MCP என்பது RPC-யை விட சூழல் விநியோகத்திற்கு (Context Distribution) அதிக பயனுள்ளது

பெரும்பாலான மக்கள் Model Context Protocol (MCP)-ஐ கருவி அழைப்பிற்காக (tool calling) பற்றிப் பேசுகிறார்கள்.

AI வெளிப்புறக் கருவிகளை அழைப்பதற்கான ஒரு வழியாக அவர்கள் இதைப் பார்க்கிறார்கள். ஒரு AI ஒரு GitHub சிக்கலை (issue) வாசிக்கலாம் அல்லது ஒரு கோப்பைப் பெறலாம். இது MCP-யை ஏஜெண்டுகளுக்கான (agents) ஒரு RPC அடுக்கைப் போலக் காட்டுகிறது.

இது பயனுள்ளது, ஆனால் இதுவே மிக முக்கியமான பயன்பாட்டு வழக்கு (use case) அல்ல.

MCP-யின் உண்மையான ஆற்றல் சூழல் விநியோகத்தில் (context distribution) உள்ளது. இது விதிகள், திறன்கள் மற்றும் ஒப்பந்தங்களை (contracts) AI கிளையண்டுகளுக்கு விநியோகிக்க முடியும்.

RAG ஒரு கேள்விக்கு பதிலளிக்க உதவுகிறது: எந்தத் தகவல் தொடர்புடையது? RAG ஆவணங்களைக் கண்டறிந்து அவற்றை மாடலுக்கு வழங்குகிறது.

ஆனால் குழுக்களுக்குத் தகவல் மட்டும் போதாது. குழுக்களுக்கு விதிகள் தேவை.

ஒரு குழுவிற்குத் தெரிய வேண்டியவை:

  • அதிகாரப்பூர்வமான ஆதாரம் எது?
  • AI எப்போது நிறுத்தப்பட வேண்டும்?
  • மனித உறுதிப்படுத்தல் எப்போது தேவைப்படுகிறது?
  • இந்தத் பணிக்கு எந்த பணிப்பாய்வு (workflow) பொருந்தும்?
  • என்ன ஆதாரங்கள் பதிவு செய்யப்பட வேண்டும்?

RAG இந்த விதிகளை விவரிக்கும் ஆவணங்களைப் பெறுகிறது, ஆனால் ஒரு ஆவணம் என்பது வெறும் சூழல் (context) மட்டுமே. பல குழுக்கள் இதை ப்ராம்ப்ட்கள் (prompts) மூலம் தீர்க்க முயல்கிறார்கள். அவர்கள் "எங்கள் கோடிங் விதிகளைப் பின்பற்றுங்கள்" போன்ற அறிவுறுத்தல்களை எழுதுகிறார்கள்.

இது பெரிய அளவில் செயல்படாது (scale). ஒவ்வொரு டெவலப்பருக்கும் வெவ்வேறு உள்ளூர் ப்ராம்ப்ட் (local prompt) இருக்கும். வேலையின் தரம் AI-யைப் பயன்படுத்தும் நபரைப் பொறுத்தது. இது ஒரு குழு அமைப்பு அல்ல.

MCP இதை மாற்றுகிறது. வேலையின் போது கருவிகளை அழைப்பதற்குப் பதிலாக, AI வேலையைத் தொடங்குவதற்கு முன்பே அந்த வேலையின் விதிகளைப் பெற முடியும்.

ஒரு அமர்வின் (session) தொடக்கத்தில், AI கிளையண்ட் ஒரு startup function-ஐ அழைக்கிறது. அந்த function பின்வருவனவற்றைத் திருப்பித் தருகிறது:

  • அணுகல் கொள்கைகள் (Access policies)
  • அதிகாரப்பூர்வ சூழல் ஆதாரங்கள் (Authoritative context sources)
  • கிடைக்கக்கூடிய திறன்கள் (Available skills)
  • பணிப்பாய்வு அட்டவணைகள் (Workflow catalogs)
  • தெரியாதவற்றை கையாளுவதற்கான விதிகள் (Rules for handling unknowns)

மாடலுக்கு கருவிகளை அணுகும் வசதி மட்டும் இல்லை. அதற்கு அந்த வேலையின் விதிகளும் உள்ளன.

இது ஒரு தெளிவான வேறுபாட்டை உருவாக்குகிறது:

  • RPC-பாணி MCP: மாடல் வேலை செய்யும் போது கருவிகளை அழைக்கிறது.
  • Context-distribution MCP: மாடல் வேலையைத் தொடங்குவதற்கு முன்பே விதிகளைப் பெறுகிறது.

இந்த அணுகுமுறை கள அறிவு (domain knowledge) எளிதில் மாற்றத்தக்கதாக (portable) மாற்றுகிறது. ஒவ்வொரு பயனரும் நீண்ட ஆவணங்களைப் படிப்பதற்கோ அல்லது உள்ளூர் ப்ராம்ப்ட்களைப் புதுப்பிப்பதற்கோ பதிலாக, ஒரு மூத்த பொறியாளர் (senior engineer) ஒரு MCP சேவையகத்தில் (server) ஒரு திறனை ஒருமுறை வரையறுப்பார்.

திறனை வரையறுப்பவர் மற்றும் திறனைப் பயன்படுத்துபவர் ஆகிய இருவரும் இப்போது தனித்தனி நபர்களாக இருப்பார்கள்.

இது காலாவதியான தகவல் (stale information) என்ற சிக்கலையும் தீர்க்கிறது. பயனர்கள் விதிகளின் முழு களஞ்சியத்தையும் (repository) உள்ளூரில் வைத்திருக்க வேண்டிய அவசியமில்லை. அவர்களுக்கு ஒரு MCP இணைப்பு மட்டுமே தேவை. அதிகாரப்பூர்வமான வரையறைகள் சேவையகத்திலேயே இருக்கும்.

RAG பதிலளிக்கிறது: எந்தத் தகவல் தொடர்புடையதாக இருக்கலாம்? MCP context distribution பதிலளிக்கிறது: இந்த வேலையை எந்த விதிகள் வழிநடத்த வேண்டும்?

RAG என்பது அறிவைப் பெறுவது பற்றியது. MCP context distribution என்பது வேலை எவ்வாறு நடக்கிறது என்பதை வரையறுப்பது பற்றியது.

AI எந்தக் கருவிகளை அழைக்க முடியும் என்று கேட்பதை நிறுத்துங்கள். AI வேலையைத் தொடங்குவதற்கு முன் எந்தச் சூழலை (context) ஏற்ற வேண்டும் என்று கேட்கத் தொடங்குங்கள்.

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

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