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

AI അസിസ്റ്റന്റുകൾക്ക് ചിന്തിക്കാനും എഴുതാനും കോഡ് ചെയ്യാനും കഴിയും. എന്നിരുന്നാലും, അടുത്തിടെ വരെ യഥാർത്ഥ ജോലി നടക്കുന്ന ഇടങ്ങളിൽ നിന്ന് അവയ്ക്ക് പ്രവേശനം ഉണ്ടായിരുന്നില്ല. ഒരു മനുഷ്യൻ വിവരങ്ങൾ കോപ്പി ചെയ്ത് ചാറ്റ് വിൻഡോയിൽ പേസ്റ്റ് ചെയ്യുന്നത് വരെ, നിങ്ങളുടെ പ്രോജക്റ്റ് ഫയലുകൾ തുറക്കാനോ, ഒരു കസ്റ്റമർ ഡാറ്റാബേസ് പരിശോധിക്കാനോ, Slack threads പരിശോധിക്കാനോ, GitHub repositories-മായി ഇടപഴകാനോ അവയ്ക്ക് കഴിയില്ല. ഓരോ ഇടപെടലും മാനുവൽ ആണ്, കൂടാതെ അവ ചിതറിക്കിടക്കുന്നതും താൽക്കാലികവുമാണ്.

ആ തടസ്സം നീക്കം ചെയ്യാനാണ് Model Context Protocol അഥവാ MCP നിർമ്മിക്കപ്പെട്ടിരിക്കുന്നത്. ഓരോ ഇന്റഗ്രേഷനെയും ഒരു പ്രത്യേക പ്രോജക്റ്റ് ആയി കാണുന്നതിന് പകരം, AI മോഡലുകളും ബാഹ്യ ടൂളുകളും തമ്മിൽ ഒരു പൊതുവായ ഇന്റർഫേസ് MCP നൽകുന്നു. ഇതിനെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനായുള്ള ഒരു USB-C പോർട്ട് ആയി കരുതുക: പലതരം കണക്ഷനുകൾ സ്വീകരിക്കുന്ന ഒരൊറ്റ രൂപം. നിങ്ങൾ ഒരു തവണ അഡാപ്റ്റർ നിർമ്മിച്ചാൽ, അനുയോജ്യമായ ഏത് അസിസ്റ്റന്റിനും നിങ്ങളുടെ സിസ്റ്റങ്ങളുമായി ആശയവിനിമയം നടത്താൻ അത് ഉപയോഗിക്കാം.

പഴയ സങ്കീർണ്ണമായ രീതി

ഇത്തരത്തിലുള്ള ഒരു മാനദണ്ഡം നിലവിൽ വരുന്നതിന് മുമ്പ്, ഒരു AI-യെ നിങ്ങളുടെ ടൂളുകളുമായി ബന്ധിപ്പിക്കുക എന്നതിനർത്ഥം ഓരോ മോഡലിനും സർവീസിനും വേണ്ടി പ്രത്യേകം പാലങ്ങൾ നിർമ്മിക്കുക എന്നതായിരുന്നു. നിങ്ങളുടെ എൻജിനീയറിങ് ടീമിന് GitHub ഉപയോഗിക്കാൻ ഒരു AI അസിസ്റ്റന്റ് വേണമെന്നുണ്ടെങ്കിൽ, ChatGPT-ക്ക് വേണ്ടി പ്രത്യേകം ഒരു GitHub ഇന്റഗ്രേഷൻ ആവശ്യമായിരുന്നു. പിന്നീട് Claude-ന് വേണ്ടി മറ്റൊന്ന്, Gemini-ക്ക് വേണ്ടി മറ്റൊന്ന്. Slack, Google Drive, ഇന്റേണൽ ഡാറ്റാബേസുകൾ, ഫയൽ സിസ്റ്റങ്ങൾ എന്നിവയ്ക്കും ഇതേ സാഹചര്യം തന്നെയായിരുന്നു.

ഈ രീതി ഡെവലപ്പർമാരുടെ സമയം പാഴാക്കുന്നു. ഏകദേശം ഒരേ കാര്യം തന്നെ ചെയ്യുന്ന (ഒരു API-യിൽ നിന്ന് ഡാറ്റ എടുക്കുക, അത് ഫോർമാറ്റ് ചെയ്യുക, ഒരു ലാംഗ്വേജ് മോഡലിന് നൽകുക) സമാന്തര കോഡ്ബേസുകൾ പരിപാലിക്കേണ്ടി വരുന്നത് ടീമുകൾക്ക് വലിയ ഭാരമാണ്. സുരക്ഷാ കാര്യത്തിലും ഇത് വലിയ വെല്ലുവിളിയാണ്. ഓരോ പ്രത്യേക കണക്റ്ററും അതിന്റേതായ ഓതന്റിക്കേഷൻ ലോജിക്, ടോക്കൺ സ്റ്റോറേജ്, അപ്‌ഡേറ്റ് സൈക്കിൾ എന്നിവ കൊണ്ടുവരുന്നു. ഒരു മോഡൽ അതിന്റെ API മാറ്റുകയോ അല്ലെങ്കിൽ ഒരു തേർഡ് പാർട്ടി സർവീസ് അതിന്റെ പെർമിഷനുകൾ പുതുക്കുകയോ ചെയ്യുമ്പോൾ, ഓരോ കസ്റ്റം ഇന്റഗ്രേഷനും പ്രത്യേകം ശ്രദ്ധിക്കേണ്ടി വരുന്നു. ഈ അധിക ജോലി വേഗത്തിൽ വർദ്ധിക്കുന്നു, അതുകൊണ്ടാണ് പല വാഗ്ദാനങ്ങൾ നിറഞ്ഞ AI ഡെമോകളും ദൈനംദിന പ്രവർത്തനങ്ങളുടെ ഭാഗമാകാത്തത്.

ഒരു കണക്ഷൻ, ഏത് അസിസ്റ്റന്റിനും

MCP ഈ ഘടനയെ പൂർണ്ണമായും മാറ്റുന്നു. ഓരോ AI വെണ്ടറോട് തന്നെ എല്ലാ ടൂളുകളെയും സപ്പോർട്ട് ചെയ്യാൻ ആവശ്യപ്പെടുന്നതിന് പകരം, മോഡലുകൾക്കും സർവീസുകൾക്കും ഒരുപോലെ ഉപയോഗിക്കാൻ കഴിയുന്ന ഒരു പൊതു ഭാഷ ഈ പ്രോട്ടോക്കോൾ സൃഷ്ടിക്കുന്നു. നിങ്ങൾ ഒരു MCP കണക്ഷൻ നിർമ്മിക്കുന്നു. ആ ഒരൊറ്റ കണക്ഷൻ എല്ലാ AI അസിസ്റ്റന്റുകൾക്കും പ്രവർത്തിക്കും. ഒരേ സ്റ്റാൻഡേർഡ് പാത്ത് വഴി മോഡലിന് നിങ്ങളുടെ GitHub issues, Slack channels, ഡാറ്റാബേസുകൾ അല്ലെങ്കിൽ ലോക്കൽ ഫയലുകൾ എന്നിവയിലേക്ക് എത്താൻ കഴിയും.

ഇതിലെ വ്യത്യാസം ആർക്കിടെക്ചറിലാണ്. പണ്ട്, ഇന്റഗ്രേഷനുകൾ മോഡൽ കേന്ദ്രീകൃതമായിരുന്നു (model-centric): ഏത് ടൂളുകൾ ഉപയോഗിക്കാമെന്ന് അസിസ്റ്റന്റ് വെണ്ടർ ആണ് തീരുമാനിച്ചിരുന്നത്. എന്നാൽ MCP ഈ ഇക്കോസിസ്റ്റത്തെ ടൂൾ കേന്ദ്രീകൃതമാക്കുന്നു (tool-centric). ഡാറ്റാബേസോ കോഡ്ബേസോ കൈകാര്യം ചെയ്യുന്ന ടീം ഒരു MCP അഡാപ്റ്റർ പ്രസിദ്ധീകരിക്കുന്നു. ഈ പ്രോട്ടോക്കോൾ മനസ്സിലാക്കുന്ന ഏത് മോഡലിനും കണക്ട് ചെയ്യാം. നിങ്ങളുടെ കമ്പനി അസിസ്റ്റന്റുകൾ മാറ്റുകയോ ഒന്നിലധികം മോഡലുകൾ ഒരേസമയം ഉപയോഗിക്കുകയോ ചെയ്താൽ പോലും, നിങ്ങളുടെ ഇന്റഗ്രേഷനുകൾ തകരാറിലാകില്ല അല്ലെങ്കിൽ അവ വീണ്ടും ആദ്യം മുതൽ നിർമ്മിക്കേണ്ടി വരില്ല.

പ്രായോഗികമായി ഇത് എങ്ങനെയിരിക്കും

AI-യെ വെറുമൊരു ചാറ്റ്ബോട്ട് ആയി കാണുന്നത് നിർത്തി, നിങ്ങളുടെ നിലവിലുള്ള സിസ്റ്റങ്ങളിലെ ഒരു പങ്കാളിയായി കാണാൻ തുടങ്ങുമ്പോഴാണ് MCP-യുടെ യഥാർത്ഥ ശക്തി വെളിപ്പെടുന്നത്.

GitHub. MCP വഴി കണക്ട് ചെയ്തിട്ടുള്ള ഒരു AI-ക്ക് വെറുമൊരു റിപ്പോസിറ്ററി ലിസ്റ്റ് എടുക്കുന്നതിനേക്കാൾ കൂടുതൽ കാര്യങ്ങൾ ചെയ്യാൻ കഴിയും. അതിന് സമീപകാലത്തെ pull requests പരിശോധിക്കാനും, branches താരതമ്യം ചെയ്യാനും, സാധ്യമായ പിഴവുകൾ (regressions) കണ്ടെത്താനും, വിശദമായ issues സ്വയമേവ നിർമ്മിക്കാനും കഴിയും. കഴിഞ്ഞ ഇരുപത്തിനാല് മണിക്കൂറിനിടെ നടന്ന ഓരോ commit-ലും error handling വിട്ടുപോയിട്ടുണ്ടോ എന്ന് പരിശോധിക്കാൻ നിങ്ങൾ ആവശ്യപ്പെട്ടാൽ, ഒരു കോഡ് ബ്ലോക്ക് പോലും കോപ്പി ചെയ്യാതെ തന്നെ അത് ലൈൻ റെഫറൻസുകൾ സഹിതം ടിക്കറ്റുകൾ തുറന്നുതരും.

Google Drive. ഡോക്യുമെന്റുകൾ ഒരു ചാറ്റ് ഇന്റർഫേസിലേക്ക് അപ്‌ലോഡ് ചെയ്യുന്നതിന് പകരം, ഫയലുകൾ എവിടെയാണോ ഇരിക്കുന്നത് അവിടെ നിന്ന് തന്നെ AI അവ വായിക്കുകയും സംഗ്രഹിക്കുകയും ചെയ്യുന്നു. കഴിഞ്ഞ പാദത്തിലെ റോഡ്മാപ്പും നിലവിലെ ബജറ്റ് ഡ്രാഫ്റ്റും തമ്മിലുള്ള താരതമ്യം ആവശ്യപ്പെട്ടാൽ, അസിസ്റ്റന്റ് രണ്ട് സ്പ്രെഡ്ഷീറ്റുകളും നേരിട്ട് എടുക്കുന്നു; നിങ്ങൾ കഴിഞ്ഞ ആഴ്ച പേസ്റ്റ് ചെയ്ത പഴയ വിവരങ്ങൾക്ക് പകരം ഏറ്റവും പുതിയ വിവരങ്ങൾ ഉപയോഗിച്ചാണ് ഇത് പ്രവർത്തിക്കുന്നത്.

Slack. ആശയവിനിമയം ഇരുവശങ്ങളിലേക്കും ഒഴുകുന്നു. AI-ക്ക് പ്രോജക്റ്റ് ചാനലുകളിലേക്ക് ദിവസേനയുള്ള സംഗ്രഹങ്ങൾ പോസ്റ്റ് ചെയ്യാനും, ഡാറ്റാബേസ് പരിധി ലംഘിക്കപ്പെടുമ്പോൾ ടീമിനെ അറിയിക്കാനും, അല്ലെങ്കിൽ സപ്പോർട്ട് ത്രെഡുകൾ വായിച്ച് മറുപടി നിർദ്ദേശിക്കുന്നതിന് മുമ്പ് അവ ഇന്റേണൽ ഡോക്യുമെന്റേഷനുമായി താരതമ്യം ചെയ്യാനും കഴിയും.

Databases. സ്വാഭാവിക ഭാഷയിലുള്ള ചോദ്യങ്ങൾ നേരിട്ട് ലൈവ് ഡാറ്റയിൽ ലഭ്യമാകും. കഴിഞ്ഞ മുപ്പത് ദിവസത്തിനിടെ എത്ര ട്രയൽ ഉപയോക്താക്കൾ സ്ഥിരമായി ഉപയോഗിച്ചു തുടങ്ങി എന്ന് നിങ്ങൾക്ക് ചോദിക്കാം, അസിസ്റ്റന്റ് നിങ്ങളുടെ പ്രൊഡക്ഷൻ അല്ലെങ്കിൽ അനലിറ്റിക്സ് ഡാറ്റാബേസിൽ നിന്ന് തത്സമയം ഉത്തരം നൽകും. ഈ വിവരങ്ങൾ ഏറ്റവും പുതിയതും കൃത്യവുമാണ്; ഒരു നിശ്ചിത തീയതിയിൽ അവസാനിക്കുന്ന ട്രെയിനിംഗ് ഡാറ്റയ്ക്ക് പകരം വസ്തുതകളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് ഇത്.

File Systems. നിങ്ങളുടെ മെഷീനിലോ സെർവറിലോ ഉള്ള പ്രോജക്റ്റ് ഫയലുകളിലേക്ക് AI-ക്ക് ഘടനപരമായ പ്രവേശനം ലഭിക്കുന്നു. ഫോൾഡറുകൾ മാനുവലായി അപ്‌ലോഡ് ചെയ്യാതെ തന്നെ ഡയറക്ടറി ലേഔട്ടുകൾ സ്കാൻ ചെയ്യാനും, കോൺഫിഗറേഷൻ ഫയലുകൾ വായിക്കാനും, ഒരു കോഡ്ബേസിന്റെ പശ്ചാത്തലം മനസ്സിലാക്കാനും ഇതിന് കഴിയും.

ഡെവലപ്പർ ടൂളുകൾ. ഇവിടെയാണ് സമയലാഭം പ്രകടമാകുന്നത്. MCP വഴി പ്രവർത്തിക്കുന്ന ഒരു AI-ക്ക് ടെസ്റ്റ് സ്യൂട്ടുകൾ പ്രവർത്തിപ്പിക്കാനും, ബിൽഡ് സ്ക്രിപ്റ്റുകൾ റൺ ചെയ്യാനും, ലിന്റിംഗ് പിശകുകൾ പരിശോധിക്കാനും അല്ലെങ്കിൽ ഡിപ്ലോയ്‌മെന്റ് ജോലികൾ ഓട്ടോമേറ്റ് ചെയ്യാനും കഴിയും. നിങ്ങൾ ഒരു കമാൻഡ് എഴുതുന്നു, അസിസ്റ്റന്റ് നിങ്ങളുടെ എൻവയോൺമെന്റിലെ യഥാർത്ഥ ടൂളുകൾ പ്രവർത്തിപ്പിക്കുന്നു, ഇത് നിർദ്ദേശവും നിർവ്വഹണവും തമ്മിലുള്ള അകലം കുറയ്ക്കുന്നു.

ഇത് നിർമ്മാതാക്കൾക്ക് എന്തുകൊണ്ട് പ്രധാനമാകുന്നു

വേഗത എന്നത് ഒരു ഗുണം മാത്രമാണ്. സങ്കീർണ്ണമായ കസ്റ്റം സ്ക്രിപ്റ്റുകൾക്ക് പകരം ഒരു ഏകീകൃത ആക്സസ് ലെയർ (uniform access layer) കൊണ്ടുവരുന്നതിലൂടെ MCP സുരക്ഷ വർദ്ധിപ്പിക്കുന്നു. എല്ലാ ടൂളുകളും ഒരേ പ്രോട്ടോക്കോൾ വഴി ബന്ധിപ്പിക്കപ്പെടുമ്പോൾ, ഡസൻ കണക്കിന് രീതികൾക്ക് പകരം നിങ്ങൾക്ക് ഒരു ഓതന്റിക്കേഷൻ പാറ്റേൺ മാത്രം കൈകാര്യം ചെയ്താൽ മതിയാകും. പെർമിഷനുകൾ അഡാപ്റ്റർ തലത്തിൽ നിർവചിച്ചിരിക്കുന്നതിനാൽ, AI എന്തൊക്കെ കാണണമെന്നോ മാറ്റണമെന്നോ ഉള്ളത് നിങ്ങൾക്ക് കൃത്യമായി നിയന്ത്രിക്കാം. പൈപ്പ്‌ലൈനിൽ കുറഞ്ഞ കസ്റ്റം കോഡ് മാത്രം ഉപയോഗിക്കുന്നതിനാൽ, മറഞ്ഞിരിക്കുന്ന സുരക്ഷാ വീഴ്ചകൾ കുറയുകയും ഓഡിറ്റിംഗ് എളുപ്പമാവുകയും ചെയ്യുന്നു.

ഡെവലപ്പർമാരെ സംബന്ധിച്ചിടത്തോളം, ഉൽപ്പാദനക്ഷമതയിലുള്ള വർദ്ധനവ് പ്രകടമാണ്. ഒന്നിലധികം AI പ്ലാറ്റ്‌ഫോമുകൾക്കായി പ്രത്യേക ഇന്റഗ്രേഷനുകൾ എഴുതുന്നതും പരിപാലിക്കുന്നതും നിങ്ങളുടെ ഉൽപ്പന്നത്തിന് പ്രത്യേകതയൊന്നും നൽകാത്ത, മടുപ്പിക്കുന്ന ഇൻഫ്രാസ്ട്രക്ചർ ജോലിയാണ്. MCP ഉപയോഗിച്ച് ആ പ്ലംബിംഗ് ജോലികൾ ഒരിക്കൽ മാത്രം ചെയ്ത് യഥാർത്ഥ ബിസിനസ്സ് പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിലേക്ക് നിങ്ങൾക്ക് മാറാം. ഈ പ്രോട്ടോക്കോൾ AI-യെ ഒരു ഒറ്റപ്പെട്ട വിസ്മയത്തിൽ നിന്ന് നിങ്ങളുടെ ഓപ്പറേഷണൽ സ്റ്റാക്കിന്റെ ഒരു യഥാർത്ഥ ഭാഗമാക്കി മാറ്റുന്നു.

ചുരുക്കത്തിൽ

MCP ഒരു മോഡലിനെ കൂടുതൽ ബുദ്ധിമാനാക്കുന്നില്ല. പകരം അത് അതിനെ ഉപയോഗപ്രദമാക്കുന്നു. ലൈവ് ഡാറ്റയിലേക്ക് പ്രവേശനമില്ലാത്ത ഒരു ശക്തമായ ലാംഗ്വേജ് മോഡൽ, കമ്പനി വിക്കിയോ ടെർമിനലോ ഉപയോഗിക്കാൻ അനുവാദമില്ലാത്ത ഒരു വിദഗ്ദ്ധനായ എഞ്ചിനീയറെപ്പോലെയാണ്. സന്ദർഭോചിതമായ വിവരങ്ങളില്ലാത്ത (context) ബുദ്ധി അപൂർണ്ണമാണ്.

ഇവിടെയുള്ള മാറ്റം ലളിതമാണെങ്കിലും ആഴത്തിലുള്ളതാണ്. മോഡലിനെ അത് ഉപയോഗിക്കുന്ന ടൂളുകളിൽ നിന്ന് വേർപെടുത്തുന്നതിലൂടെ (decoupling), നിങ്ങൾക്ക് ആവശ്യമുള്ള കണക്റ്ററുകൾ നിർമ്മിക്കാൻ AI വെണ്ടർമാരെ കാത്തിരിക്കുന്ന അവസ്ഥ MCP അവസാനിപ്പിക്കുന്നു. നിങ്ങൾ തന്നെ ആ പാലം ഒരിക്കൽ നിർമ്മിക്കുന്നു, അത് നിങ്ങൾ ഉപയോഗിക്കുന്ന എല്ലാ അസിസ്റ്റന്റുകൾക്കും സേവനം നൽകുന്നു. ഒരു വർക്ക്ഫ്ലോയിൽ നിന്ന് തുടങ്ങുക. ഒരു പ്രോട്ടോക്കോൾ കണക്ഷനിലൂടെ നിങ്ങളുടെ പ്രോജക്റ്റ് ഫയലുകൾ വായിക്കാനും, ഒരു ഡാറ്റാബേസ് ക്വറി ചെയ്യാനും, അല്ലെങ്കിൽ നിങ്ങളുടെ ടെസ്റ്റ് സ്യൂട്ട് റൺ ചെയ്യാനും AI-യെ അനുവദിക്കുക. ഒരു സ്റ്റാറ്റിക് മെമ്മറി വിൻഡോയ്ക്ക് പകരം യഥാർത്ഥ ലൈവ് കോൺടെക്സ്റ്റോടെ ഒരു അസിസ്റ്റന്റ് പ്രവർത്തിക്കുന്നത് കാണുമ്പോൾ, മറ്റേതൊരു രീതിയും ഒരു കൈകൊണ്ട് ടൈപ്പ് ചെയ്യുന്നത് പോലെ അപ്രായോഗികമായി നിങ്ങൾക്ക് തോന്നും.