ਹਰ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ChatGPT ਨੂੰ ਆਪਣੇ ਡੈਸਕਟੌਪ 'ਤੇ ਕਿਸੇ ਫਾਈਲ ਨੂੰ ਦੇਖਣ ਲਈ ਕਹਿੰਦੇ ਹੋ ਜਾਂ Claude ਨੂੰ ਆਪਣੇ ਤਾਜ਼ਾ Slack ਮੈਸੇਜ ਚੈੱਕ ਕਰਨ ਲਈ ਕਹਿੰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਇੱਕੋ ਹੀ ਰੁਕਾਵਟ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹੋ। ਇਹ AI ਮਾਡਲ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹਨ, ਪਰ ਉਹ ਇੱਕ 'ਸੈਂਡਬਾਕਸ' (sandbox) ਵਿੱਚ ਰਹਿੰਦੇ ਹਨ। ਉਹ ਤੁਹਾਡੀਆਂ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ ਨਹੀਂ ਖੋਲ੍ਹ ਸਕਦੇ, ਤੁਹਾਡੇ ਡੇਟਾਬੇਸ ਨੂੰ ਕੁਐਰੀ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਜਾਂ ਤੁਹਾਡੇ ਟੀਮ ਚੈਨਲਾਂ 'ਤੇ ਕੁਝ ਪੋਸਟ ਨਹੀਂ ਕਰ ਸਕਦੇ ਜਦੋਂ ਤੱਕ ਕੋਈ ਕਸਟਮ ਬ੍ਰਿਜ (bridge) ਨਾ ਬਣਾਵੇ। ਅਤੇ ਹਾਲ ਹੀ ਤੱਕ, ਜਿਸ ਵੀ AI ਅਸਿਸਟੈਂਟ ਦੀ ਤੁਸੀਂ ਵਰਤੋਂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਸੀ, ਉਸ ਲਈ ਉਹ ਬ੍ਰਿਜ ਦੁਬਾਰਾ ਬਣਾਉਣਾ ਪੈਂਦਾ ਸੀ।

ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਦਾ ਲਗਾਤਾਰ ਚੱਕਰਵਿਯੂ

ਇਸ ਸਮੇਂ, ਜੇਕਰ ਤੁਹਾਡੀ ਟੀਮ ਅਜਿਹਾ AI ਅਸਿਸਟੈਂਟ ਚਾਹੁੰਦੀ ਹੈ ਜੋ GitHub issues ਬਣਾ ਸਕੇ, ਤਾਂ ਤੁਹਾਨੂੰ ChatGPT ਲਈ ਇੱਕ ਕਸਟਮ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਲਿਖਣੀ ਪੈਂਦੀ ਹੈ। ਫਿਰ Claude ਲਈ ਇੱਕ ਹੋਰ। ਫਿਰ Gemini ਲਈ ਇੱਕ ਹੋਰ। ਹਰ ਇੱਕ ਦੀ ਆਪਣੀ ਥੋੜ੍ਹੀ ਵੱਖਰੀ ਬੋਲੀ (dialect) ਹੁੰਦੀ ਹੈ। ਹਰ ਇੱਕ ਨੂੰ ਆਪਣੇ ਅਥੈਂਟੀਕੇਸ਼ਨ ਲੌਜਿਕ, ਐਰਰ ਹੈਂਡਲਿੰਗ ਅਤੇ ਮੇਨਟੇਨੈਂਸ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਕੰਮ ਬਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਵਧਦਾ ਜਾਂਦਾ ਹੈ। ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਛੇ ਟੂਲ ਅਤੇ ਤਿੰਨ AI ਪਲੇਟਫਾਰਮ ਹਨ, ਤਾਂ ਤੁਸੀਂ ਸਿਰਫ਼ ਤਿੰਨ ਇੰਟੀਗ੍ਰੇਸ਼ਨਾਂ ਦੀ ਗੱਲ ਨਹੀਂ ਕਰ ਰਹੇ। ਤੁਸੀਂ ਘੱਟੋ-ਘੱਟ ਅਠਾਰਾਂ ਇੰਟੀਗ੍ਰੇਸ਼ਨਾਂ ਦੀ ਗੱਲ ਕਰ ਰਹੇ ਹੋ। ਇਹ ਸਿਰਫ਼ ਉਬਾਊ ਹੀ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਇਹ ਹਰ ਉਸ ਡਿਵੈਲਪਰ ਅਤੇ IT ਟੀਮ 'ਤੇ ਇੱਕ ਟੈਕਸ ਵਾਂਗ ਹੈ ਜੋ ਅਸਲ ਵਰਕਫਲੋਅ ਦੇ ਅੰਦਰ AI ਨੂੰ ਲਾਭਦਾਇਕ ਬਣਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੀ ਹੈ।

Model Context Protocol, ਜਾਂ MCP, ਇੱਕ ਓਪਨ ਸਟੈਂਡਰਡ ਹੈ ਜੋ ਇਸ ਦੁਹਰਾਓ ਨੂੰ ਖਤਮ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ।

ਹਰ ਟੂਲ ਲਈ ਇੱਕ ਸਿੰਗਲ ਪੋਰਟ

MCP ਨੂੰ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਇੱਕ USB-C ਪੋਰਟ ਵਾਂਗ ਸਮਝੋ। ਜਿਵੇਂ USB-C ਇੱਕ ਕੇਬਲ ਰਾਹੀਂ ਤੁਹਾਡੇ ਲੈਪਟਾਪ, ਫ਼ੋਨ ਅਤੇ ਹੈੱਡਫੋਨ ਚਾਰਜ ਕਰ ਸਕਦਾ ਹੈ, MCP ਤੁਹਾਡੇ AI ਅਸਿਸਟੈਂਟ ਨੂੰ ਬਾਹਰੀ ਟੂਲਸ ਨਾਲ ਜੁੜਨ ਲਈ ਇੱਕ ਮਿਆਰੀ ਤਰੀਕਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਤੁਸੀਂ ਕਨੈਕਸ਼ਨ ਇੱਕ ਵਾਰ ਬਣਾਉਂਦੇ ਹੋ, ਅਤੇ ਕੋਈ ਵੀ MCP-ਕੰਪੈਟਿਬਲ ਅਸਿਸਟੈਂਟ ਇਸਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦਾ ਹੈ।

ਇਹ ਪ੍ਰੋਟੋਕੋਲ ਤੁਹਾਡੇ AI ਅਤੇ ਤੁਹਾਡੇ ਟੂਲਸ ਦੇ ਵਿਚਕਾਰ ਹੁੰਦਾ ਹੈ। Claude ਦੁਆਰਾ ਸਿੱਧੇ ਤੌਰ 'ਤੇ GitHub ਨਾਲ Claude ਦੀ ਭਾਸ਼ਾ ਵਿੱਚ ਗੱਲ ਕਰਨ ਦੀ ਬਜਾਏ, Claude, MCP ਨਾਲ ਗੱਲ ਕਰਦਾ ਹੈ। MCP, GitHub ਨਾਲ ਗੱਲ ਕਰਦਾ ਹੈ। ਕੱਲ੍ਹ, ਜਦੋਂ ਤੁਸੀਂ ਕਿਸੇ ਹੋਰ ਮਾਡਲ 'ਤੇ ਜਾਣਾ ਚਾਹੁੰਦੇ ਹੋ ਜਾਂ ਦੂਜਾ ਅਸਿਸਟੈਂਟ ਜੋੜਨਾ ਚਾਹੁੰਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ GitHub ਕਨੈਕਟਰ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਣ ਦੀ ਲੋੜ ਨਹੀਂ ਪਵੇਗੀ। ਤੁਸੀਂ ਬੱਸ ਨਵੇਂ AI ਨੂੰ ਉਸੇ MCP ਸਰਵਰ ਵੱਲ ਮੋੜ ਦਿੰਦੇ ਹੋ। ਟੂਲ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਉਹੀ ਰਹਿੰਦੀ ਹੈ। AI ਬਦਲਦਾ ਹੈ।

ਇਹ ਇਸ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਪੁਰਾਣਾ ਮਾਡਲ ਤੁਹਾਨੂੰ ਇੰਟੀਗ੍ਰੇਸ਼ਨਾਂ ਨੂੰ AI ਦੇ ਸਿਰਫ਼ ਇੱਕ ਸਹਾਇਕ (accessory) ਵਜੋਂ ਦੇਖਣ ਲਈ ਮਜਬੂਰ ਕਰਦਾ ਹੈ। MCP ਉਸ ਰਿਸ਼ਤੇ ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਇੰਟੀਗ੍ਰੇਸ਼ਨਾਂ ਬੁਨਿਆਦੀ ਢਾਂਚਾ (infrastructure) ਬਣ ਜਾਂਦੀਆਂ ਹਨ, ਅਤੇ AI ਮਾਡਲ ਆ

ਮਿਆਰੀਕਰਨ (Standardization) ਸ਼ਾਇਦ ਹੀ ਕਦੇ ਸੁਰਖੀਆਂ ਬਣਦਾ ਹੈ, ਪਰ ਇਹ ਹੀ ਉਹ ਚੀਜ਼ ਹੈ ਜੋ ਇੱਕ ਗੈਜੇਟ ਨੂੰ ਬੁਨਿਆਦੀ ਢਾਂਚੇ (infrastructure) ਵਿੱਚ ਬਦਲ ਦਿੰਦੀ ਹੈ। USB-C ਤੋਂ ਪਹਿਲਾਂ, ਯਾਤਰੀ ਹਰ ਡਿਵਾਈਸ ਲਈ ਵੱਖ-ਵੱਖ ਕੇਬਲਾਂ ਲੈ ਕੇ ਚੱਲਦੇ ਸਨ। ਸਾਂਝੇ ਨੈੱਟਵਰਕਿੰਗ ਮਿਆਰਾਂ ਤੋਂ ਪਹਿਲਾਂ, ਸਿਸਟਮ ਇੱਕ ਦੂਜੇ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਲਈ ਸੰਘਰਸ਼ ਕਰਦੇ ਸਨ। MCP ਇਹੀ ਤਰਕ AI context 'ਤੇ ਲਾਗੂ ਕਰਦਾ ਹੈ। ਇਹ intelligence layer ਨੂੰ tool layer ਤੋਂ ਵੱਖ ਕਰਦਾ ਹੈ, ਤਾਂ ਜੋ ਤੁਸੀਂ ਆਪਣੇ workflows ਨੂੰ ਬਿਨਾਂ ਖ਼ਰਾਬ ਕੀਤੇ ਆਪਣੇ models ਨੂੰ ਅੱਪਗ੍ਰੇਡ ਕਰ ਸਕੋ।

ਨਿਚੋੜ

AI tools ਵਿਕਸਿਤ ਹੁੰਦੇ ਰਹਿਣਗੇ। ਨਵੇਂ models ਨਿਯਮਤ ਰੂਪ ਵਿੱਚ ਆਉਂਦੇ ਰਹਿਣਗੇ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਦੀਆਂ ਆਪਣੀਆਂ ਵੱਖਰੀਆਂ ਖੂਬੀਆਂ ਹੋਣਗੀਆਂ। ਕਿਸੇ ਵੀ ਟੀਮ ਨੂੰ ਸਭ ਤੋਂ ਘੱਟ ਚਾਹੀਦੀ ਚੀਜ਼ ਇਹ ਹੈ ਕਿ ਹਰ ਵਾਰ ਇੱਕ ਬਿਹਤਰ large language model ਆਉਣ 'ਤੇ ਉਹਨਾਂ ਨੂੰ ਆਪਣਾ ਪੂਰਾ stack ਦੁਬਾਰਾ ਤਿਆਰ ਕਰਨਾ ਪਵੇ। MCP ਉਸ ਚੱਕਰ ਤੋਂ ਨਿਕਲਣ ਦਾ ਇੱਕ ਰਸਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। tool integrations ਨੂੰ proprietary accessories ਦੀ ਬਜਾਏ universal ports ਵਜੋਂ ਮੰਨ ਕੇ, ਇਹ ਤੁਹਾਨੂੰ ਹੇਠਲੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਨੂੰ ਛੇੜੇ ਬਿਨਾਂ ਸਭ ਤੋਂ ਵਧੀਆ ਉਪਲਬਧ intelligence ਨੂੰ ਜੋੜਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਇਹ ਸਿਰਫ਼ ਸਹੂਲਤ ਨਹੀਂ ਹੈ। ਇਹ ਉਹ ਤਰੀਕਾ ਹੈ ਜਿਸ ਨਾਲ AI ਅੰਤ ਵਿੱਚ ਇੱਕ ਹੋਰ integration project ਬਣਨ ਦੀ ਬਜਾਏ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਬਣ ਜਾਂਦਾ ਹੈ।

ਉਹਨਾਂ ਪਾਠਕਾਂ ਲਈ ਜੋ protocol specification ਅਤੇ ਸ਼ੁਰੂਆਤੀ implementations ਬਾਰੇ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹਨ, ਤੁਸੀਂ ਇੱਥੇ ਇੱਕ ਵਿਸਤ੍ਰਿਤ ਤਕਨੀਕੀ ਜਾਣਕਾਰੀ ਲੱਭ ਸਕਦੇ ਹੋ: Model Context Protocol: The Universal Bridge Between AI and External Tools। ਜੇਕਰ ਤੁਸੀਂ MCP ਨੂੰ production ਵਿੱਚ ਅਜ਼ਮਾ ਰਹੇ ਮਾਹਰਾਂ ਦੇ ਭਾਈਚਾਰੇ ਦੇ ਨਾਲ ਸਿੱਖਣਾ ਪਸੰਦ ਕਰਦੇ ਹੋ, ਤਾਂ GyaanSetu AI Telegram channel 'ਤੇ ਸ਼ਾਮਲ ਹੋਵੋ।