MCP vs API: ஏன் பாரம்பரிய APIs AI ஏஜென்ட்களுக்குத் தோல்வியளிக்கின்றன

பாரம்பரிய APIs உங்கள் AI ஏஜென்ட்களை மெதுவானதாகவும் செலவு மிகுந்ததாகவும் மாற்றுகின்றன.

நான் REST மற்றும் GraphQL கொண்டு இணையச் செயலிகளை (web apps) உருவாக்க பல ஆண்டுகள் செலவிட்டேன். நிலைமையை (state) எவ்வாறு கையாள்வது மற்றும் தரவுப் பொதிகளை (payloads) எவ்வாறு மேம்படுத்துவது என்பது எனக்குத் தெரியும். ஆனால் AI ஏஜென்ட்களுக்காக உருவாக்குவது முற்றிலும் மாறுபட்டது.

நாம் பெரும்பாலும் LLM-களை மனித மென்பொருள் உருவாக்குநர்களைப் போலவே கருதுகிறோம். அவர்களுக்கு ஒரு API endpoint-ஐக் கொடுத்துவிட்டு, அவர்கள் வேலை செய்வார்கள் என்று எதிர்பார்க்கிறோம். இது ஒரு தவறு.

Model Context Protocol (MCP) இதை மாற்றுகிறது. இது AI இணைப்பிற்கான (connectivity) ஒரு திறந்த தரநிலை (open standard) ஆகும். LLM-களை உங்கள் கருவிகளுடன் இணைக்க நீங்கள் தனிப்பயனாக்கப்பட்ட glue code-களை எழுதினால், நீங்கள் தொழில்நுட்பக் கடனை (technical debt) உருவாக்குகிறீர்கள்.

ஏன் பாரம்பரிய APIs AI ஏஜென்ட்களுக்குத் தோல்வியளிக்கின்றன:

• N x M சிக்கல்: உங்களிடம் 5 AI frameworks மற்றும் 5 நிறுவனக் கருவிகள் (enterprise tools) இருந்தால், நீங்கள் 25 தனிப்பயனாக்கப்பட்ட இணைப்பான்களை (custom connectors) எழுத வேண்டும். MCP இதை N + M கட்டமைப்பாக (architecture) மாற்றுகிறது. ஒவ்வொரு கருவியும் ஒரு MCP server-ஐப் பயன்படுத்துகிறது. ஒவ்வொரு ஏஜென்ட்டும் ஒரு MCP client-ஐப் பயன்படுத்துகிறது.
• நிலையானது vs மாறும் தன்மை கொண்டது (Static vs Dynamic): REST APIs-க்கு கடினமான பாதைகள் (hardcoded paths) தேவைப்படுகின்றன. AI ஏஜென்ட்கள் இயங்கும் நேரத்தில் (runtime) கருவிகளைக் கண்டறிய வேண்டும். MCP, 'dynamic discovery' மூலம் ஏஜென்ட்கள் தங்களுக்குத் தேவையான திறன்களை உடனுக்குடன் கண்டறிய அனுமதிக்கிறது.
• டோக்கன் வீணாதல் (Token Waste): பாரம்பரிய APIs பெரும்பாலும் மிகப்பெரிய JSON payloads-களைத் திருப்பித் தருகின்றன. பெரிய தரவுப் பொதிகள் பணத்தை வீணாக்குவதோடு தாமதத்தையும் (latency) அதிகரிக்கின்றன. மேலும், இவை 'context rot' எனப்படும் சூழல் சிதைவை ஏற்படுத்தி, மாடல் தனது கவனத்தை இழக்கச் செய்கின்றன. MCP, LLM விண்டோக்களுக்கு (windows) ஏற்றவாறு மேம்படுத்தப்பட்ட தரவைத் தருகிறது.
• நிலைத்தன்மையற்ற தன்மை (Statelessness): REST என்பது stateless ஆகும். AI ஏஜென்ட்கள் சிந்தனை மற்றும் செயல் ஆகியவற்றின் தொடர்ச்சியான சுழற்சியில் செயல்படுகின்றன. MCP, மிகப்பெரிய தரவை மீண்டும் மீண்டும் அனுப்பாமல், சூழலை (context) உயிர்ப்புடன் வைத்திருக்க stateful sessions-களைப் பயன்படுத்துகிறது.

MCP மூன்று முக்கியப் பகுதிகளைப் பயன்படுத்துகிறது:

• Tools (கருவிகள்): ஒரு SQL query-ஐ இயக்குவது போன்ற மாடல் மேற்கொள்ளும் செயல்கள்.
• Resources (வளங்கள்): லாக் கோப்புகள் (log files) அல்லது ஆவணங்கள் போன்ற படிக்க மட்டுமே கூடிய தரவுகள்.
• Prompts (தூண்டுதல்கள்): மாடலின் சிந்தனைத் திறனை வழிநடத்தும் டெம்ப்ளேட்டுகள் (templates).

MCP உங்கள் தரவுத்தளத்தையோ (database) அல்லது உங்கள் பேக்எண்டையோ (backend) மாற்றீடு செய்வதில்லை. உங்கள் MCP server இன்னும் உங்கள் தற்போதைய APIs-களைத்தான் அழைக்கும். அந்தச் சேவைகளை ஒரு LLM உடன் இணைக்க நீங்கள் எழுதும் பலவீனமான (brittle) குறியீடுகளுக்குப் பதிலாக MCP அமைகிறது.

உங்கள் LLM அழைப்புகளுக்காக JSON-ஐ stringify செய்ய தனிப்பயனாக்கப்பட்ட செயல்பாடுகளை (custom functions) எழுதுவதை நிறுத்துங்கள். ஏஜென்ட் சார்ந்த எதிர்காலத்திற்கு (agentic future) ஏற்றவாறு ஒரு கட்டமைப்பை உருவாக்குங்கள்.

உங்கள் கருத்துக்கள் என்ன? நீங்கள் ஏற்கனவே MCP-யைப் பயன்படுத்துகிறீர்களா அல்லது தனிப்பயனாக்கப்பட்ட function calling முறையையே பின்பற்றுகிறீர்களா?

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

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