನ ತರ್ಕವನ್ನು ಮಾರ್ಗದರ್ಶಿಸುವ ಟೆಂಪ್ಲೇಟ್‌ಗಳು.

MCP ನಿಮ್ಮ ಡೇಟಾಬೇಸ್ ಅಥವಾ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ APIಗಳನ್ನು ಬದಲಾಯಿಸುವುದಿಲ್ಲ. ಆ ಸೇವೆಗಳನ್ನು LLM ಗೆ ಸಂಪರ್ಕಿಸಲು ನೀವು ಬರೆಯುವ ಅಸ್ಥಿರವಾದ ಗ್ಲೂ ಕೋಡ್ (glue code) ಅನ್ನು ಇದು ಬದಲಾಯಿಸುತ್ತದೆ.

ನಿಮ್ಮ AI ಗಾಗಿ JSON ಅನ್ನು ಸ್ಟ್ರಿಂಗ್‌ಫೈ (stringify) ಮಾಡಲು ಕಸ್ಟಮ್ ಫಂಕ್ಷನ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವುದನ್ನು ನಿಲ್ಲಿಸಿ. ಸ್ಕೇಲ್ ಆಗಬಲ್ಲ (scale) ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರಾರಂಭಿಸಿ.

Source: https://dev.to/chaudharidevam/mcp-vs-api-why-traditional-apis-are-failing-ai-agents-28m8