MCP ഒരു RPC എന്നതിനേക്കാൾ കോൺടെക്സ്റ്റ് ഡിസ്ട്രിബ്യൂഷൻ (Context Distribution) എന്ന നിലയിലാണ് കൂടുതൽ പ്രയോജനപ്രദം

മിക്ക ആളുകളും മോഡൽ കോൺടെക്സ്റ്റ് പ്രോട്ടോക്കോളിനെ (MCP) ടൂൾ കോളിംഗിനായിട്ടാണ് (tool calling) ചർച്ച ചെയ്യുന്നത്.

AI പുറത്തുള്ള ടൂളുകൾ ഉപയോഗിക്കുന്നതിനുള്ള ഒരു മാർഗമായാണ് അവർ ഇതിനെ കാണുന്നത്. ഒരു AI ഒരു GitHub ഇഷ്യൂ വായിക്കുകയോ ഒരു ഫയൽ എടുക്കുകയോ ചെയ്യുന്നു. ഇത് MCP-യെ ഏജന്റുകൾക്കായുള്ള ഒരു RPC ലെയർ പോലെ തോന്നിപ്പിക്കുന്നു.

ഇത് ഉപകാരപ്രദമാണ്, പക്ഷേ ഇതാണ് ഏറ്റവും പ്രധാനപ്പെട്ട ഉപയോഗം എന്നല്ല അർത്ഥം.

MCP-യുടെ യഥാർത്ഥ കരുത്ത് കോൺടെക്സ്റ്റ് ഡിസ്ട്രിബ്യൂഷനിൽ (context distribution) ആണ്. ഇത് നിയമങ്ങൾ (rules), കഴിവുകൾ (skills), കരാറുകൾ (contracts) എന്നിവ AI ക്ലയന്റുകളിലേക്ക് എത്തിക്കാൻ സഹായിക്കുന്നു.

RAG ഒരു ചോദ്യത്തിന് ഉത്തരം നൽകാൻ സഹായിക്കുന്നു: ഏത് വിവരമാണ് പ്രസക്തം? RAG ഡോക്യുമെന്റുകൾ കണ്ടെത്തി അവ മോഡലിന് നൽകുന്നു.

എന്നാൽ ടീമുകൾക്ക് വിവരങ്ങൾ മാത്രം പോരാ. അവർക്ക് നിയമങ്ങളും ആവശ്യമാണ്.

ഒരു ടീമിന് ഇവ അറിയേണ്ടതുണ്ട്:

  • ഔദ്യോഗിക സ്രോതസ്സ് (authoritative source) ഏതാണ്?
  • AI എപ്പോൾ നിർത്തണം?
  • എപ്പോഴാണ് മനുഷ്യന്റെ സ്ഥിരീകരണം ആവശ്യമായി വരുന്നത്?
  • ഈ ടാസ്കിന് ഏത് വർക്ക്ഫ്ലോ ആണ് ബാധകമാകുന്നത്?
  • എന്ത് തെളിവുകളാണ് രേഖപ്പെടുത്തേണ്ടത്?

ഈ നിയമങ്ങൾ വിവരിക്കുന്ന ഡോക്യുമെന്റുകൾ RAG കണ്ടെത്തി നൽകും, എന്നാൽ ഒരു ഡോക്യുമെന്റ് വെറും കോൺടെക്സ്റ്റ് മാത്രമാണ്. പല ടീമുകളും പ്രോംപ്റ്റുകൾ (prompts) ഉപയോഗിച്ചാണ് ഇത് പരിഹരിക്കാൻ ശ്രമിക്കുന്നത്. "ഞങ്ങളുടെ കോഡിംഗ് നിയമങ്ങൾ പാലിക്കുക" എന്നിങ്ങനെയുള്ള നിർദ്ദേശങ്ങളാണ് അവർ എഴുതുന്നത്.

ഇത് വലിയ തോതിൽ പ്രയോഗിക്കാൻ (scale) കഴിയില്ല. ഓരോ ഡെവലപ്പർക്കും വ്യത്യസ്തമായ ലോക്കൽ പ്രോംപ്റ്റുകൾ ഉണ്ടാകും. ജോലിയുടെ ഗുണനിലവാരം AI ഉപയോഗിക്കുന്ന വ്യക്തിയെ ആശ്രയിച്ചിരിക്കും. ഇതൊരു ടീം സിസ്റ്റമല്ല.

MCP ഇത് മാറ്റുന്നു. ജോലി ചെയ്യുന്ന സമയത്ത് ടൂളുകൾ വിളിക്കുന്നതിന് പകരം, ജോലി തുടങ്ങുന്നതിന് മുമ്പ് തന്നെ നിയമങ്ങൾ സ്വീകരിക്കാൻ AI-ക്ക് സാധിക്കും.

ഒരു സെഷൻ തുടങ്ങുമ്പോൾ, AI ക്ലയന്റ് ഒരു സ്റ്റാർട്ടപ്പ് ഫംഗ്ഷൻ (startup function) വിളിക്കുന്നു. ആ ഫംഗ്ഷൻ ഇവ നൽകുന്നു:

  • ആക്സസ് പോളിസികൾ (Access policies)
  • ഔദ്യോഗിക കോൺടെക്സ്റ്റ് സ്രോതസ്സുകൾ (Authoritative context sources)
  • ലഭ്യമായ കഴിവുകൾ (Available skills)
  • വർക്ക്ഫ്ലോ കാറ്റലോഗുകൾ (Workflow catalogs)
  • അജ്ഞാതമായ കാര്യങ്ങൾ കൈകാര്യം ചെയ്യാനുള്ള നിയമങ്ങൾ (Rules for handling unknowns)

മോഡലിന് ടൂളുകൾ ഉപയോഗിക്കാനുള്ള അനുമതി മാത്രമല്ല ലഭിക്കുന്നത്, മറിച്ച് ജോലിയുടെ നിയമങ്ങളും ലഭിക്കുന്നു.

ഇത് വ്യക്തമായ ഒരു വ്യത്യാസം ഉണ്ടാക്കുന്നു:

  • RPC-സ്റ്റൈൽ MCP: ജോലി ചെയ്യുന്നതിനിടയിൽ മോഡൽ ടൂളുകൾ വിളിക്കുന്നു.
  • കോൺടെക്സ്റ്റ്-ഡിസ്ട്രിബ്യൂഷൻ MCP: ജോലി തുടങ്ങുന്നതിന് മുമ്പ് തന്നെ മോഡൽ നിയമങ്ങൾ സ്വീകരിക്കുന്നു.

ഈ രീതി ഡൊമെയ്ൻ അറിവിനെ (domain knowledge) എവിടെയും ഉപയോഗിക്കാൻ പാകത്തിലുള്ളതാക്കുന്നു (portable). ഓരോ ഉപയോക്താവും വലിയ ഡോക്യുമെന്റുകൾ വായിക്കുന്നതിനോ ലോക്കൽ പ്രോംപ്റ്റുകൾ പുതുക്കുന്നതിനോ പകരം, ഒരു സീനിയർ എഞ്ചിനീയർക്ക് ഒരു MCP സെർവറിൽ ഒരു സ്കിൽ ഒരിക്കൽ മാത്രം നിർവചിച്ചാൽ മതിയാകും.

സ്കിൽ നിർവചിക്കുന്ന വ്യക്തിയും അത് ഉപയോഗിക്കുന്ന വ്യക്തിയും ഇപ്പോൾ വ്യത്യസ്തരായിരിക്കും.

ഇത് കാലഹരണപ്പെട്ട വിവരങ്ങളുടെ (stale information) പ്രശ്നവും പരിഹരിക്കുന്നു. നിയമങ്ങളുടെ ഒരു വലിയ ശേഖരം തന്നെ ലോക്കലായി സൂക്ഷിക്കേണ്ടതില്ല. ഒരു MCP കണക്ഷൻ മാത്രം മതിയാകും. ഔദ്യോഗിക നിർവചനങ്ങൾ സെർവറിൽ തന്നെ നിലനിൽക്കും.

RAG ഉത്തരം നൽകുന്നു: ഏത് വിവരമാണ് പ്രസക്തമാകാൻ സാധ്യതയുള്ളത്? MCP കോൺടെക്സ്റ്റ് ഡിസ്ട്രിബ്യൂഷൻ ഉത്തരം നൽകുന്നു: ഈ ജോലി ഏത് നിയമങ്ങൾക്കനുസരിച്ചാണ് നടക്കേണ്ടത്?

അറിവ് വീണ്ടെടുക്കുന്നതിനെക്കുറിച്ചാണ് (retrieving knowledge) RAG പറയുന്നത്. ജോലി എങ്ങനെ നടക്കണം എന്ന് നിർവചിക്കുന്നതിനെക്കുറിച്ചാണ് MCP കോൺടെക്സ്റ്റ് ഡിസ്ട്രിബ്യൂഷൻ പറയുന്നത്.

AI ഏതെല്ലാം ടൂളുകൾ വിളിക്കുമെന്ന് ചോദിക്കുന്നത് നിർത്തുക. പകരം, ജോലി തുടങ്ങുന്നതിന് മുമ്പ് AI ഏത് കോൺടെക്സ്റ്റ് ആണ് ലോഡ് ചെയ്യേണ്ടതെന്ന് ചോദിച്ചു തുടങ്ങുക.

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

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