MCP vs API: ஏன் பாரம்பரிய APIs AI ஏஜெண்டுகளைத் தோல்வியடையச் செய்கின்றன

பாரம்பரிய APIs AI ஏஜெண்டுகளைத் தோல்வியடையச் செய்கின்றன.

பல ஆண்டுகளாக, டெவலப்பர்கள் REST மற்றும் GraphQL ஆகியவற்றைப் பயன்படுத்தி இணையப் பயன்பாடுகளை (web apps) உருவாக்கினர். இந்தத் கருவிகள் மனிதர்களுக்கு நன்றாகச் செயல்படுகின்றன. இவை தீர்மானிக்கப்பட்ட குறியீடுகளுக்கு (deterministic code) நன்றாகச் செயல்படுகின்றன. ஆனால் AI ஏஜெண்டுகள் வேறுபட்டவை. அவை நோக்கம் (intent) மற்றும் பகுத்தறிவு (reasoning) ஆகியவற்றின் அடிப்படையில் செயல்படுகின்றன.

நீங்கள் ஒரு LLM-ஐ ஒரு மனித டெவலப்பரைப் போலக் கருதினால், நீங்கள் தவறு செய்கிறீர்கள். இதன் விளைவாக மெதுவான, செலவு மிகுந்த மற்றும் எளிதில் உடையக்கூடிய (brittle) அமைப்புகள் உருவாகும்.

Model Context Protocol (MCP) இதை மாற்றுகிறது. இது AI இணைப்பிற்கான (connectivity) ஒரு திறந்த தரநிலை (open standard) ஆகும்.

ஒருங்கிணைப்புப் பிரச்சனை பாரம்பரிய APIs மூலம் ஒரு AI-ஐ ஐந்து வெவ்வேறு கருவிகளுடன் இணைக்கும்போது, நீங்கள் இருபத்தைந்து தனிப்பயனாக்கப்பட்ட இணைப்பான்களை (custom connectors) எழுத வேண்டியிருக்கும். இது ஒரு N x M பிரச்சனை. இது மிகப்பெரிய தொழில்நுட்பக் கடனை (technical debt) உருவாக்குகிறது.

MCP இதைத் தீர்க்கிறது. இது ஒரு N + M கட்டமைப்பை (architecture) உருவாக்குகிறது. ஒவ்வொரு கருவியும் ஒரு MCP சர்வரைப் பயன்படுத்துகிறது. ஒவ்வொரு ஏஜெண்டும் ஒரு MCP கிளையண்டைப் பயன்படுத்துகிறது. இது LLM-களுக்கான ஒரு உலகளாவிய அடாப்டராக (universal adapter) செயல்படுகிறது.

AI-க்கு REST-ஐ விட MCP சிறந்தது என்பதற்கான மூன்று காரணங்கள்:

  1. டைனமிக் டிஸ்கவரி (Dynamic Discovery) REST-இல், நீங்கள் எண்ட்பாயிண்டுகளை (endpoints) நேரடியாகக் குறியீடு செய்ய (hardcode) வேண்டும். நீங்கள் ஒரு எண்ட்பாயிண்ட்டை மாற்றினால், உங்கள் குறியீடு மற்றும் ப்ராம்ப்ட்களை (prompts) நீங்கள் புதுப்பிக்க வேண்டும். MCP டைனமிக் டிஸ்கவரி முறையைப் பயன்படுத்துகிறது. ஏஜெண்ட் சர்வரிடம் தான் என்ன செய்ய முடியும் என்று கேட்கிறது. சர்வர் கருவிகள் மற்றும் திறன்களின் பட்டியலுடன் பதிலளிக்கிறது. ஏஜெண்ட் உடனுக்குடன் கற்றுக்கொள்கிறது.

  2. டோக்கன் திறன் (Token Efficiency) பாரம்பரிய APIs பெரும்பாலும் மிகப்பெரிய JSON பேலோடுகளை (payloads) அனுப்புகின்றன. AI உலகில், டோக்கன்களுக்குப் பணம் செலுத்த வேண்டும். அதிகப்படியான தரவு தாமதத்தையும் (latency) மற்றும் சூழல் சிதைவையும் (context rot) ஏற்படுத்துகிறது. தேவையற்ற மெட்டாடேட்டா (metadata) அதிகமாகத் தெரியும்போது LLM-கள் தங்கள் கவனத்தை இழக்கின்றன. MCP சர்வர்கள் LLM சூழல் சாளரங்களுக்கு (context windows) ஏற்றவாறு மேம்படுத்தப்பட்ட தரவைத் திருப்பித் தருகின்றன.

  3. ஸ்டேட்ஃபுல் செஷன்கள் (Stateful Sessions) REST என்பது ஸ்டேட்லெஸ் (stateless) ஆகும். AI ஏஜெண்டுகளுக்குத் தொடர்ச்சியான சிந்தனை மற்றும் செயல் சுழற்சி தேவைப்படுகிறது. MCP, JSON-RPC 2.0-ஐப் பயன்படுத்துகிறது. இது ஸ்டேட்ஃபுல் பேச்சுவார்த்தைகளை (stateful negotiations) அனுமதிக்கிறது. பெரிய பேலோடுகளை மீண்டும் அனுப்பாமலேயே, செயல்களுக்கு இடையிலான சூழல் (context) அப்படியே இருக்கும்.

MCP மூன்று முக்கியப் பகுதிகளைப் பயன்படுத்துகிறது:

  • கருவிகள் (Tools): ஒரு SQL வினவலை (query) இயக்குவது போன்ற மாடல் மேற்கொள்ளும் செயல்கள்.
  • ஆதாரங்கள் (Resources): லாக் கோப்புகள் (log files) அல்லது ஆவணங்கள் போன்ற படிக்க மட்டுமே கூடிய தரவுகள்.
  • ப்ராம்ப்ட்கள் (Prompts): மாடலின் பகுத்தறிவுக்கு வழிகாட்ட உதவும் டெம்ப்ளேட்கள்.

MCP உங்கள் தரவுத்தளத்தையோ (database) அல்லது ஏற்கனவே உள்ள APIs-ஐயோ மாற்றீடு செய்வதில்லை. மாறாக, அந்தச் சேவைகளை ஒரு LLM உடன் இணைக்க நீங்கள் எழுதும் எளிதில் உடையக்கூடிய 'க்ளூ கோடை' (glue code) இது மாற்றீடு செய்கிறது.

உங்கள் AI-க்காக JSON-ஐ stringify செய்ய தனிப்பயனாக்கப்பட்ட செயல்பாடுகளை (custom functions) உருவாக்குவதை நிறுத்துங்கள். அளவிடக்கூடிய (scale) கட்டமைப்புகளை உருவாக்கத் தொடங்குங்கள்.

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