Title: AI ਦਾ USB C: ਆਪਣਾ ਖੁਦ ਦਾ MCP

Anthropic ਨੇ Model Context Protocol (MCP) ਨੂੰ open-source ਕਰ ਦਿੱਤਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ plug-in standard ਹੈ ਜੋ ਕਿਸੇ ਵੀ AI agent ਨੂੰ ਇੱਕੋ ਇੱਕ, ਇੱਕਸਾਰ interface ਰਾਹੀਂ databases, monitoring tools, code repositories ਅਤੇ ਹੋਰਾਂ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। Developers ਹੁਣ ਕੁਝ ਵਿਸ਼ੇਸ਼ connectors ਦੀ ਜਗ੍ਹਾ ਇੱਕ MCP server ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਹਰ ਅਨੁਕੂਲ (compatible) client ਨੂੰ ਤੁਰੰਤ ਇੱਕੋ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ।

AI-app developers ਨੂੰ ਇੱਕ ਸਾਂਝੇ “USB-C” ਦੀ ਲੋੜ ਕਿਉਂ ਹੈ

ਅੱਜ AI-powered workflow ਬਣਾਉਣਾ ਅਜਿਹਾ ਲੱਗਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਕਸਟਮ ਕੋਡ ਨੂੰ ਆਪਸ ਵਿੱਚ ਜੋੜਨਾ ਹੋਵੇ। ਕੀ ਤੁਸੀਂ ਚਾਹੁੰਦੇ ਹੋ ਕਿ Claude, ਇੱਕ Python script, ਜਾਂ ਕੋਈ third-party editor PostgreSQL ਤੋਂ ਡੇਟਾ ਪੜ੍ਹੇ, Datadog dashboard ਨੂੰ query ਕਰੇ, ਜਾਂ GitHub issue ਖੋਲ੍ਹੇ? ਤੁਹਾਨੂੰ ਹਰ ਵਾਰ ਇੱਕ ਨਵਾਂ integration layer ਲਿਖਣਾ ਪੈਂਦਾ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ stack ਵਧਦਾ ਹੈ, ਇਹ ਮਿਹਨਤ ਵਧਦੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ glue code ਨੂੰ ਬਣਾਈ ਰੱਖਣਾ, ਟੈਸਟ ਕਰਨਾ ਅਤੇ ਸੁਰੱਖਿਅਤ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ।

MCP ਉਸ ਚੱਕਰ ਨੂੰ ਰੋਕਦਾ ਹੈ। ਇਹ resources (read-only ਡੇਟਾ ਜਿਵੇਂ ਕਿ logs ਜਾਂ API specs), tools (ਕਾਰਵਾਈਆਂ ਜੋ ਇੱਕ agent ਕਰ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ SQL ਚਲਾਉਣਾ ਜਾਂ tickets ਬਣਾਉਣਾ), ਅਤੇ prompts (templates ਜੋ ਇਹ ਨਿਰਦੇਸ਼ ਦਿੰਦੇ ਹਨ ਕਿ AI ਨੂੰ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ) ਨੂੰ ਪ੍ਰਗਟ ਕਰਨ ਲਈ ਇੱਕ ਸਿੰਗਲ protocol ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ। ਕੋਈ ਵੀ compliant client ਵੱਖ-ਵੱਖ ਸੇਵਾਵਾਂ ਨਾਲ ਇਸ ਤਰ੍ਹਾਂ ਪੇਸ਼ ਆਉਂਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਉਹ ਇੱਕੋ ਪੋਰਟ ਵਿੱਚ ਲੱਗੇ ਹੋਣ।

Protocol ਦੀ ਬਣਤਰ ਕਿਵੇਂ ਹੈ

  • MCP Hosts – ਉਹ ਐਪਲੀਕੇਸ਼ਨਾਂ ਜੋ AI ਨੂੰ ਇਨਬੈਡ (embed) ਕਰਦੀਆਂ ਹਨ, ਉਦਾਹਰਨ ਲਈ Claude Desktop ਜਾਂ ਕੋਈ code-assistant editor।
  • MCP Clients – ਇੱਕ host ਦੇ ਅੰਦਰ ਪਤਲੀਆਂ ਪਰਤਾਂ (thin layers) ਜੋ handshake ਨੂੰ ਸੰਭਾਲਦੀਆਂ ਹਨ ਅਤੇ requests ਨੂੰ ਰੂਟ ਕਰਦੀਆਂ ਹਨ।
  • MCP Servers – ਹਲਕੇ ਪ੍ਰੋਗਰਾਮ ਜੋ ਇੱਕ ਖਾਸ ਡੇਟਾ ਸੋਰਸ ਜਾਂ ਸੇਵਾ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ SQLite ਫਾਈਲ, Slack workspace, ਜਾਂ ਕੋਈ monitoring endpoint।

ਜਦੋਂ ਕੋਈ AI ਕਨੈਕਟ ਹੁੰਦਾ ਹੈ, ਤਾਂ client ਸਰਵਰ ਦੇ resources, tools ਅਤੇ prompts ਦੇ ਕੈਟਾਲਾਗ ਦੀ ਖੋਜ ਕਰਦਾ ਹੈ। ਫਿਰ agent ਅਜਿਹੀਆਂ calls ਕਰਦਾ ਹੈ ਜੋ ਬਿਲਕੁਲ ਇੱਕੋ ਜਿਹੀਆਂ ਲੱਗਦੀਆਂ ਹਨ, ਚਾਹੇ ਅੰਡਰਲਾਇੰਗ ਸੇਵਾ ਇੱਕ relational database ਹੋਵੇ ਜਾਂ ticketing system। ਸਰਵਰ ਉਹਨਾਂ calls ਨੂੰ ਉਚਿਤ API ਜਾਂ query language ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ ਅਤੇ ਨਤੀਜੇ ਅਜਿਹੇ format ਵਿੱਚ ਵਾਪਸ ਕਰਦਾ ਹੈ ਜਿਸਦੀ ਵਰਤੋਂ agent ਕਰ ਸਕਦਾ ਹੈ।

ਇੱਕ ਵਿਵਹਾਰਕ workflow

ਕਲਪਨਾ ਕਰੋ ਇੱਕ developer ਦੀ ਜੋ MCP ਰਾਹੀਂ ਇੱਕ PostgreSQL server ਅਤੇ ਇੱਕ Datadog monitoring endpoint ਨੂੰ AI assistant ਨਾਲ ਜੋੜਦਾ ਹੈ। Developer assistant ਨੂੰ ਹਾਲ ਹੀ ਵਿੱਚ ਆਏ error spikes ਲੱਭਣ, database ਤੋਂ ਸੰਬੰਧਿਤ user records ਕੱਢਣ, ਅਤੇ code fix ਸੁਝਾਉਣ ਲਈ ਕਹਿੰਦਾ ਹੈ। AI:

  1. MCP-exposed monitoring tool ਰਾਹੀਂ Datadog ਨੂੰ query ਕਰਦਾ ਹੈ ਅਤੇ relevant logs ਕੱਢਦਾ ਹੈ।
  2. MCP-ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ database tool ਦੀ ਵਰਤੋਂ ਕਰਕੇ PostgreSQL server 'ਤੇ SQL query ਚਲਾਉਂਦਾ ਹੈ।
  3. ਇੱਕ prompt ਤੋਂ patch ਤਿਆਰ ਕਰਦਾ ਹੈ ਜੋ ਦੇਖੇ ਗਏ error pattern ਲਈ fix ਦੇ ਆਮ ਢਾਂਚੇ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ।

ਇਹ ਤਿੰਨੋਂ ਕਦਮ ਇੱਕੋ protocol ਰਾਹੀਂ ਹੁੰਦੇ ਹਨ, ਬਿਨਾਂ developer ਦੇ ਹਰ ਸੇਵਾ ਲਈ ਵੱਖਰੇ adapters ਲਿਖੇ।

MCP server ਬਣਾਉਣਾ

Anthropic ਦੀ reference implementation ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਇੱਕ server ਨੂੰ TypeScript ਜਾਂ Python ਵਰਗੀਆਂ ਜਾਣੀ-ਪਛਾਣੀ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਲਿਖਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਪ੍ਰਕਿਰਿਆ ਇਹਨਾਂ ਤਿੰਨ ਚੀਜ਼ਾਂ ਤੱਕ ਸੀਮਤ ਹੈ:

  1. ਉਹਨਾਂ resources ਨੂੰ ਘੋਸ਼ਿਤ ਕਰਨਾ ਜੋ server ਪ੍ਰਗਟ ਕਰੇਗਾ (ਜਿਵੇਂ ਕਿ tables ਦਾ ਇੱਕ ਸਮੂਹ, log files ਦਾ ਇੱਕ ਸੰਗ੍ਰਹਿ)।
  2. ਉਹਨਾਂ tools ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ ਜਿਨ੍ਹਾਂ ਨੂੰ AI invoke ਕਰ ਸਕਦਾ ਹੈ (SQL execution, HTTP POST, file write)।
  3. ਕੋਈ ਵੀ prompt templates ਪ੍ਰਦਾਨ ਕਰਨਾ ਜੋ AI ਨੂੰ ਉਸਦੀਆਂ requests ਨੂੰ format ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।

ਇੱਕ ਵਾਰ server ਚੱਲਣ ਤੋਂ ਬਾਅਦ, ਕੋਈ ਵੀ MCP-compatible client ਇਸਨੂੰ ਆਪਣੇ ਆਪ ਲੱਭ ਲੈਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਨਵਾਂ data source ਸੰਸਥਾ ਦੇ AI tools ਵਿੱਚ ਤੁਰੰਤ ਵਰਤੋਂ ਯੋਗ ਬਣ ਜਾਂਦਾ ਹੈ।

ਸਿੱਖਿਆ (Takeaway)

Model Context Protocol AI agents ਲਈ ਇੱਕ ਸਿੰਗਲ “USB-C” ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜੋ custom connectors ਦੇ ਉਲਝੇ ਹੋਏ ਜਾਲ ਨੂੰ ਇੱਕ plug-and-play ecosystem ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ। Glue code ਲਿਖ ਕੇ ਥੱਕੀਆਂ ਹੋਈਆਂ ਟੀਮਾਂ ਅੱਜ ਹੀ MCP ਨੂੰ ਟੈਸਟ ਕਰ ਸਕਦੀਆਂ ਹਨ ਅਤੇ ਇੱਕ ਵਿਵਹਾਰਕ ਸ਼ਾਰਟਕੱਟ ਨੂੰ ਅਮਲੀ ਰੂਪ ਵਿੱਚ ਦੇਖ ਸਕਦੀਆਂ ਹਨ।