MCP jest bardziej użyteczny jako dystrybucja kontekstu niż jako RPC

Większość osób mówi o Model Context Protocol (MCP) w kontekście wywoływania narzędzi (tool calling).

Postrzegają go jako sposób na to, aby AI mogło wywoływać zewnętrzne narzędzia. AI czyta zgłoszenie w GitHubie lub pobiera plik. To sprawia, że MCP wygląda jak warstwa RPC dla agentów.

Jest to użyteczne, ale nie jest to najważniejszy przypadek użycia.

Prawdziwa moc MCP tkwi w dystrybucji kontekstu. Może on dystrybuować reguły, umiejętności i kontrakty do klientów AI.

RAG pomaga odpowiedzieć na jedno pytanie: Jakie informacje są istotne? RAG znajduje dokumenty i przekazuje je modelowi.

Ale zespoły potrzebują czegoś więcej niż tylko informacji. Zespoły potrzebują reguł.

Zespół musi wiedzieć:

  • Co jest wiarygodnym źródłem?
  • Kiedy AI powinno przestać?
  • Kiedy wymagane jest potwierdzenie przez człowieka?
  • Jaki workflow ma zastosowanie w tym zadaniu?
  • Jakie dowody muszą zostać zarejestrowane?

RAG pobiera dokumenty opisujące te reguły, ale dokument to tylko kontekst. Wiele zespołów próbuje rozwiązać ten problem za pomocą promptów. Piszą instrukcje typu „przestrzegaj naszych zasad kodowania”.

To rozwiązanie nie skaluje się. Każdy programista ma inny lokalny prompt. Jakość pracy zależy od osoby korzystającej z AI. To nie jest system zespołowy.

MCP to zmienia. Zamiast tylko wywoływać narzędzia podczas pracy, AI może otrzymać reguły pracy, zanim jeszcze zacznie.

Na początku sesji klient AI wywołuje funkcję startową (startup function). Ta funkcja zwraca:

  • Polityki dostępu
  • Wiarygodne źródła kontekstu
  • Dostępne umiejętności
  • Katalogi workflow
  • Reguły obsługi nieznanych elementów

Model nie ma tylko dostępu do narzędzi. Ma reguły pracy.

Tworzy to wyraźną różnicę:

  • MCP w stylu RPC: Model wywołuje narzędzia podczas pracy.
  • MCP w stylu dystrybucji kontekstu: Model otrzymuje reguły przed rozpoczęciem pracy.

Takie podejście sprawia, że wiedza domenowa staje się przenośna. Zamiast zmuszać każdego użytkownika do czytania długich dokumentów lub aktualizowania lokalnych promptów, starszy inżynier (senior engineer) definiuje umiejętność raz na serwerze MCP.

Osoba definiująca umiejętność i osoba z niej korzystająca są teraz od siebie oddzielone.

Rozwiązuje to również problem nieaktualnych informacji. Użytkownicy nie muszą lokalnie przechowywać pełnego repozytorium reguł. Potrzebują jedynie połączenia MCP. Wiarygodne definicje pozostają na serwerze.

RAG odpowiada na pytanie: Jakie informacje mogą być istotne? Dystrybucja kontekstu przez MCP odpowiada na pytanie: Jakie reguły muszą rządzić tą pracą?

RAG polega na pobieraniu wiedzy. Dystrybucja kontekstu przez MCP polega na definiowaniu sposobu wykonywania pracy.

Przestań pytać, jakie narzędzia może wywołać AI. Zacznij pytać, jaki kontekst AI musi załadować przed rozpoczęciem pracy.

Source: https://dev.to/synthaicode_commander/mcp-is-more-useful-as-context-distribution-than-as-rpc-ai4

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