MCP ਬਨਾਮ API: ਰਵਾਇਤੀ APIs AI Agents ਲਈ ਕਿਉਂ ਅਸਫਲ ਰਹਿੰਦੇ ਹਨ

ਰਵਾਇਤੀ APIs ਤੁਹਾਡੇ AI agents ਨੂੰ ਸੁਸਤ ਅਤੇ ਮਹਿੰਗੇ ਬਣਾ ਰਹੇ ਹਨ।

ਮੈਂ REST ਅਤੇ GraphQL ਨਾਲ ਵੈੱਬ ਐਪਸ ਬਣਾਉਣ ਵਿੱਚ ਸਾਲ ਬਿਤਾਏ ਹਨ। ਮੈਂ ਜਾਣਦਾ ਹਾਂ ਕਿ ਸਟੇਟ (state) ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਣਾ ਹੈ ਅਤੇ ਪੇਲੋਡ (payloads) ਨੂੰ ਕਿਵੇਂ ਅਨੁਕੂਲਿਤ ਕਰਨਾ ਹੈ। ਪਰ AI agents ਲਈ ਬਣਾਉਣਾ ਵੱਖਰਾ ਹੈ।

ਅਸੀਂ ਅਕਸਰ LLMs ਨਾਲ ਮਨੁੱਖੀ ਡਿਵੈਲਪਰਾਂ ਵਾਂਗ ਸਲੂਕ ਕਰਦੇ ਹਾਂ। ਅਸੀਂ ਉਹਨਾਂ ਨੂੰ ਇੱਕ API endpoint ਦਿੰਦੇ ਹਾਂ ਅਤੇ ਉਮੀਦ ਕਰਦੇ ਹਾਂ ਕਿ ਉਹ ਕੰਮ ਕਰਨਗੇ। ਇਹ ਇੱਕ ਗਲਤੀ ਹੈ।

Model Context Protocol (MCP) ਇਸ ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਇਹ AI ਕਨੈਕਟੀਵਿਟੀ ਲਈ ਇੱਕ ਖੁੱਲ੍ਹਾ ਮਿਆਰ (open standard) ਹੈ। ਜੇਕਰ ਤੁਸੀਂ LLMs ਨੂੰ ਆਪਣੇ ਟੂਲਜ਼ ਨਾਲ ਜੋੜਨ ਲਈ ਕਸਟਮ ਗਲੂ ਕੋਡ (glue code) ਲਿਖਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਤਕਨੀਕੀ ਕਰਜ਼ਾ (technical debt) ਪੈਦਾ ਕਰ ਰਹੇ ਹੋ।

ਰਵਾਇਤੀ APIs AI agents ਲਈ ਕਿਉਂ ਅਸਫਲ ਰਹਿੰਦੇ ਹਨ:

  • N x M ਦੀ ਸਮੱਸਿਆ: ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ 5 AI frameworks ਅਤੇ 5 enterprise tools ਹਨ, ਤਾਂ ਤੁਹਾਨੂੰ 25 ਕਸਟਮ ਕਨੈਕਟਰ ਲਿਖਣੇ ਪੈਣਗੇ। MCP ਇਸ ਨੂੰ N + M ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਹਰ ਟੂਲ ਇੱਕ MCP server ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਹਰ agent ਇੱਕ MCP client ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
  • ਸਟੈਟਿਕ ਬਨਾਮ ਡਾਇਨਾਮਿਕ: REST APIs ਲਈ ਹਾਰਡਕੋਡਡ (hardcoded) ਪਾਥਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। AI agents ਨੂੰ runtime 'ਤੇ ਟੂਲਜ਼ ਲੱਭਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। MCP agents ਨੂੰ ਡਾਇਨਾਮਿਕ ਖੋਜ (dynamic discovery) ਰਾਹੀਂ ਤੁਰੰਤ ਉਪਲਬਧ ਸਮਰੱਥਾਵਾਂ ਦੇਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।
  • ਟੋਕਨ ਦੀ ਬਰਬਾਦੀ: ਰਵਾਇਤੀ APIs ਅਕਸਰ ਵੱਡੇ JSON payloads ਵਾਪਸ ਕਰਦੇ ਹਨ। ਵੱਡੇ payloads ਪੈਸੇ ਬਰਬਾਦ ਕਰਦੇ ਹਨ ਅਤੇ ਲੇਟੈਂਸੀ (latency) ਵਧਾਉਂਦੇ ਹਨ। ਉਹ 'context rot' ਦਾ ਕਾਰਨ ਵੀ ਬਣਦੇ ਹਨ ਜਿੱਥੇ ਮਾਡਲ ਆਪਣਾ ਫੋਕਸ ਗੁਆ ਲੈਂਦਾ ਹੈ। MCP LLM windows ਲਈ ਅਨੁਕੂਲਿਤ (optimized) ਡਾਟਾ ਵਾਪਸ ਕਰਦਾ ਹੈ।
  • ਸਟੇਟਲੈੱਸਨੈੱਸ (Statelessness): REST ਸਟੇਟਲੈੱਸ ਹੈ। AI agents ਵਿਚਾਰ ਅਤੇ ਕਾਰਵਾਈ ਦੇ ਇੱਕ ਨਿਰੰਤਰ ਲੂਪ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ। MCP ਵੱਡੇ ਡਾਟਾ ਨੂੰ ਦੁਬਾਰਾ ਭੇਜਣ ਦੀ ਬਿਨਾਂ context ਨੂੰ ਜਿਉਂਦਾ ਰੱਖਣ ਲਈ stateful sessions ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

MCP ਤਿੰਨ ਮੁੱਖ ਹਿੱਸਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ:

  • Tools: ਉਹ ਕਾਰਵਾਈਆਂ ਜੋ ਮਾਡਲ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ SQL query ਚਲਾਉਣਾ।
  • Resources: ਸਿਰਫ਼ ਪੜ੍ਹਨਯੋਗ (read-only) ਡਾਟਾ ਜਿਵੇਂ ਕਿ log files ਜਾਂ docs।
  • Prompts: ਟੈਂਪਲੇਟਸ ਜੋ ਮਾਡਲ ਦੀ ਤਰਕ ਸ਼ਕਤੀ (reasoning) ਦਾ ਮਾਰਗਦਰਸ਼ਨ ਕਰਦੇ ਹਨ।

MCP ਤੁਹਾਡੇ ਡਾਟਾਬੇਸ ਜਾਂ ਬੈਕਐਂਡ (backend) ਨੂੰ ਨਹੀਂ ਬਦਲਦਾ। ਤੁਹਾਡਾ MCP server ਅਜੇ ਵੀ ਤੁਹਾਡੀਆਂ ਮੌਜੂਦਾ APIs ਨੂੰ ਕਾਲ ਕਰੇਗਾ। MCP ਉਸ ਕੱਚੇ ਕੋਡ (brittle code) ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਉਹਨਾਂ ਸੇਵਾਵਾਂ ਨੂੰ LLM ਨਾਲ ਜੋੜਨ ਲਈ ਲਿਖਦੇ ਹੋ।

ਆਪਣੇ LLM calls ਲਈ JSON ਨੂੰ stringify ਕਰਨ ਲਈ ਕਸਟਮ ਫੰਕਸ਼ਨ ਲਿਖਣਾ ਬੰਦ ਕਰੋ। ਇੱਕ ਅਜਿਹਾ ਆਰਕੀਟੈਕਚਰ ਬਣਾਓ ਜੋ agentic ਭਵਿੱਖ ਲਈ ਵਿਸਤਾਰ (scale) ਕਰ ਸਕੇ।

ਤੁਹਾਡੇ ਕੀ ਵਿਚਾਰ ਹਨ? ਕੀ ਤੁਸੀਂ ਅਜੇ MCP ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ ਜਾਂ ਕਸਟਮ ਫੰਕਸ਼ਨ ਕਾਲਿੰਗ (custom function calling) ਨਾਲ ਹੀ ਜੁੜੇ ਹੋਏ ਹੋ?

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

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