MCP हे RPC पेक्षा Context Distribution म्हणून अधिक उपयुक्त आहे

बहुतेक लोक Model Context Protocol (MCP) बद्दल टूल कॉलिंगसाठी (tool calling) बोलतात.

ते याकडे AI ला बाह्य टूल्स (external tools) कॉल करण्याचा एक मार्ग म्हणून पाहतात. एखादे AI GitHub issue वाचते किंवा फाईल मिळवते. यामुळे MCP हे एजंट्ससाठी RPC लेयर असल्यासारखे वाटते.

हे उपयुक्त आहे, पण हा सर्वात महत्त्वाचा वापर (use case) नाही.

MCP ची खरी ताकद context distribution मध्ये आहे. ते AI क्लायंट्सना नियम (rules), कौशल्ये (skills) आणि करार (contracts) वितरित करू शकते.

RAG एक प्रश्न सोडवण्यास मदत करते: कोणती माहिती संबंधित आहे? RAG कागदपत्रे शोधते आणि ती मॉडेलला देते.

पण टीम्सना केवळ माहितीची गरज नसते. टीम्सना नियमांची गरज असते.

एका टीमला हे माहित असणे आवश्यक आहे:

  • अधिकृत स्रोत (authoritative source) कोणता आहे?
  • AI ने कधी थांबले पाहिजे?
  • मानवी पुष्टीकरणाची (human confirmation) आवश्यकता कधी असते?
  • या कामासाठी कोणता वर्कफ्लो (workflow) लागू होतो?
  • कोणता पुरावा नोंदवला पाहिजे?

RAG ही नियम वर्णन करणारी कागदपत्रे शोधून आणते, परंतु कागदपत्र हे केवळ संदर्भ (context) असते. अनेक टीम्स हे प्रॉम्प्ट्सद्वारे (prompts) सोडवण्याचा प्रयत्न करतात. ते "आमचे कोडिंग नियम पाळा" यांसारख्या सूचना लिहितात.

हे स्केल (scale) होऊ शकत नाही. प्रत्येक डेव्हलपरकडे वेगळा स्थानिक प्रॉम्प्ट असतो. कामाचा दर्जा AI वापरणाऱ्या व्यक्तीवर अवलंबून असतो. ही टीम सिस्टम नाही.

MCP हे बदलत आहे. कामादरम्यान फक्त टूल्स कॉल करण्याऐवजी, AI काम सुरू करण्यापूर्वीच कामाचे नियम प्राप्त करू शकते.

सेशनच्या सुरुवातीला, AI क्लायंट एक startup function कॉल करतो. ते function खालील गोष्टी परत करते:

  • ॲक्सेस पॉलिसीज (Access policies)
  • अधिकृत संदर्भ स्रोत (Authoritative context sources)
  • उपलब्ध कौशल्ये (Available skills)
  • वर्कफ्लो कॅटलॉग (Workflow catalogs)
  • अज्ञात गोष्टी हाताळण्यासाठी नियम (Rules for handling unknowns)

मॉडेलकडे केवळ टूल्सचा ॲक्सेस नसतो, तर त्याच्याकडे कामाचे नियमही असतात.

यामुळे एक स्पष्ट फरक निर्माण होतो:

  • RPC-style MCP: मॉडेल काम करताना टूल्स कॉल करते.
  • Context-distribution MCP: मॉडेल काम सुरू करण्यापूर्वीच नियम प्राप्त करते.

हा दृष्टिकोन डोमेन नॉलेजला पोर्टेबल (portable) बनवतो. प्रत्येक वापरकर्त्याने लांब कागदपत्रे वाचण्याऐवजी किंवा स्थानिक प्रॉम्प्ट्स अपडेट करण्याऐवजी, एक वरिष्ठ इंजिनिअर MCP सर्व्हरवर एकदाच एक कौशल्य (skill) परिभाषित करतो.

कौशल्य परिभाषित करणारी व्यक्ती आणि कौशल्य वापरणारी व्यक्ती आता वेगळी असते.

यामुळे जुन्या किंवा कालबाह्य माहितीची (stale information) समस्या देखील सुटते. वापरकर्त्यांना नियमांची संपूर्ण रिपॉझिटरी स्थानिक पातळीवर ठेवण्याची गरज नाही. त्यांना फक्त MCP कनेक्शनची आवश्यकता आहे. अधिकृत व्याख्या सर्व्हरवरच राहतात.

RAG उत्तर देते: कोणती माहिती संबंधित असू शकते? MCP context distribution उत्तर देते: हे काम कोणत्या नियमांनुसार चालले पाहिजे?

RAG म्हणजे ज्ञान मिळवणे (retrieving knowledge) होय. MCP context distribution म्हणजे काम कसे घडते हे परिभाषित करणे होय.

AI कोणती टूल्स कॉल करू शकते हे विचारणे थांबवा. AI काम सुरू करण्यापूर्वी कोणता संदर्भ (context) लोड केला पाहिजे, हे विचारण्यास सुरुवात करा.

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

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