MCP полезнее как средство распределения контекста, а не как RPC

Большинство людей говорят о Model Context Protocol (MCP) в контексте вызова инструментов (tool calling).

Его воспринимают как способ, позволяющий ИИ вызывать внешние инструменты. ИИ читает issue в GitHub или загружает файл. Из-за этого MCP кажется RPC-слоем для агентов.

Это полезно, но это не самый важный сценарий использования.

Настоящая мощь MCP заключается в распределении контекста. Он может передавать правила, навыки и контракты ИИ-клиентам.

RAG помогает ответить на один вопрос: какая информация релевантна? RAG находит документы и передает их модели.

Но командам нужно нечто большее, чем просто информация. Командам нужны правила.

Команде нужно знать:

  • Какой источник является авторитетным?
  • Когда ИИ должен остановиться?
  • Когда требуется подтверждение человека?
  • Какой рабочий процесс применим к этой задаче?
  • Какие данные должны быть зафиксированы?

RAG извлекает документы, описывающие эти правила, но документ — это всего лишь контекст. Многие команды пытаются решить эту проблему с помощью промптов. Они пишут инструкции вроде «следуй нашим правилам кодирования».

Это не масштабируется. У каждого разработчика свой локальный промпт. Качество работы зависит от человека, использующего ИИ. Это не командная система.

MCP меняет это. Вместо того чтобы просто вызывать инструменты в процессе работы, ИИ может получить правила работы еще до её начала.

В начале сессии ИИ-клиент вызывает функцию запуска (startup function). Эта функция возвращает:

  • Политики доступа
  • Авторитетные источники контекста
  • Доступные навыки
  • Каталоги рабочих процессов
  • Правила обработки неизвестных данных

У модели есть не просто доступ к инструментам. У неё есть правила работы.

Это создает четкое различие:

  • MCP в стиле RPC: модель вызывает инструменты во время работы.
  • MCP для распределения контекста: модель получает правила перед началом работы.

Такой подход делает предметные знания переносимыми. Вместо того чтобы каждый пользователь читал длинные документы или обновлял локальные промпты, ведущий инженер один раз определяет навык на MCP-сервере.

Теперь человек, определяющий навык, и человек, использующий его, — это разные люди.

Это также решает проблему устаревшей информации. Пользователям не нужно хранить полный репозиторий правил локально. Им нужно только MCP-соединение. Авторитетные определения остаются на сервере.

RAG отвечает: какая информация может быть релевантной? Распределение контекста через MCP отвечает: какие правила должны регулировать эту работу?

RAG — это извлечение знаний. Распределение контекста через MCP — это определение того, как происходит работа.

Перестаньте спрашивать, какие инструменты может вызывать ИИ. Начните спрашивать, какой контекст ИИ должен загрузить перед началом работы.

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

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