MCP vs API: Tại sao các API truyền thống lại thất bại với các AI Agent

Các API truyền thống đang khiến các AI agent của bạn trở nên chậm chạp và tốn kém.

Tôi đã dành nhiều năm xây dựng các ứng dụng web với REST và GraphQL. Tôi biết cách xử lý trạng thái (state) và tối ưu hóa payload. Nhưng việc xây dựng cho các AI agent lại là một câu chuyện khác.

Chúng ta thường đối xử với các LLM như những lập trình viên con người. Chúng ta đưa cho chúng một API endpoint và mong đợi chúng hoạt động. Đây là một sai lầm.

Model Context Protocol (MCP) thay đổi điều này. Nó là một tiêu chuẩn mở cho khả năng kết nối AI. Nếu bạn viết mã kết nối (glue code) tùy chỉnh để liên kết LLM với các công cụ của mình, bạn đang tạo ra nợ kỹ thuật (technical debt).

Tại sao các API truyền thống thất bại với các AI agent:

  • Bài toán N x M: Nếu bạn có 5 framework AI và 5 công cụ doanh nghiệp, bạn phải viết tới 25 bộ kết nối tùy chỉnh. MCP chuyển đổi điều này thành kiến trúc N + M. Mỗi công cụ sử dụng một MCP server. Mỗi agent sử dụng một MCP client.
  • Tĩnh vs Động: Các REST API yêu cầu các đường dẫn được mã hóa cứng (hardcoded). Các AI agent cần khám phá các công cụ tại thời điểm thực thi (runtime). MCP cho phép các agent thấy được các khả năng hiện có một cách tức thời thông qua việc khám phá động (dynamic discovery).
  • Lãng phí Token: Các API truyền thống thường trả về các payload JSON khổng lồ. Các payload lớn gây lãng phí tiền bạc và làm tăng độ trễ. Chúng cũng gây ra tình trạng "context rot" (suy giảm ngữ cảnh), nơi mô hình bị mất tập trung. MCP trả về dữ liệu được tối ưu hóa cho cửa sổ ngữ cảnh (context window) của LLM.
  • Tính không trạng thái (Statelessness): REST là stateless. Các AI agent hoạt động trong một vòng lặp liên tục của tư duy và hành động. MCP sử dụng các phiên làm việc có trạng thái (stateful sessions) để duy trì ngữ cảnh mà không cần gửi lại lượng dữ liệu khổng lồ.

MCP sử dụng ba thành phần cốt lõi:

  • Tools: Các hành động mà mô hình thực hiện, chẳng hạn như chạy một truy vấn SQL.
  • Resources: Dữ liệu chỉ đọc như các tệp log hoặc tài liệu.
  • Prompts: Các template hướng dẫn quá trình suy luận của mô hình.

MCP không thay thế cơ sở dữ liệu hay backend của bạn. MCP server của bạn vẫn sẽ gọi các API hiện có. MCP thay thế những đoạn mã mong manh (brittle code) mà bạn viết để kết nối các dịch vụ đó với một LLM.

Hãy ngừng viết các hàm tùy chỉnh để chuyển đổi JSON thành chuỗi (stringify JSON) cho các lệnh gọi LLM của bạn. Hãy xây dựng một kiến trúc có khả năng mở rộng cho tương lai của các AI agent.

Bạn nghĩ sao về điều này? Bạn đã sử dụng MCP chưa hay vẫn đang trung thành với custom function calling?

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

Cộng đồng học tập tùy chọn: https://t.me/GyaanSetuAi