MCP มีประโยชน์ในการกระจายบริบท (Context Distribution) มากกว่าการเป็น RPC
คนส่วนใหญ่พูดถึง Model Context Protocol (MCP) ในแง่ของการเรียกใช้เครื่องมือ (tool calling)
พวกเขามองว่ามันเป็นวิธีที่ AI จะใช้เรียกเครื่องมือภายนอก เช่น AI อ่าน GitHub issue หรือดึงไฟล์มาใช้งาน สิ่งนี้ทำให้ MCP ดูเหมือนเป็นเลเยอร์ RPC สำหรับเอเจนต์ (agents)
ซึ่งมันก็มีประโยชน์ แต่นี่ไม่ใช่กรณีการใช้งาน (use case) ที่สำคัญที่สุด
พลังที่แท้จริงของ MCP อยู่ที่การกระจายบริบท (context distribution) มันสามารถกระจายกฎ (rules), ทักษะ (skills) และข้อตกลง (contracts) ไปยัง AI clients ได้
RAG ช่วยตอบคำถามเพียงข้อเดียวคือ: ข้อมูลใดที่เกี่ยวข้อง? RAG จะค้นหาเอกสารและส่งให้โมเดล
แต่ทีมต้องการมากกว่าแค่ข้อมูล ทีมต้องการ "กฎ"
ทีมจำเป็นต้องรู้ว่า:
- แหล่งข้อมูลที่เชื่อถือได้ (authoritative source) คืออะไร?
- เมื่อไหร่ที่ AI ควรหยุดทำงาน?
- เมื่อไหร่ที่ต้องมีการยืนยันจากมนุษย์?
- เวิร์กโฟลว์ (workflow) ใดที่ใช้กับงานนี้?
- ต้องบันทึกหลักฐานอะไรบ้าง?
RAG จะดึงเอกสารที่อธิบายกฎเหล่านี้มาให้ แต่เอกสารก็เป็นเพียงแค่บริบท หลายทีมพยายามแก้ปัญหานี้ด้วยการเขียน prompt เช่น เขียนคำสั่งว่า "ให้ปฏิบัติตามกฎการเขียนโค้ดของเรา"
วิธีนี้ไม่สามารถขยายผล (scale) ได้ เพราะนักพัฒนาแต่ละคนจะมี prompt ส่วนตัวที่ต่างกัน คุณภาพของงานจึงขึ้นอยู่กับตัวบุคคลที่ใช้ AI ซึ่งนี่ไม่ใช่ระบบสำหรับทีม
MCP เปลี่ยนสิ่งนี้ แทนที่จะแค่เรียกใช้เครื่องมือระหว่างทำงาน AI สามารถรับ "กฎของการทำงาน" ได้ก่อนที่จะเริ่มงานเสียอีก
เมื่อเริ่มเซสชัน (session) ตัว AI client จะเรียกฟังก์ชันเริ่มต้น (startup function) ซึ่งฟังก์ชันนั้นจะส่งค่ากลับมาเป็น:
- นโยบายการเข้าถึง (Access policies)
- แหล่งบริบทที่เชื่อถือได้ (Authoritative context sources)
- ทักษะที่มีให้ใช้งาน (Available skills)
- แคตตาล็อกเวิร์กโฟลว์ (Workflow catalogs)
- กฎสำหรับการจัดการกับสิ่งที่ไม่ทราบ (Rules for handling unknowns)
โมเดลไม่ได้มีแค่สิทธิ์ในการเข้าถึงเครื่องมือเท่านั้น แต่มันมี "กฎของงาน" อยู่กับตัวด้วย
สิ่งนี้สร้างความแตกต่างที่ชัดเจน:
- MCP สไตล์ RPC: โมเดลเรียกใช้เครื่องมือในขณะที่กำลังทำงาน
- MCP สไตล์ Context-distribution: โมเดลได้รับกฎก่อนที่จะเริ่มทำงาน
แนวทางนี้ทำให้ความรู้เฉพาะทาง (domain knowledge) สามารถเคลื่อนย้ายได้ (portable) แทนที่ผู้ใช้ทุกคนจะต้องอ่านเอกสารยาวเหยียดหรือคอยอัปเดต prompt ส่วนตัว วิศวกรอาวุโสเพียงแค่กำหนดทักษะไว้ครั้งเดียวบน MCP server
ผู้ที่กำหนดทักษะและผู้ที่ใช้งานทักษะนั้นจะถูกแยกออกจากกัน
นอกจากนี้ยังช่วยแก้ปัญหาข้อมูลล้าสมัย (stale information) ผู้ใช้ไม่จำเป็นต้องเก็บคลังกฎทั้งหมดไว้ในเครื่องของตนเอง เพียงแค่มีการเชื่อมต่อ MCP ก็พอ โดยที่คำนิยามที่เชื่อถือได้จะยังคงอยู่ที่เซิร์ฟเวอร์
RAG ตอบคำถามว่า: ข้อมูลใดที่อาจเกี่ยวข้อง? MCP context distribution ตอบคำถามว่า: กฎใดบ้างที่ต้องควบคุมการทำงานนี้?
RAG คือเรื่องของการดึงความรู้ (retrieving knowledge) ส่วน MCP context distribution คือเรื่องของการกำหนดว่างานจะเกิดขึ้นได้อย่างไร
เลิกถามว่า AI สามารถเรียกใช้เครื่องมืออะไรได้บ้าง แต่เริ่มถามว่า AI ต้องโหลดบริบท (context) อะไรบ้างก่อนที่จะเริ่มทำงาน
Source: https://dev.to/synthaicode_commander/mcp-is-more-useful-as-context-distribution-than-as-rpc-ai4
Optional learning community: https://t.me/GyaanSetuAi