Title: AI चा USB C: स्वतःचा MCP तयार करा

Anthropic ने Model Context Protocol (MCP) ओपन-सोर्स केले आहे, जे एक प्लग-इन मानक (standard) आहे. याद्वारे कोणताही AI agent एकाच, एकसमान इंटरफेसद्वारे डेटाबेस, मॉनिटरिंग टूल्स, कोड रिपॉझिटरीज आणि इतर गोष्टींशी संवाद साधू शकतो. डेव्हलपर्स आता अनेक वेगवेगळ्या प्रकारचे कनेक्टर्स वापरण्याऐवजी एकाच MCP सर्व्हरचा वापर करू शकतात आणि प्रत्येक सुसंगत (compatible) क्लायंटला त्वरित त्याच डेटाचा वापर करण्याची सुविधा देऊ शकतात.

AI-ॲप डेव्हलपर्सना एका सामायिक “USB-C” ची गरज का आहे?

आज AI-आधारित वर्कफ्लो तयार करणे म्हणजे वेगवेगळा कस्टम कोड एकत्र जोडण्यासारखे वाटते. तुम्हाला Claude, एखादी Python स्क्रिप्ट किंवा थर्ड-पार्टी एडिटरद्वारे PostgreSQL मधून डेटा वाचायचा असेल, Datadog डॅशबोर्डवर क्वेरी करायची असेल किंवा GitHub इश्यू उघडायचा असेल? तर तुम्हाला प्रत्येक वेळी एक नवीन इंटिग्रेशन लेअर लिहावा लागतो. जसा तंत्रज्ञानाचा संच (stack) वाढतो, तसा हा प्रयत्न वाढत जातो आणि 'ग्लू कोड' (glue code) मेंटेन करणे, टेस्ट करणे आणि सुरक्षित ठेवणे कठीण होते.

MCP ही प्रक्रिया थांबवते. हे resources (लॉग्स किंवा API स्पेक्स सारखा फक्त वाचता येणारा डेटा), tools (एजंटद्वारे कार्यान्वित करता येतील अशा कृती, जसे की SQL चालवणे किंवा तिकीट तयार करणे) आणि prompts (AI ने डेटाचा वापर कसा करावा हे निर्देशित करणारे टेम्पलेट्स) प्रदर्शित करण्यासाठी एकच प्रोटोकॉल परिभाषित करते. कोणताही सुसंगत क्लायंट वेगवेगळ्या सेवांना अशा प्रकारे हाताळतो जणू त्या एकाच पोर्टमध्ये जोडल्या गेल्या आहेत.

प्रोटोकॉलची रचना कशी आहे

  • MCP Hosts – ज्या ॲप्लिकेशन्समध्ये AI समाविष्ट असते, उदाहरणार्थ Claude Desktop किंवा एखादा कोड-असिस्टंट एडिटर.
  • MCP Clients – होस्टमधील पातळ लेयर्स (thin layers) जे हँडशेक हाताळतात आणि विनंत्या (requests) राउट करतात.
  • MCP Servers – हलके प्रोग्राम्स जे एखादा विशिष्ट डेटा सोर्स किंवा सेवा प्रदर्शित करतात, जसे की SQLite फाईल, Slack वर्कस्पेस किंवा मॉनिटरिंग एंडपॉइंट.

जेव्हा एखादा AI कनेक्ट होतो, तेव्हा क्लायंट सर्व्हरमधील resources, tools आणि prompts ची यादी शोधतो. त्यानंतर, मूळ सेवा एखादा रिलेशनल डेटाबेस असो किंवा टिकेटिंग सिस्टम, एजंटद्वारे केल्या जाणाऱ्या कॉल्स (calls) अगदी सारख्याच दिसतात. सर्व्हर त्या कॉल्सचे योग्य API किंवा क्वेरी भाषेत रूपांतर करतो आणि एजंट वापरू शकेल अशा फॉरमॅटमध्ये निकाल परत करतो.

एक प्रत्यक्ष वर्कफ्लो

कल्पना करा की एखादा डेव्हलपर MCP द्वारे PostgreSQL सर्व्हर आणि Datadog मॉनिटरिंग एंडपॉइंट एका AI असिस्टंटला जोडतो. डेव्हलपर असिस्टंटला अलीकडील एरर स्पाइक्स (error spikes) शोधण्यास, डेटाबेसमधून संबंधित युजर रेकॉर्ड्स काढण्यास आणि कोड फिक्स सुचवण्यास सांगतो. AI:

  1. MCP-द्वारे उपलब्ध असलेल्या मॉनिटरिंग टूलद्वारे Datadog वर क्वेरी करतो आणि संबंधित लॉग्स काढतो.
  2. MCP-द्वारे उपलब्ध असलेल्या डेटाबेस टूलचा वापर करून PostgreSQL सर्व्हरवर SQL क्वेरी कार्यान्वित करतो.
  3. आढळलेल्या एरर पॅटर्नसाठी फिक्सची सामान्य रचना वर्णन करणाऱ्या प्रॉम्प्टवरून एक पॅच (patch) तयार करतो.

हे तिन्ही टप्पे एकाच प्रोटोकॉलद्वारे घडतात, ज्यामुळे डेव्हलपरला प्रत्येक सेवेसाठी वेगळे अडॅप्टर्स लिहावे लागत नाहीत.

MCP सर्व्हर तयार करणे

Anthropic च्या रेफरन्स इम्प्लिमेंटेशनवरून असे दिसून येते की सर्व्हर TypeScript किंवा Python सारख्या परिचित भाषांमध्ये लिहिला जाऊ शकतो. ही प्रक्रिया खालीलप्रमाणे आहे:

  1. सर्व्हर कोणते resources प्रदर्शित करणार आहे ते घोषित करणे (उदा. टेबल्सचा संच, लॉग फाईल्सचा संग्रह).
  2. AI द्वारे वापरता येतील अशा tools ची व्याख्या करणे (SQL execution, HTTP POST, file write).
  3. AI ला त्याच्या विनंत्या योग्य फॉरमॅटमध्ये मांडण्यास मदत करणारे प्रॉम्प्ट टेम्पलेट्स प्रदान करणे.

एकदा सर्व्हर सुरू झाला की, कोणताही MCP-सुसंगत क्लायंट तो आपोआप शोधतो, ज्यामुळे नवीन डेटा सोर्स संस्थेच्या सर्व AI टूल्समध्ये त्वरित वापरण्यायोग्य होतो.

निष्कर्ष

Model Context Protocol AI एजंट्ससाठी एक सामायिक “USB-C” प्रदान करतो, ज्यामुळे कस्टम कनेक्टर्सचे गुंतागुंतीचे जाळे एका 'प्लग-अँड-प्ले' इकोसिस्टममध्ये रूपांतरित होते. ग्लू कोड लिहिून थकलेल्या टीम्स आजच MCP वापरून पाहू शकतात आणि त्याचा प्रत्यक्ष फायदा अनुभवू शकतात.