AI-യ്ക്കായുള്ള ഷിപ്പിംഗ് കണ്ടെയ്നർ

AI ഏജന്റുകളെ നിർമ്മിക്കുന്നത് പ്രയാസകരമാണ്.

ഒന്നാം ദിവസം, നിങ്ങൾ ഒരു ഏജന്റിനെ ഒരു ഡാറ്റാബേസുമായി ബന്ധിപ്പിക്കുന്നു. രണ്ടാം ദിവസം, നിങ്ങൾ അതിനെ ഒരു വെതർ API-യുമായി ബന്ധിപ്പിക്കുന്നു. പത്താം ദിവസം എത്തുമ്പോഴേക്കും, നിങ്ങളുടെ കോഡ് കസ്റ്റം ഇന്റഗ്രേഷനുകളുടെ ഒരു കുഴപ്പമായി മാറിയിട്ടുണ്ടാകും.

നിങ്ങൾ നിങ്ങളുടെ AI മോഡൽ മാറ്റുകയാണെങ്കിൽ, ഓരോ കണക്ഷനും വീണ്ടും നിർമ്മിക്കേണ്ടി വരും. ഇത് സമയവും പണവും പാഴാക്കുന്നു.

Model Context Protocol (MCP) ഇത് പരിഹരിക്കുന്നു.

1950-കൾക്ക് മുമ്പുള്ള ആഗോള ഷിപ്പിംഗിനെക്കുറിച്ച് ചിന്തിക്കുക. ഓരോ കമ്പനിയും വ്യത്യസ്ത വലിപ്പത്തിലുള്ള പെട്ടികളാണ് ഉപയോഗിച്ചിരുന്നത്. സാധനങ്ങൾ നീക്കം ചെയ്യുന്നത് സാവധാനത്തിലും ബുദ്ധിമുട്ടിലുമായിരുന്നു.

ഷിപ്പിംഗ് കണ്ടെയ്നറുകൾ ഏകീകൃതമാക്കിയപ്പോൾ എല്ലാം മാറി. ഒരു കണ്ടെയ്നറിനുള്ളിൽ എന്താണെന്ന് ഒരു ക്രെയിൻ ഓപ്പറേറ്റർ അറിയേണ്ടതില്ല. കണ്ടെയ്നർ എങ്ങനെ നീക്കണമെന്ന് മാത്രം അവർ അറിഞ്ഞാൽ മതി.

AI ഡാറ്റയ്ക്കായുള്ള ഷിപ്പിംഗ് കണ്ടെയ്നറാണ് MCP.

എന്താണ് MCP?

ഒരു ഏകീകൃത മാനദണ്ഡത്തിലൂടെ AI മോഡലുകൾക്ക് കോൺടെക്സ്റ്റ് (context) നൽകുന്നതിനായി Anthropic ആണ് MCP അവതരിപ്പിച്ചത്. ഇത് ടൂളുകളെയും ഡാറ്റയെയും ബന്ധിപ്പിക്കുന്നതിന് കസ്റ്റം കോഡിന് പകരം ഒരു സാർവത്രിക മാർഗ്ഗം ഉപയോഗിക്കുന്നു.

ഇതിന്റെ ഘടനയിൽ മൂന്ന് ഭാഗങ്ങളുണ്ട്:

  • MCP Host: ഒരു ചാറ്റ് ഇന്റർഫേസ് അല്ലെങ്കിൽ കോഡ് എഡിറ്റർ പോലുള്ള പ്രധാന ആപ്പ്.
  • MCP Client: കണക്ഷനുകൾ നിലനിർത്തുന്ന ഹോസ്റ്റിനുള്ളിലെ ഭാഗം.
  • MCP Server: പ്രത്യേക ഡാറ്റയോ ടൂളുകളോ പങ്കുവെക്കുന്ന ഒരു ചെറിയ സർവീസ്.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു:

സെർവറുകൾ AI-യുമായി മൂന്ന് കാര്യങ്ങൾ പങ്കുവെക്കുന്നു:

  • Tools: കാലാവസ്ഥ പരിശോധിക്കുകയോ ഇവന്റുകൾ സൃഷ്ടിക്കുകയോ ചെയ്യുന്നത് പോലുള്ള AI-ക്ക് ചെയ്യാൻ കഴിയുന്ന പ്രവർത്തനങ്ങൾ.
  • Resources: ടെക്സ്റ്റ് ഫയലുകൾ അല്ലെങ്കിൽ ഡാറ്റാബേസ് സ്കീമകൾ പോലുള്ള AI-ക്ക് വായിക്കാൻ കഴിയുന്ന ഡാറ്റ.
  • Prompt Templates: വിവരങ്ങൾ എങ്ങനെ ചോദിക്കണം എന്നതിനെക്കുറിച്ചുള്ള നിർദ്ദേശങ്ങൾ.

എന്തുകൊണ്ട് ഇത് ആവശ്യമാണ്:

  • Interoperability: നിങ്ങളുടെ ടൂളുകൾ OpenAI അല്ലെങ്കിൽ Anthropic പോലുള്ള വിവിധ മോഡലുകളുമായി പ്രവർത്തിക്കുന്നു.
  • Reusability: ഒരു ടൂൾ ഒരിക്കൽ നിർമ്മിച്ചാൽ അത് പല പ്രോജക്റ്റുകളിലും ഉപയോഗിക്കാം.
  • Speed: ഓരോ പുതിയ ഡാറ്റാ സ്രോതസ്സിനും വേണ്ടി മാനുവൽ ഗ്ലൂ കോഡ് (glue code) എഴുതുന്നത് നിങ്ങൾക്ക് ഒഴിവാക്കാം.
  • Accuracy: തത്സമയ ഡാറ്റാ ആക്സസ് AI തെറ്റുകളും ഹാളുസിനേഷനുകളും (hallucinations) കുറയ്ക്കുന്നു.
  • Security: ഇത് സ്റ്റാൻഡേർഡ് എൻക്രിപ്ഷനും ഓതറൈസേഷനും ഉപയോഗിക്കുന്നു.

MCP എന്നത് വെറുമൊരു API മാത്രമല്ല. ഒരു സർവീസുമായി സംസാരിക്കാനുള്ള പ്രത്യേക രീതിയാണ് API. എന്നാൽ ആ സർവീസുകളെ AI-ക്ക് വേണ്ടി ഏകീകൃതമാക്കാൻ അവയ്ക്ക് മുകളിൽ പ്രവർത്തിക്കുന്ന ഒരു പ്രോട്ടോക്കോൾ ആണ് MCP.

കണക്ഷനുകൾ വീണ്ടും നിർമ്മിക്കുന്നത് നിർത്തുക. ഒരു സ്റ്റാൻഡേർഡ് ഉപയോഗിച്ചു തുടങ്ങുക.

Source: https://dev.to/dangineer_4k2/the-shipping-container-for-ai-what-is-the-model-context-protocol-mcp-and-why-it-matters-2pi7

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