MCP అనేది RPC కంటే కాంటెక్స్ట్ డిస్ట్రిబ్యూషన్ (Context Distribution) గా మరింత ఉపయోగకరంగా ఉంటుంది
చాలా మంది మోడల్ కాంటెక్స్ట్ ప్రోటోకాల్ (MCP) గురించి టూల్ కాలింగ్ (tool calling) కోసం మాట్లాడుతుంటారు.
AI బాహ్య టూల్స్ను పిలవడానికి (call చేయడానికి) ఇది ఒక మార్గమని వారు భావిస్తారు. ఒక AI గిట్హబ్ (GitHub) ఇష్యూను చదవడం లేదా ఒక ఫైల్ను పొందడం వంటివి చేస్తుంది. ఇది MCPని ఏజెంట్ల కోసం ఒక RPC లేయర్ లాగా చూపిస్తుంది.
ఇది ఉపయోగకరమే, కానీ ఇది అత్యంత ముఖ్యమైన వినియోగ సందర్భం (use case) కాదు.
MCP యొక్క నిజమైన శక్తి కాంటెక్స్ట్ డిస్ట్రిబ్యూషన్ (context distribution) లో ఉంది. ఇది AI క్లయింట్లకు రూల్స్ (rules), స్కిల్స్ (skills) మరియు కాంట్రాక్ట్లను పంపిణీ చేయగలదు.
RAG ఒక ప్రశ్నకి సమాధానం ఇవ్వడంలో సహాయపడుతుంది: ఏ సమాచారం సంబంధితమైనది? RAG డాక్యుమెంట్లను వెతికి వాటిని మోడల్కు అందిస్తుంది.
కానీ టీమ్లకు కేవలం సమాచారం మాత్రమే సరిపోదు. టీమ్లకు రూల్స్ కూడా అవసరం.
ఒక టీమ్కు ఇవి తెలియాలి:
- అధికారిక మూలం (authoritative source) ఏది?
- AI ఎప్పుడు ఆగాలి?
- మానవ ధృవీకరణ (human confirmation) ఎప్పుడు అవసరం?
- ఈ టాస్క్కు ఏ వర్క్ఫ్లో (workflow) వర్తిస్తుంది?
- ఏ ఆధారాలను (evidence) రికార్డ్ చేయాలి?
RAG ఈ రూల్స్ను వివరించే డాక్యుమెంట్లను వెలికితీస్తుంది, కానీ ఒక డాక్యుమెంట్ కేవలం కాంటెక్స్ట్ మాత్రమే. చాలా టీమ్లు దీనిని ప్రాంప్ట్ల (prompts) ద్వారా పరిష్కరించడానికి ప్రయత్నిస్తాయి. వారు "మా కోడింగ్ రూల్స్ను అనుసరించండి" వంటి సూచనలను రాస్తారు.
ఇది స్కేలబుల్ (scale) కాదు. ప్రతి డెవలపర్కు వేర్వేరు లోకల్ ప్రాంప్ట్లు ఉంటాయి. పని యొక్క నాణ్యత AIని ఉపయోగించే వ్యక్తిపై ఆధారపడి ఉంటుంది. ఇది ఒక టీమ్ సిస్టమ్ కాదు.
MCP దీనిని మారుస్తుంది. పని చేసే సమయంలో కేవలం టూల్స్ను పిలవడం మాత్రమే కాకుండా, AI పనిని ప్రారంభించకముందే పనికి సంబంధించిన రూల్స్ను పొందగలదు.
ఒక సెషన్ ప్రారంభంలో, AI క్లయింట్ ఒక స్టార్టప్ ఫంక్షన్ను పిలుస్తుంది. ఆ ఫంక్షన్ వీటిని అందిస్తుంది:
- యాక్సెస్ పాలసీలు (Access policies)
- అధికారిక కాంటెక్స్ట్ మూలాలు (Authoritative context sources)
- అందుబాటులో ఉన్న స్కిల్స్ (Available skills)
- వర్క్ఫ్లో క్యాటలాగ్లు (Workflow catalogs)
- తెలియని విషయాలను (unknowns) హ్యాండిల్ చేయడానికి రూల్స్
మోడల్కు కేవలం టూల్స్కు మాత్రమే యాక్సెస్ ఉండదు. దానికి ఆ పనికి సంబంధించిన రూల్స్ కూడా ఉంటాయి.
ఇది ఒక స్పష్టమైన తేడాను సృష్టిస్తుంది:
- RPC-స్టైల్ MCP: మోడల్ పని చేసేటప్పుడు టూల్స్ను పిలుస్తుంది.
- కాంటెక్స్ట్-డిస్ట్రిబ్యూషన్ MCP: మోడల్ పనిని ప్రారంభించకముందే రూల్స్ను అందుకుంటుంది.
ఈ విధానం డొమైన్ నాలెడ్జ్ను (domain knowledge) పోర్టబుల్ (portable) చేస్తుంది. ప్రతి యూజర్ సుదీర్ఘమైన డాక్యుమెంట్లను చదవడం లేదా లోకల్ ప్రాంప్ట్లను అప్డేట్ చేయడం కంటే, ఒక సీనియర్ ఇంజనీర్ MCP సర్వర్లో ఒక స్కిల్ను ఒక్కసారి నిర్వచిస్తే సరిపోతుంది.
స్కిల్ను నిర్వచించే వ్యక్తి మరియు స్కిల్ను ఉపయోగించే వ్యక్తి ఇప్పుడు వేర్వేరుగా ఉంటారు.
ఇది పాతబడిన సమాచారం (stale information) అనే సమస్యను కూడా పరిష్కరిస్తుంది. యూజర్లు రూల్స్ యొక్క పూర్తి రిపోజిటరీని లోకల్గా కలిగి ఉండాల్సిన అవసరం లేదు. వారికి కేవలం ఒక MCP కనెక్షన్ ఉంటే సరిపోతుంది. అధికారిక నిర్వచనాలు సర్వర్లోనే ఉంటాయి.
RAG సమాధానమిస్తుంది: ఏ సమాచారం సంబంధితమైనది కావచ్చు? MCP కాంటెక్స్ట్ డిస్ట్రిబ్యూషన్ సమాధానమిస్తుంది: ఈ పనిని ఏ రూల్స్ నియంత్రించాలి?
RAG అనేది జ్ఞానాన్ని తిరిగి పొందడం (retrieving knowledge) గురించి. MCP కాంటెక్స్ట్ డిస్ట్రిబ్యూషన్ అనేది పని ఎలా జరుగుతుందో నిర్వచించడం గురించి.
AI ఏ టూల్స్ను పిలవగలదు అని అడగడం ఆపండి. AI పనిని ప్రారంభించకముందే ఏ కాంటెక్స్ట్ను లోడ్ చేసుకోవాలి అని అడగడం ప్రారంభించండి.
Source: https://dev.to/synthaicode_commander/mcp-is-more-useful-as-context-distribution-than-as-rpc-ai4
Optional learning community: https://t.me/GyaanSetuAi