MCP विरुद्ध API: पारंपारिक APIs AI एजंट्ससाठी का अपयशी ठरतात

पारंपारिक APIs तुमच्या AI एजंट्सना संथ आणि महागडे बनवत आहेत.

मी REST आणि GraphQL वापरून वेब ॲप्स बनवण्यासाठी अनेक वर्षे घालवली आहेत. मला 'state' कशी हाताळायची आणि 'payloads' कसे ऑप्टिमाइझ करायचे हे माहित आहे. परंतु AI एजंट्ससाठी निर्मिती करणे वेगळे आहे.

आपण अनेकदा LLMs ला मानवी डेव्हलपर्सप्रमाणे वागवतो. आपण त्यांना एक API endpoint देतो आणि ते काम करतील अशी अपेक्षा करतो. ही एक चूक आहे.

Model Context Protocol (MCP) हे हे बदलून टाकते. हे AI कनेक्टिव्हिटीसाठी एक ओपन स्टँडर्ड आहे. जर तुम्ही LLMs ला तुमच्या टूल्सशी जोडण्यासाठी कस्टम 'glue code' लिहित असाल, तर तुम्ही 'technical debt' निर्माण करत आहात.

पारंपारिक APIs AI एजंट्ससाठी का अपयशी ठरतात:

  • The N x M Problem: जर तुमच्याकडे ५ AI frameworks आणि ५ एंटरप्राइझ टूल्स असतील, तर तुम्हाला २५ कस्टम कनेक्टर्स लिहावे लागतील. MCP याला N + M आर्किटेक्चरमध्ये रूपांतरित करते. प्रत्येक टूल एक MCP server वापरते. प्रत्येक एजंट एक MCP client वापरते.
  • Static vs Dynamic: REST APIs साठी 'hardcoded paths' आवश्यक असतात. AI एजंट्सना 'runtime' ला टूल्स शोधण्याची गरज असते. MCP एजंट्सना 'dynamic discovery' द्वारे उपलब्ध क्षमता त्वरित पाहण्याची परवानगी देते.
  • Token Waste: पारंपारिक APIs अनेकदा प्रचंड मोठे JSON payloads परत करतात. मोठे payloads पैशांचा अपव्यय करतात आणि 'latency' वाढवतात. यामुळे 'context rot' देखील होतो, जिथे मॉडेल आपले लक्ष गमावते. MCP हे LLM विंडोजसाठी ऑप्टिमाइझ केलेले डेटा परत करते.
  • Statelessness: REST हे 'stateless' आहे. AI एजंट्स विचार आणि कृतींच्या सततच्या लूपमध्ये काम करतात. MCP प्रचंड डेटा पुन्हा न पाठवता 'context' जिवंत ठेवण्यासाठी 'stateful sessions' वापरते.

MCP तीन मुख्य भागांचा वापर करते:

  • Tools: मॉडेलद्वारे घेतलेली कृती, जसे की SQL query चालवणे.
  • Resources: लॉग फाइल्स किंवा डॉक्युमेंट्ससारखा 'read-only' डेटा.
  • Prompts: मॉडेलच्या तर्काला (reasoning) मार्गदर्शन करणारे टेम्पलेट्स.

MCP तुमचा डेटाबेस किंवा तुमचा बॅकएंड बदलत नाही. तुमचा MCP server अजूनही तुमचे सध्याचे APIs कॉल करेल. MCP त्या सेवा LLM शी जोडण्यासाठी तुम्ही लिहिलेला नाजूक (brittle) कोड बदलण्याचे काम करते.

तुमच्या LLM कॉल्ससाठी JSON 'stringify' करण्यासाठी कस्टम फंक्शन्स लिहिणे थांबवा. 'agentic' भविष्यासाठी स्केलेबल असे आर्किटेक्चर तयार करा.

तुमचे काय विचार आहेत? तुम्ही आधीच MCP वापरत आहात की अजूनही कस्टम फंक्शन कॉलिंगवर अवलंबून आहात?

Source: https://dev.to/chaudharidevam/mcp-vs-api-why-traditional-apis-are-failing-ai-agents-28m8

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