MCP vs API: సాంప్రదాయ APIలు AI ఏజెంట్లకు ఎందుకు విఫలమవుతున్నాయి

సాంప్రదాయ APIలు మీ AI ఏజెంట్లను నెమ్మదిగా మరియు ఖరీదైనవిగా మారుస్తున్నాయి.

నేను REST మరియు GraphQLతో వెబ్ యాప్‌లను నిర్మించడానికి సంవత్సరాలు గడిపాను. స్టేట్‌ను ఎలా హ్యాండిల్ చేయాలి మరియు పేలోడ్‌లను ఎలా ఆప్టిమైజ్ చేయాలి అనేది నాకు తెలుసు. కానీ AI ఏజెంట్ల కోసం నిర్మించడం వేరుగా ఉంటుంది.

మనం తరచుగా LLMలను మానవ డెవలపర్‌ల వలె పరిగణిస్తాము. మనం వాటికి ఒక API ఎండ్‌పాయింట్‌ను ఇచ్చి, అవి పనిచేస్తాయని ఆశిస్తాము. ఇది ఒక పొరపాటు.

Model Context Protocol (MCP) దీనిని మారుస్తుంది. ఇది AI కనెక్టివిటీ కోసం ఒక ఓపెన్ స్టాండర్డ్. LLMలను మీ టూల్స్‌తో అనుసంధానించడానికి మీరు కస్టమ్ గ్లూ కోడ్ (glue code) రాస్తే, మీరు టెక్నికల్ డెట్ (technical debt) సృష్టిస్తున్నారు.

సాంప్రదాయ APIలు AI ఏజెంట్లకు ఎందుకు విఫలమవుతాయి:

  • N x M సమస్య: మీ వద్ద 5 AI ఫ్రేమ్‌వర్క్‌లు మరియు 5 ఎంటర్‌ప్రైజ్ టూల్స్ ఉంటే, మీరు 25 కస్టమ్ కనెక్టర్లను రాయాల్సి ఉంటుంది. MCP దీనిని N + M ఆర్కిటెక్చర్‌గా మారుస్తుంది. ప్రతి టూల్ ఒక MCP సర్వర్‌ను ఉపయోగిస్తుంది. ప్రతి ఏజెంట్ ఒక MCP క్లయింట్‌ను ఉపయోగిస్తుంది.
  • స్టాటిక్ vs డైనమిక్: REST APIలకు హార్డ్‌కోడెడ్ పాత్‌లు అవసరం. AI ఏజెంట్లు రన్‌టైమ్‌లో టూల్స్‌ను కనుగొనాల్సి ఉంటుంది. MCP ద్వారా ఏజెంట్లు డైనమిక్ డిస్కవరీ ద్వారా అందుబాటులో ఉన్న సామర్థ్యాలను వెంటనే చూడవచ్చు.
  • టోకెన్ వృధా: సాంప్రదాయ APIలు తరచుగా భారీ JSON పేలోడ్‌లను తిరిగి పంపుతాయి. పెద్ద పేలోడ్‌లు డబ్బును వృధా చేస్తాయి మరియు లాటెన్సీని (latency) పెంచుతాయి. అవి మోడల్ ఏకాగ్రతను కోల్పోయే 'కాంటెక్స్ట్ రాట్' (context rot) కు కూడా కారణమవుతాయి. MCP అనేది LLM విండోల కోసం ఆప్టిమైజ్ చేయబడిన డేటాను అందిస్తుంది.
  • స్టేట్‌లెస్నెస్ (Statelessness): REST అనేది స్టేట్‌లెస్. AI ఏజెంట్లు ఆలోచన మరియు చర్యల నిరంతర లూప్‌లో పనిచేస్తాయి. భారీ డేటాను మళ్ళీ పంపకుండానే కాంటెక్స్ట్‌ను సజీవంగా ఉంచడానికి MCP స్టేట్‌ఫుల్ సెషన్‌లను ఉపయోగిస్తుంది.

MCP మూడు ప్రధాన భాగాలను ఉపయోగిస్తుంది:

  • Tools: SQL క్వెరీని రన్ చేయడం వంటి మోడల్ తీసుకునే చర్యలు.
  • Resources: లాగ్ ఫైల్‌లు లేదా డాక్యుమెంట్ల వంటి రీడ్-ఓన్లీ డేటా.
  • Prompts: మోడల్ యొక్క రీజనింగ్‌ను నడిపించే టెంప్లేట్లు.

MCP మీ డేటాబేస్ లేదా మీ బ్యాకెండ్‌ను భర్తీ చేయదు. మీ MCP సర్వర్ ఇప్పటికీ మీ ప్రస్తుత APIలను కాల్ చేస్తుంది. ఆ సర్వీసులను LLMతో అనుసంధానించడానికి మీరు రాసే బలహీనమైన (brittle) కోడ్‌ను MCP భర్తీ చేస్తుంది.

మీ LLM కాల్స్ కోసం JSONని స్ట్రింగ్ చేయాలని కస్టమ్ ఫంక్షన్‌లను రాయడం ఆపండి. ఏజెంటిక్ భవిష్యత్తు కోసం స్కేల్ అయ్యే ఆర్కిటెక్చర్‌ను నిర్మించండి.

మీ అభిప్రాయం ఏమిటి? మీరు ఇప్పటికే MCPని ఉపయోగిస్తున్నారా లేదా కస్టమ్ ఫంక్షన్ కాలింగ్‌తోనే కొనసాగుతున్నారా?

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

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