MCP ਬਨਾਮ API: ਰਵਾਇਤੀ API AI Agents ਨੂੰ ਕਿਉਂ ਅਸਫਲ ਕਰਦੇ ਹਨ

ਰਵਾਇਤੀ API AI agents ਨੂੰ ਅਸਫਲ ਕਰਦੇ ਹਨ।

ਸਾਲਾਂ ਤੋਂ, developers ਨੇ REST ਅਤੇ GraphQL ਦੀ ਵਰਤੋਂ ਕਰਕੇ web apps ਬਣਾਏ ਹਨ। ਇਹ tools ਇਨਸਾਨਾਂ ਲਈ ਵਧੀਆ ਕੰਮ ਕਰਦੇ ਹਨ। ਇਹ deterministic code ਲਈ ਵਧੀਆ ਕੰਮ ਕਰਦੇ ਹਨ। ਪਰ AI agents ਵੱਖਰੇ ਹਨ। ਉਹ intent ਅਤੇ reasoning 'ਤੇ ਕੰਮ ਕਰਦੇ ਹਨ।

ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ LLM ਨਾਲ ਇੱਕ ਮਨੁੱਖੀ developer ਵਾਂਗ ਸੋਚਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਗਲਤੀ ਕਰ ਰਹੇ ਹੋ। ਇਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਤੁਹਾਡੇ ਕੋਲ ਹੌਲੀ, ਮਹਿੰਗੇ ਅਤੇ ਅਸਥਿਰ (brittle) ਸਿਸਟਮ ਬਣ ਜਾਂਦੇ ਹਨ।

Model Context Protocol (MCP) ਇਸ ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਇਹ AI connectivity ਲਈ ਇੱਕ open standard ਹੈ।

ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਦੀ ਸਮੱਸਿਆ ਜਦੋਂ ਤੁਸੀਂ ਰਵਾਇਤੀ APIs ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ AI ਨੂੰ ਪੰਜ ਵੱਖ-ਵੱਖ tools ਨਾਲ ਜੋੜਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਪੱਚੀ (25) custom connectors ਲਿਖਣੇ ਪੈਂਦੇ ਹਨ। ਇਹ ਇੱਕ N x M ਸਮੱਸਿਆ ਹੈ। ਇਹ ਭਾਰੀ technical debt ਪੈਦਾ ਕਰਦੀ ਹੈ।

MCP ਇਸ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ N + M architecture ਬਣਾਉਂਦਾ ਹੈ। ਹਰ tool ਇੱਕ MCP server ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਹਰ agent ਇੱਕ MCP client ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ LLMs ਲਈ ਇੱਕ universal adapter ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ।

ਤਿੰਨ ਕਾਰਨ ਕਿਉਂ MCP, AI ਲਈ REST ਨਾਲੋਂ ਬਿਹਤਰ ਹੈ:

  1. Dynamic Discovery REST ਵਿੱਚ, ਤੁਹਾਨੂੰ endpoints ਨੂੰ hardcode ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ endpoint ਬਦਲਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਆਪਣੇ code ਅਤੇ prompts ਨੂੰ update ਕਰਨਾ ਪੈਂਦਾ ਹੈ। MCP dynamic discovery ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। Agent server ਨੂੰ ਪੁੱਛਦਾ ਹੈ ਕਿ ਉਹ ਕੀ ਕਰ ਸਕਦਾ ਹੈ। Server tools ਅਤੇ capabilities ਦੀ ਇੱਕ ਸੂਚੀ ਨਾਲ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। Agent ਤੁਰੰਤ (on the fly) ਸਿੱਖ ਜਾਂਦਾ ਹੈ।

  2. Token Efficiency ਰਵਾਇਤੀ APIs ਅਕਸਰ ਵੱਡੇ JSON payloads ਭੇਜਦੇ ਹਨ। AI ਦੀ ਦੁਨੀਆ ਵਿੱਚ, tokens ਲਈ ਪੈਸੇ ਖਰਚੇ ਜਾਂਦੇ ਹਨ। ਵਾਧੂ (bloated) ਡੇਟਾ ਕਾਰਨ latency ਅਤੇ context rot ਹੁੰਦਾ ਹੈ। ਜਦੋਂ LLMs ਬਹੁਤ ਜ਼ਿਆਦਾ ਗੈਰ-ਜ਼ਰੂਰੀ metadata ਦੇਖਦੇ ਹਨ, ਤਾਂ ਉਹ ਆਪਣਾ ਫੋਕਸ ਗੁਆ ਲੈਂਦੇ ਹਨ। MCP servers LLM context windows ਲਈ optimized ਡੇਟਾ ਵਾਪਸ ਕਰਦੇ ਹਨ।

  3. Stateful Sessions REST stateless ਹੁੰਦਾ ਹੈ। AI agents ਨੂੰ ਵਿਚਾਰ (thought) ਅਤੇ ਕਾਰਵਾਈ (action) ਦੇ ਇੱਕ ਨਿਰੰਤਰ ਲੂਪ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। MCP JSON-RPC 2.0 ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ stateful negotiations ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਵੱਡੇ payloads ਨੂੰ ਦੁਬਾਰਾ ਭੇਜੇ ਬਿਨਾਂ actions ਦੇ ਦੌਰਾਨ context ਜਿਉਂਦਾ ਰਹਿੰਦਾ ਹੈ।

MCP ਤਿੰਨ ਮੁੱਖ ਹਿੱਸਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ:

  • Tools: ਉਹ ਕਾਰਵਾਈਆਂ (actions) ਜੋ model ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ SQL query ਚਲਾਉਣਾ।
  • Resources: Read-only ਡੇਟਾ ਜਿਵੇਂ ਕਿ log files ਜਾਂ docs।
  • Prompts: Model ਦੀ reasoning ਨੂੰ ਅਗਵਾਈ ਦੇਣ ਲਈ templates।

MCP ਤੁਹਾਡੇ database ਜਾਂ ਤੁਹਾਡੀਆਂ ਮੌਜੂਦਾ APIs ਨੂੰ ਬਦਲਦਾ ਨਹੀਂ ਹੈ। ਇਹ ਉਸ ਅਸਥਿਰ (brittle) glue code ਨੂੰ ਬਦਲਦਾ ਹੈ ਜੋ ਤੁਸੀਂ ਉਹਨਾਂ services ਨੂੰ ਇੱਕ LLM ਨਾਲ ਜੋੜਨ ਲਈ ਲਿਖਦੇ ਹੋ।

ਆਪਣੇ AI ਲਈ JSON ਨੂੰ stringify ਕਰਨ ਲਈ custom functions ਬਣਾਉਣਾ ਬੰਦ ਕਰੋ। ਅਜਿਹੇ architectures ਬਣਾਉਣਾ ਸ਼ੁਰੂ ਕਰੋ ਜੋ scale ਹੋ ਸਕਣ।

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