தலைப்பு: AI-ன் USB-C: உங்கள் சொந்த MCP-ஐ உருவாக்குங்கள்

Anthropic, Model Context Protocol (MCP)-ஐ ஓப்பன் சோர்ஸ் (open-source) செய்துள்ளது. இது ஒரு பிளக்-இன் தரநிலை (plug-in standard) ஆகும், இது எந்தவொரு AI ஏஜென்ட்டும் தரவுத்தளங்கள் (databases), கண்காணிப்பு கருவிகள் (monitoring tools), குறியீடு களஞ்சியங்கள் (code repositories) மற்றும் பலவற்றோடு ஒரே சீரான இடைமுகம் (single, uniform interface) மூலம் உரையாட அனுமதிக்கிறது. டெவலப்பர்கள் இப்போது பல தனிப்பயனாக்கப்பட்ட இணைப்பிகளுக்கு (bespoke connectors) பதிலாக ஒரே ஒரு MCP சர்வரைப் பயன்படுத்தலாம், மேலும் அனைத்து இணக்கமான கிளையன்ட்களும் (compatible clients) உடனடியாக ஒரே தரவை அணுக அனுமதிக்கலாம்.

ஏன் AI-பயன்பாட்டு உருவாக்குநர்களுக்கு (AI-app developers) ஒரு பொதுவான “USB-C” தேவைப்படுகிறது?

இன்று AI-ஆல் இயங்கும் பணிப்பாய்வை (workflow) உருவாக்குவது, தனிப்பயனாக்கப்பட்ட குறியீடுகளைத் தைப்பது போலத் தோன்றுகிறது. Claude, ஒரு Python ஸ்கிரிப்ட் அல்லது ஒரு மூன்றாம் தரப்பு எடிட்டர் ஆகியவை PostgreSQL-லிருந்து தரவைப் படிக்க வேண்டுமா, Datadog டேஷ்போர்டில் வினவல் (query) செய்ய வேண்டுமா அல்லது ஒரு GitHub சிக்கலை (issue) திறக்க வேண்டுமா? ஒவ்வொரு முறையும் நீங்கள் ஒரு புதிய ஒருங்கிணைப்பு அடுக்கை (integration layer) எழுத வேண்டியிருக்கும். தொழில்நுட்ப அடுக்கு (stack) வளர வளர இந்த முயற்சி பெருமளவில் அதிகரிக்கிறது, மேலும் இந்த 'குளு கோட்' (glue code) பராமரிக்கவும், சோதிக்கவும் மற்றும் பாதுகாக்கவும் கடினமாகிறது.

MCP அந்தச் சுழற்சியைத் தடுக்கிறது. இது வளங்களை (resources - logs அல்லது API specs போன்ற படிக்க மட்டுமே 가능한 தரவுகள்), கருவிகளை (tools - SQL இயக்குவது அல்லது டிக்கெட்டுகளை உருவாக்குவது போன்ற ஏஜென்ட் செய்யக்கூடிய செயல்கள்) மற்றும் தூண்டுதல்களை (prompts - AI தரவை எவ்வாறு பயன்படுத்த வேண்டும் என்பதைக் காட்டும் டெம்ப்ளேட்டுகள்) வெளிப்படுத்துவதற்கான ஒற்றை நெறிமுறையை (protocol) வரையறுக்கிறது. எந்தவொரு இணக்கமான கிளையன்ட்டும் பல்வேறு சேவைகளை, அவை ஒரே போர்ட்டில் இணைக்கப்பட்டிருப்பதைப் போலவே கையாளும்.

இந்த நெறிமுறை (protocol) எவ்வாறு கட்டமைக்கப்பட்டுள்ளது?

  • MCP Hosts – AI-ஐ உள்ளடக்கிய பயன்பாடுகள், உதாரணமாக Claude Desktop அல்லது ஒரு கோட்-அசிஸ்டன்ட் எடிட்டர்.
  • MCP Clients – ஒரு ஹோஸ்டிற்குள் இருக்கும் மெல்லிய அடுக்குகள் (thin layers), இவை ஹேண்ட்ஷேக் (handshake) மற்றும் கோரிக்கைகளை வழிநடத்தும் (route requests).
  • MCP Servers – ஒரு குறிப்பிட்ட தரவு ஆதாரம் அல்லது சேவையை வெளிப்படுத்தும் இலகுரக நிரல்கள் (lightweight programs), உதாரணமாக ஒரு SQLite கோப்பு, ஒரு Slack workspace அல்லது ஒரு கண்காணிப்பு முனை (monitoring endpoint).

ஒரு AI இணையும் போது, கிளையன்ட் அந்த சர்வரின் வளங்கள், கருவிகள் மற்றும் தூண்டுதல்களின் பட்டியலைக் கண்டறிகிறது. அதன் பிறகு, அடிப்படைச் சேவை ஒரு உறவுநிலை தரவுத்தளமாக (relational database) இருந்தாலும் அல்லது ஒரு டிக்கெட்டிங் சிஸ்டமாக இருந்தாலும், ஏஜென்ட் ஒரே மாதிரியான அழைப்புகளை (calls) மேற்கொள்கிறது. சர்வர் அந்த அழைப்புகளைப் பொருத்தமான API அல்லது வினவல் மொழியாக (query language) மொழிபெயர்த்து, ஏஜென்ட் பயன்படுத்திக்கொள்ளக்கூடிய வடிவத்தில் முடிவுகளைத் திருப்பி அனுப்புகிறது.

ஒரு நடைமுறை பணிப்பாய்வு (workflow)

ஒரு டெவலப்பர் PostgreSQL சர்வர் மற்றும் Datadog கண்காணிப்பு முனையை (monitoring endpoint) MCP மூலம் ஒரு AI உதவியாளருடன் இணைப்பதாகக் கற்பனை செய்து பாருங்கள். டெவலப்பர் அந்த உதவியாளரிடம் சமீபத்திய பிழை அதிகரிப்புகளைக் (error spikes) கண்டறியவும், அதற்கேற்ப தரவுத்தளத்திலிருந்து பயனர் பதிவுகளைப் (user records) பெறவும் மற்றும் ஒரு குறியீடு சரிசெய்தலை (code fix) பரிந்துரைக்கவும் கேட்கிறார். அந்த AI:

  1. MCP மூலம் வெளிப்படுத்தப்பட்ட கண்காணிப்பு கருவி வழியாக Datadog-ஐக் கேள்வி செய்து (queries), தொடர்புடைய லாக்ஸ்களை (logs) எடுக்கிறது.
  2. MCP வழங்கிய தரவுத்தளக் கருவியைப் பயன்படுத்தி PostgreSQL சர்வரில் ஒரு SQL வினவலை (query) இயக்குகிறது.
  3. கண்டறியப்பட்ட பிழை முறையைச் சரிசெய்வதற்கான பொதுவான கட்டமைப்பை விவரிக்கும் ஒரு தூண்டுதல் (prompt) மூலம் ஒரு பேட்ச்சை (patch) உருவாக்குகிறது.

இந்த மூன்று படிகளும் ஒரே நெறிமுறை மூலம் நிகழ்கின்றன, டெவலப்பர் ஒவ்வொரு சேவைக்கும் தனித்தனி அடாப்டர்களை (adapters) எழுத வேண்டிய அவசியமில்லை.

ஒரு MCP சர்வரை உருவாக்குதல்

Anthropic-ன் ரெஃபரன்ஸ் இம்ப்ளிமென்டேஷன் (reference implementation), ஒரு சர்வரை TypeScript அல்லது Python போன்ற தெரிந்த மொழிகளில் எழுத முடியும் என்பதைக் காட்டுகிறது. இந்த செயல்முறை பின்வருவனவற்றை உள்ளடக்கியது:

  1. சர்வர் வெளிப்படுத்தும் வளங்களை அறிவித்தல் (உதாரணமாக, அட்டவணைகளின் தொகுப்பு, லாக் கோப்புகளின் தொகுப்பு).
  2. AI பயன்படுத்தக்கூடிய கருவிகளை வரையறுத்தல் (SQL execution, HTTP POST, file write).
  3. AI தனது கோரிக்கைகளை வடிவமைக்க உதவும் தூண்டுதல் டெம்ப்ளேட்டுகளை (prompt templates) வழங்குதல்.

சர்வர் இயங்கியவுடன், எந்தவொரு MCP-இணக்கமான கிளையன்ட்டும் அதைத் தானாகவே கண்டறிந்துவிடும், இதனால் புதிய தரவு ஆதாரம் நிறுவனத்தின் AI கருவிகள் முழுவதும் உடனடியாகப் பயன்படுத்தக்கூடியதாக மாறும்.

சுருக்கம் (Takeaway)

Model Context Protocol, AI ஏஜென்ட்களுக்கு ஒரு ஒற்றை “USB-C”-ஐ வழங்குகிறது, இது சிக்கலான தனிப்பயனாக்கப்பட்ட இணைப்பிகளின் வலையமைப்பை ஒரு 'பிளக்-அண்ட்-ப்ளே' (plug-and-play) சூழலாக மாற்றுகிறது. குளு கோட் (glue code) எழுதுவதில் சோர்வடைந்த குழுக்கள், இன்று MCP-ஐப் பரிசோதித்து அதன் நடைமுறைச் சுருக்கத்தை நேரடியாகக் காணலாம்.