.webp)
Anda sedang mendawai semula saluran paip ejen AI anda untuk kali kesepuluh hari ini—satu lagi penyepaduan API rapuh, satu lagi pusingan penghantaran konteks manual hanya untuk mengelakkan perkara daripada rosak. Aliran pengesahan pengekodan keras, menormalkan respons API, mencantumkan titik akhir—ini bukan pembangunan AI; ia adalah neraka integrasi.
Membina ejen AI yang menarik data dengan lancar daripada pelbagai sumber haruslah mudah, tetapi realiti hari ini adalah berpecah-belah, berulang dan sukar untuk skala. Setiap alat bercakap bahasanya sendiri, memaksa anda menggodam penyelesaian bersama dan bukannya mencipta automasi sebenar.
Anthropic cuba mengubahnya dengan Model Context Protocol (MCP)—cara piawai untuk ejen AI untuk mendapatkan dan menggunakan data luaran tanpa mimpi ngeri penyepaduan yang tidak berkesudahan. Tetapi adakah ia menyelesaikan masalah? Mari kita pecahkannya.
Apakah itu Protokol?
Protokol ialah satu set peraturan dan konvensyen yang menentukan cara sistem berkomunikasi dan bertukar data. Tidak seperti API, antara muka khusus pelaksanaan, protokol menetapkan standard universal untuk interaksi. Beberapa contoh yang terkenal termasuk:
- HTTP (Hypertext Transfer Protocol) – Mentakrifkan cara pelayar web dan pelayan berkomunikasi.
- OAuth (Protokol Kebenaran Terbuka) – Standard untuk pengesahan selamat merentas platform yang berbeza.
Protokol memastikan kesalingoperasian—daripada setiap sistem mencipta semula cara pertukaran data, protokol menyeragamkan proses, mengurangkan kerumitan dan menjadikan integrasi lebih berskala.
Walaupun protokol tidak diwajibkan atau dikuatkuasakan, penggunaan protokol dari semasa ke semasa boleh membentuk asas bagaimana sistem berinteraksi pada skala global—kami melihat ini dengan HTTP berkembang menjadi HTTPS yang lebih selamat dan diterima secara meluas, secara asasnya mengubah cara data dihantar merentas internet.
Apakah itu Model Context Protocol (MCP)?
Model Context Protocol (MCP) ialah standard terbuka yang dibangunkan oleh Anthropic untuk menyelaraskan cara model AI mengakses dan berinteraksi dengan sumber data luaran.
Daripada menghendaki sistem AI bergantung pada penyepaduan API tersuai, permintaan berstruktur secara manual dan pengesahan setiap perkhidmatan, MCP menyediakan rangka kerja bersatu untuk ejen AI untuk mendapatkan, memproses dan bertindak ke atas data berstruktur dengan cara yang standard.
Dalam istilah yang lebih mudah, MCP mentakrifkan cara model AI harus meminta dan menggunakan data luaran—sama ada daripada pangkalan data, API, storan awan atau aplikasi perusahaan—tanpa memerlukan pembangun mengekod logik khusus API untuk setiap sumber.
Mengapa MCP Dicipta?
model AI, terutamanya LLMs (model bahasa besar) dan ejen autonomi, memerlukan akses kepada alat dan pangkalan data luaran untuk menjana respons kontekstual yang tepat. Walau bagaimanapun, interaksi AI-ke-API semasa adalah tidak cekap dan mewujudkan overhed yang ketara untuk pembangun.
Hari ini, menyepadukan ejen AI dengan sistem luaran memerlukan:
- Penyepaduan API tersuai untuk setiap alat (CRM, storan awan, sistem tiket, dll.).
- Persediaan pengesahan setiap API (OAuth, kunci API, token sesi).
- Pemformatan data manual untuk menjadikan respons API boleh digunakan untuk model AI.
- Pengurusan had kadar dan pengendalian ralat merentas perkhidmatan yang berbeza.
Pendekatan ini tidak berskala. Setiap penyepaduan baharu memerlukan logik tersuai, penyahpepijatan dan penyelenggaraan, menjadikan automasi dipacu AI perlahan, mahal dan rapuh.
Dengan mentakrifkan protokol biasa, MCP menjadikan model AI lebih sedar data tanpa memaksa pembangun membina jambatan API tersuai untuk setiap sistem yang berinteraksi dengannya.
Bagaimanakah MCP berfungsi?
Hari ini, ejen AI bergantung pada panggilan API tersuai, pengesahan setiap perkhidmatan dan penghuraian respons manual, mewujudkan web penyepaduan yang rapuh yang sukar untuk skala.
Daripada memaksa ejen AI untuk berinteraksi dengan API secara berasingan, MCP menetapkan protokol bersatu yang mengabstrakkan kerumitan pengesahan, pelaksanaan permintaan dan pemformatan data—membolehkan sistem AI menumpukan pada penaakulan dan bukannya logik integrasi peringkat rendah.
Seni Bina Pelayan Pelanggan MCP
MCP dibina pada model pelayan pelanggan yang menstruktur cara model AI mendapatkan dan berinteraksi dengan sumber data luaran.
- Pelanggan MCP ialah ejen AI, aplikasi atau mana-mana sistem yang meminta data berstruktur.
- Pelayan MCP bertindak sebagai perantara, mengambil data daripada pelbagai API, pangkalan data atau sistem perusahaan dan mengembalikannya dalam format yang konsisten.
Daripada model AI yang membuat permintaan API langsung, pelayan MCP mengendalikan kerumitan pengesahan, pengambilan data dan normalisasi tindak balas. Ini bermakna ejen AI tidak perlu lagi mengurus bukti kelayakan API, format permintaan yang berbeza atau struktur tindak balas yang tidak konsisten.
Contohnya, jika model AI perlu menarik maklumat daripada berbilang perkhidmatan seperti Google Drive, Slack , dan pangkalan data, ia tidak menanyakan setiap API secara berasingan. Ia menghantar satu permintaan berstruktur tunggal kepada pelayan MCP, yang memproses permintaan itu, mengumpulkan data daripada sumber yang diperlukan dan mengembalikan respons yang teratur.
Kitaran Hayat Permintaan-Respons MCP
Interaksi MCP biasa mengikuti kitaran permintaan-tindak balas berstruktur yang menghapuskan panggilan API berlebihan dan menyeragamkan pengambilan data.
1. Ejen AI menghantar permintaan berstruktur kepada pelayan MCP. Daripada membuat permintaan API individu, ejen mentakrifkan data yang diperlukan dalam format seragam.{
"request_id": "xyz-987",
"pertanyaan": [
{"source": "github", "action": "get_recent_commits", "repo": "company/project"},
{"source": "slack", "action": "fetch_unread_messages", "channel": "engineering"}
]
}
2. Pelayan MCP memproses permintaan dengan mengesahkan pengesahan, menyemak kebenaran dan menentukan sistem luaran yang hendak ditanya.
3. Pertanyaan dilaksanakan secara selari, bermakna data daripada berbilang perkhidmatan diambil pada masa yang sama dan bukannya secara berurutan, mengurangkan kependaman keseluruhan.
4. Maklum balas daripada sumber yang berbeza diseragamkan ke dalam format berstruktur yang boleh diproses dengan mudah oleh model AI.{
"github": {
"recent_commits": [
{"author": "Alice", "message": "Refactored AI pipeline", "timestamp": "2024-03-12T10:15:00Z"}
]
},
"slack": {
"unread_messages": [
{"user": "Bob", "text": "Hey, can you review the PR?", "timestamp": "2024-03-12T09:45:00Z"}
]
}
}
Tidak seperti respons API mentah yang memerlukan penghuraian manual, MCP memastikan semua data yang diambil mengikut format berstruktur yang boleh diramal, menjadikannya lebih mudah untuk model AI untuk difahami dan digunakan.
Pelaksanaan Pertanyaan dan Pengagregatan Respons
MCP direka bentuk untuk mengoptimumkan cara model AI berinteraksi dengan sistem luaran dengan memperkenalkan proses pelaksanaan berstruktur.
- Permintaan pengesahan memastikan bahawa model AI mempunyai kebenaran yang diperlukan sebelum sebarang data diambil semula.
- Penghalaan pertanyaan menentukan perkhidmatan luaran yang perlu diakses.
- Pelaksanaan selari mendapatkan semula data daripada berbilang sumber pada masa yang sama, mengurangkan kelewatan yang disebabkan oleh permintaan API berurutan.
- Pengagregatan respons menyatukan data berstruktur menjadi satu respons, menghapuskan keperluan untuk model AI untuk memproses berbilang output API mentah secara manual.
Dengan mengurangkan permintaan berlebihan, menormalkan respons dan mengendalikan pengesahan secara berpusat, MCP menghapuskan overhed API yang tidak perlu dan menjadikan automasi dipacu AI lebih berskala.
Had MCP
Protokol Konteks Model (MCP) ialah langkah penting ke arah menjadikan model AI lebih mampu berinteraksi dengan sistem luaran secara berstruktur dan berskala. Walau bagaimanapun, seperti mana-mana teknologi baru muncul, ia datang dengan batasan yang perlu ditangani sebelum diterima pakai secara meluas.
Cabaran Pengesahan
Salah satu janji terbesar MCP ialah menjadikan ejen AI kurang bergantung pada penyepaduan khusus API. Walau bagaimanapun, pengesahan (AuthN) kekal sebagai cabaran utama.
Hari ini, pengesahan API ialah proses berpecah-belah—sesetengah perkhidmatan menggunakan OAuth, yang lain bergantung pada kunci API dan sesetengahnya memerlukan pengesahan berasaskan sesi. Ketidakkonsistenan ini menjadikan penggunaan API baharu memakan masa dan MCP pada masa ini tidak mempunyai rangka kerja pengesahan terbina dalam untuk mengendalikan kerumitan ini.
MCP masih memerlukan beberapa mekanisme luaran untuk mengesahkan permintaan API, yang bermaksud ejen AI yang menggunakan MCP mesti bergantung pada penyelesaian tambahan, seperti Composito, untuk mengurus bukti kelayakan API. Pengesahan berada pada peta jalan untuk MCP, tetapi sehingga ia dilaksanakan sepenuhnya, pembangun masih memerlukan penyelesaian untuk mengendalikan pengesahan merentas berbilang sistem.
Pengurusan Identiti Tidak Jelas
Satu lagi isu yang tidak dapat diselesaikan ialah pengurusan identiti—siapa yang dilihat oleh sistem luaran apabila ejen AI membuat permintaan melalui MCP?
Contohnya, jika pembantu AI bertanya Slack melalui MCP, sepatutnya Slack mengiktiraf permintaan itu datang daripada:
- Pengguna akhir? (Bermaksud AI bertindak bagi pihak manusia.)
- Ejen AI itu sendiri? (Yang memerlukan Slack untuk mengendalikan interaksi berasaskan AI secara berasingan.)
- Akaun sistem kongsi? (Yang boleh memperkenalkan kebimbangan keselamatan dan kawalan akses.)
Isu ini lebih rumit dalam persekitaran perusahaan, di mana dasar kawalan akses menentukan siapa yang boleh mendapatkan semula data. Tanpa pemetaan identiti yang jelas, integrasi MCP boleh menghadapi akses terhad, risiko keselamatan atau ketidakkonsistenan merentas platform yang berbeza.
Sokongan OAuth dirancang untuk MCP, yang mungkin membantu menjelaskan pengendalian identiti, tetapi sehingga ini dilaksanakan sepenuhnya, model AI mungkin bergelut dengan akses berasaskan kebenaran kepada perkhidmatan pihak ketiga.
Kunci Masuk Vendor dan Pemecahan Ekosistem
MCP kini merupakan inisiatif yang diterajui oleh Anthropic, yang menimbulkan persoalan tentang penyeragaman jangka panjangnya. Apabila ekosistem AI berkembang, terdapat kemungkinan besar bahawa pemain utama lain-seperti OpenAI atau DeepSeek—akan membangunkan protokol mereka sendiri untuk interaksi AI-ke-sistem.
Jika pelbagai piawaian bersaing muncul, industri boleh berpecah, memaksa pembangun memilih antara pendekatan yang berbeza dan tidak serasi. Sama ada MCP kekal sebagai pendekatan dominan atau sekadar menjadi salah satu daripada beberapa pilihan yang bersaing masih perlu dilihat.
Adakah pembekal AI akan menyeragamkan sekitar MCP?
MCP menawarkan rangka kerja universal untuk mengurangkan pemecahan dalam penyepaduan AI, di mana setiap sambungan pada masa ini memerlukan penyelesaian tersuai yang meningkatkan kerumitan.
Untuk MCP menjadi standard yang diterima secara meluas, penyedia AI utama perlu mengguna pakainya. Syarikat suka OpenAI , Google DeepMind dan Meta masih belum komited, menyebabkan daya maju jangka panjangnya tidak menentu. Tanpa kerjasama seluruh industri, risiko pelbagai protokol bersaing kekal tinggi.
Sesetengah syarikat telah mula menggunakan MCP. Replit, Codeium dan Sourcegraph telah menyepadukannya untuk menyelaraskan cara ejen AI mereka berinteraksi dengan data berstruktur. Walau bagaimanapun, penggunaan yang lebih luas diperlukan untuk MCP bergerak melangkaui percubaan awal.
Di luar syarikat AI, usaha penyeragaman global boleh mempengaruhi masa depan MCP. Organisasi seperti ISO/IEC JTC 1/SC 42 sedang berusaha untuk menentukan rangka kerja penyepaduan AI. Inisiatif nasional, seperti jawatankuasa piawaian AI China, menyerlahkan perlumbaan untuk membentuk protokol AI generasi akan datang.
MCP masih berkembang. Jika industri sejajar di sekelilingnya, integrasi AI boleh menjadi lebih saling beroperasi dan berskala. Walau bagaimanapun, jika piawaian bersaing muncul, pembangun mungkin menghadapi ekosistem yang berpecah-belah dan bukannya penyelesaian bersatu.
Bina Ejen AI yang Bersepadu dengan API
MCP memudahkan interaksi AI, tetapi pengesahan dan akses API berstruktur kekal sebagai cabaran utama. Botpress menawarkan sokongan OAuth dan JWT, membenarkan ejen AI untuk mengesahkan dengan selamat dan berinteraksi dengannya Slack , Google Calendar , Notion , dan banyak lagi.
Dengan Nod Autonomi, ejen AI boleh membuat LLM keputusan yang didorong dan melaksanakan tugas secara dinamik. Botpress menyediakan cara berstruktur untuk membina ejen AI yang menghubungkan merentasi pelbagai sistem.
Mula membina hari ini —Percuma.
.svg)
