MCP Hữu ích hơn trong việc Phân phối Ngữ cảnh hơn là đóng vai trò RPC

Hầu hết mọi người nói về Model Context Protocol (MCP) để gọi công cụ (tool calling).

Họ coi đó là một cách để AI gọi các công cụ bên ngoài. Một AI đọc một vấn đề trên GitHub hoặc lấy một tệp tin. Điều này khiến MCP trông giống như một lớp RPC cho các agent.

Điều này hữu ích, nhưng nó không phải là trường hợp sử dụng quan trọng nhất.

Sức mạnh thực sự của MCP nằm ở việc phân phối ngữ cảnh. Nó có thể phân phối các quy tắc, kỹ năng và hợp đồng cho các client AI.

RAG giúp trả lời một câu hỏi: Thông tin nào là liên quan? RAG tìm các tài liệu và cung cấp chúng cho mô hình.

Nhưng các nhóm cần nhiều hơn là chỉ thông tin. Các nhóm cần các quy tắc.

Một nhóm cần biết:

  • Nguồn chính thống là gì?
  • Khi nào AI nên dừng lại?
  • Khi nào cần sự xác nhận của con người?
  • Quy trình làm việc nào áp dụng cho tác vụ này?
  • Bằng chứng nào phải được ghi lại?

RAG truy xuất các tài liệu mô tả các quy tắc này, nhưng một tài liệu chỉ là ngữ cảnh. Nhiều nhóm cố gắng giải quyết vấn đề này bằng các prompt. Họ viết các hướng dẫn như "hãy tuân thủ các quy tắc lập trình của chúng tôi."

Điều này không thể mở rộng quy mô. Mỗi nhà phát triển có một prompt cục bộ khác nhau. Chất lượng công việc phụ thuộc vào người sử dụng AI. Đây không phải là một hệ thống dành cho cả nhóm.

MCP thay đổi điều này. Thay vì chỉ gọi các công cụ trong khi làm việc, AI có thể nhận được các quy tắc làm việc trước khi bắt đầu.

Khi bắt đầu một phiên làm việc, client AI sẽ gọi một hàm khởi tạo (startup function). Hàm đó trả về:

  • Các chính sách truy cập
  • Các nguồn ngữ cảnh chính thống
  • Các kỹ năng có sẵn
  • Danh mục quy trình làm việc
  • Các quy tắc xử lý các thông tin chưa biết

Mô hình không chỉ có quyền truy cập vào các công cụ. Nó có cả các quy tắc của công việc.

Điều này tạo ra một sự khác biệt rõ rệt:

  • MCP kiểu RPC: Mô hình gọi các công cụ trong khi đang làm việc.
  • MCP phân phối ngữ cảnh: Mô hình nhận các quy tắc trước khi bắt đầu.

Cách tiếp cận này giúp kiến thức chuyên môn có tính di động cao. Thay vì mọi người dùng phải đọc các tài liệu dài hoặc cập nhật các prompt cục bộ, một kỹ sư cấp cao chỉ cần định nghĩa một kỹ năng một lần duy nhất trên một máy chủ MCP.

Người định nghĩa kỹ năng và người sử dụng kỹ năng giờ đây được tách biệt.

Điều này cũng giải quyết vấn đề thông tin lỗi thời. Người dùng không cần phải mang theo toàn bộ kho lưu trữ các quy tắc ở cục bộ. Họ chỉ cần một kết nối MCP. Các định nghĩa chính thống sẽ nằm trên máy chủ.

RAG trả lời: Thông tin nào có thể liên quan? Phân phối ngữ cảnh MCP trả lời: Những quy tắc nào phải chi phối công việc này?

RAG là về việc truy xuất kiến thức. Phân phối ngữ cảnh MCP là về việc định nghĩa cách thức công việc diễn ra.

Đừng chỉ hỏi AI có thể gọi những công cụ nào. Hãy bắt đầu hỏi ngữ cảnh nào mà AI phải tải trước khi bắt đầu.

Source: https://dev.to/synthaicode_commander/mcp-is-more-useful-as-context-distribution-than-as-rpc-ai4

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