Memahami Model Context Protocol (MCP)

Anda sedang membaik pulih saluran ejen AI anda untuk kali kesepuluh hari ini—satu lagi integrasi API yang rapuh, satu lagi pusingan pemindahan konteks secara manual hanya untuk memastikan semuanya tidak rosak. Mengkod keras aliran pengesahan, menormalkan respons API, menyambung titik akhir—ini bukan pembangunan AI; ini adalah neraka integrasi.

Membina ejen AI yang boleh menarik data dari pelbagai sumber dengan lancar sepatutnya mudah, tetapi realiti hari ini berpecah-belah, berulang, dan sukar untuk diskalakan. Setiap alat menggunakan bahasa sendiri, memaksa anda mencipta penyelesaian sementara berbanding membina automasi sebenar.

Anthropic cuba mengubah keadaan ini dengan Model Context Protocol (MCP)—cara piawai untuk ejen AI mendapatkan dan menggunakan data luaran tanpa perlu berdepan masalah integrasi yang tidak berkesudahan. Tetapi adakah ia benar-benar menyelesaikan masalah? Mari kita perincikan.

Apa itu Protokol?

Protokol ialah satu set peraturan dan konvensyen yang menentukan bagaimana sistem berkomunikasi dan bertukar data. Berbeza dengan API, yang merupakan antara muka khusus pelaksanaan, protokol menetapkan piawaian sejagat untuk interaksi. Beberapa contoh terkenal termasuk:

• HTTP (Hypertext Transfer Protocol) – Menentukan cara pelayar web dan pelayan berkomunikasi.
• OAuth (Open Authorization Protocol) – Piawaian untuk pengesahan selamat merentasi pelbagai platform.

Protokol memastikan interoperabiliti—daripada setiap sistem mencipta semula cara data dipertukarkan, protokol menyeragamkan proses, mengurangkan kerumitan dan memudahkan integrasi diskala.

Walaupun protokol tidak wajib atau dikuatkuasakan, penggunaan protokol dari masa ke masa boleh membentuk asas bagaimana sistem berinteraksi di peringkat global—kita telah melihat ini apabila HTTP berkembang menjadi HTTPS yang lebih selamat dan diterima secara meluas, secara asasnya mengubah cara data dihantar di internet.

Apa itu Model Context Protocol (MCP)?

Model Context Protocol (MCP) ialah piawaian terbuka yang dibangunkan oleh Anthropic untuk memudahkan cara model AI mengakses dan berinteraksi dengan sumber data luaran.

Daripada memerlukan sistem AI bergantung pada integrasi API tersuai, permintaan berstruktur secara manual, dan pengesahan setiap perkhidmatan, MCP menyediakan rangka kerja bersatu untuk ejen AI mendapatkan, memproses, dan bertindak ke atas data berstruktur secara piawai.

Secara ringkas, MCP menentukan bagaimana model AI harus meminta dan menggunakan data luaran—sama ada dari pangkalan data, API, storan awan, atau aplikasi perusahaan—tanpa pembangun perlu mengkod logik khusus API untuk setiap sumber.

Mengapa MCP Dicipta?

Model AI, terutamanya LLM (model bahasa besar) dan ejen autonomi, memerlukan akses kepada alat dan pangkalan data luaran untuk menghasilkan respons yang tepat dan kontekstual. Namun, interaksi AI-ke-API semasa tidak efisien dan membebankan pembangun.

Hari ini, mengintegrasikan ejen AI dengan sistem luaran memerlukan:

• Integrasi API tersuai untuk setiap alat (CRM, storan awan, sistem tiket, dan sebagainya).
• Tetapan pengesahan untuk setiap API (OAuth, kunci API, token sesi).
• Pemformatan data secara manual supaya respons API boleh digunakan oleh model AI.
• Pengurusan had kadar dan pengendalian ralat merentasi pelbagai perkhidmatan.

Pendekatan ini tidak boleh diskala. Setiap integrasi baharu memerlukan logik tersuai, penyahpepijatan, dan penyelenggaraan, menjadikan automasi berasaskan AI perlahan, mahal, dan rapuh.

Dengan menentukan protokol bersama, MCP menjadikan model AI lebih peka data tanpa memaksa pembangun membina jambatan API tersuai untuk setiap sistem yang mereka gunakan.

Bagaimana MCP berfungsi?

Pada masa ini, ejen AI bergantung pada panggilan API tersuai, pengesahan setiap perkhidmatan, dan pemprosesan respons secara manual, mewujudkan rangkaian integrasi yang rapuh dan sukar untuk diskalakan.

Daripada memaksa ejen AI berinteraksi dengan API secara berasingan, MCP menetapkan protokol bersatu yang menyembunyikan kerumitan pengesahan, pelaksanaan permintaan, dan pemformatan data—membolehkan sistem AI memberi tumpuan kepada penaakulan, bukan logik integrasi peringkat rendah.

Seni Bina Klien-Pelayan MCP

MCP dibina berasaskan model klien-pelayan yang menyusun cara model AI mendapatkan dan berinteraksi dengan sumber data luaran.

• Klien MCP ialah ejen AI, aplikasi, atau mana-mana sistem yang meminta data berstruktur.
• Pelayan MCP bertindak sebagai perantara, mengambil data dari pelbagai API, pangkalan data, atau sistem perusahaan dan memulangkannya dalam format yang konsisten.

Daripada model AI membuat permintaan API secara langsung, pelayan MCP mengurus kerumitan pengesahan, pengambilan data, dan penyeragaman respons. Ini bermakna ejen AI tidak perlu lagi mengurus pelbagai kelayakan API, format permintaan berbeza, atau struktur respons yang tidak konsisten.

Sebagai contoh, jika model AI perlu mendapatkan maklumat dari beberapa perkhidmatan seperti Google Drive, Slack, dan pangkalan data, ia tidak lagi perlu bertanya kepada setiap API secara berasingan. Ia hanya menghantar satu permintaan berstruktur kepada pelayan MCP, yang akan memproses permintaan itu, mengumpul data dari sumber yang diperlukan, dan memulangkan respons yang teratur.

Kitaran Permintaan-Respons MCP

Interaksi MCP biasa mengikuti kitaran permintaan-respons berstruktur yang menghapuskan panggilan API berulang dan menyeragamkan pengambilan data.

1. Ejen AI menghantar permintaan berstruktur kepada pelayan MCP. Daripada membina permintaan API individu, ejen hanya menentukan data yang diperlukan dalam format seragam.

{
  "request_id": "xyz-987",
  "queries": [
    {
      "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, memeriksa kebenaran, dan menentukan sistem luaran mana yang perlu diakses.

3. Pertanyaan dijalankan secara selari, bermakna data dari pelbagai perkhidmatan diambil pada masa yang sama dan bukannya satu demi satu, mengurangkan kelewatan keseluruhan.

4. Respons dari pelbagai sumber diseragamkan ke dalam format berstruktur yang mudah diproses 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 pemprosesan manual, MCP memastikan semua data yang diambil mengikuti format berstruktur yang boleh dijangka, memudahkan model AI memahami dan menggunakannya.

Pelaksanaan Pertanyaan dan Pengagregatan Respons

MCP direka untuk mengoptimumkan cara model AI berinteraksi dengan sistem luaran dengan memperkenalkan proses pelaksanaan yang berstruktur.

1. Pengesahan permintaan memastikan model AI mempunyai kebenaran yang diperlukan sebelum sebarang data diambil.
2. Pelarasan pertanyaan menentukan perkhidmatan luaran mana yang perlu diakses.
3. Pelaksanaan selari mengambil data dari pelbagai sumber secara serentak, mengurangkan kelewatan akibat permintaan API berturutan.
4. Pengagregatan respons menggabungkan data berstruktur ke dalam satu respons, menghapuskan keperluan model AI memproses pelbagai output API mentah secara manual.

Dengan mengurangkan permintaan berulang, menyeragamkan respons, dan mengurus pengesahan secara berpusat, MCP menghapuskan beban API yang tidak perlu dan menjadikan automasi berasaskan AI lebih mudah diskala.

Had MCP

Model Context Protocol (MCP) ialah langkah penting ke arah menjadikan model AI lebih berupaya berinteraksi dengan sistem luaran secara berstruktur dan boleh diskala. Namun, seperti teknologi baharu lain, ia mempunyai batasan yang perlu diatasi sebelum boleh diterima secara meluas.

Cabaran Pengesahan

Salah satu janji terbesar MCP ialah mengurangkan kebergantungan ejen AI pada integrasi khusus API. Namun, pengesahan (AuthN) masih menjadi cabaran utama.

Pada masa kini, pengesahan API adalah proses yang berpecah-belah—sesetengah perkhidmatan menggunakan OAuth, yang lain bergantung pada kunci API, dan ada juga yang memerlukan pengesahan berasaskan sesi. Ketidakkonsistenan ini menjadikan proses onboarding API baharu memakan masa, dan MCP pada masa ini tidak mempunyai rangka kerja pengesahan terbina dalam untuk menguruskan kerumitan ini.

MCP masih memerlukan mekanisme luaran untuk mengesahkan permintaan API, yang bermaksud ejen AI yang menggunakan MCP perlu bergantung pada penyelesaian tambahan seperti Composio untuk menguruskan kelayakan API. Pengesahan berada dalam perancangan untuk MCP, tetapi sehingga ia dilaksanakan sepenuhnya, pembangun masih perlu mencari jalan penyelesaian untuk menguruskan pengesahan merentasi pelbagai sistem.

Pengurusan Identiti yang Tidak Jelas

Satu lagi isu yang belum diselesaikan ialah pengurusan identiti—siapa yang dilihat oleh sistem luaran apabila ejen AI membuat permintaan melalui MCP?

Sebagai contoh, jika pembantu AI membuat pertanyaan ke Slack melalui MCP, patutkah Slack mengenal pasti permintaan itu sebagai datang daripada:

• Pengguna akhir? (Bermaksud AI bertindak bagi pihak manusia.)
• Ejen AI itu sendiri? (Yang memerlukan Slack mengendalikan interaksi berasaskan AI secara berasingan.)
• Akaun sistem bersama? (Ini boleh menimbulkan isu keselamatan dan kawalan akses.)

Isu ini menjadi lebih rumit dalam persekitaran perusahaan, di mana dasar kawalan akses menentukan siapa boleh mendapatkan data apa. Tanpa pemetaan identiti yang jelas, integrasi MCP boleh menghadapi sekatan akses, risiko keselamatan, atau ketidakkonsistenan merentasi pelbagai platform.

Sokongan OAuth dirancang untuk MCP, yang mungkin membantu memperjelas pengurusan identiti, tetapi sehingga ia dilaksanakan sepenuhnya, model AI mungkin menghadapi kesukaran dengan akses berasaskan kebenaran ke perkhidmatan pihak ketiga.

Penguncian 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 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 utama atau hanya menjadi salah satu daripada beberapa pilihan yang bersaing masih belum pasti.

Adakah penyedia AI akan menyesuaikan diri dengan MCP?

MCP menawarkan rangka kerja universal untuk mengurangkan pemecahan dalam integrasi AI, di mana setiap sambungan kini memerlukan penyelesaian khusus yang meningkatkan kerumitan.

Untuk MCP menjadi piawaian yang diterima secara meluas, penyedia AI utama perlu menggunakannya. Syarikat seperti OpenAI, Google DeepMind, dan Meta masih belum komited, menjadikan daya tahan jangka panjangnya tidak pasti. Tanpa kerjasama industri secara menyeluruh, risiko pelbagai protokol bersaing kekal tinggi.

Beberapa syarikat telah mula menggunakan MCP. Replit, Codeium, dan Sourcegraph telah mengintegrasikannya untuk memudahkan cara ejen AI mereka berinteraksi dengan data berstruktur. Namun, penggunaan yang lebih meluas diperlukan supaya MCP dapat bergerak melepasi fasa percubaan awal.

Selain syarikat AI, usaha penyeragaman global boleh mempengaruhi masa depan MCP. Organisasi seperti ISO/IEC JTC 1/SC 42 sedang berusaha untuk menentukan rangka kerja integrasi AI. Inisiatif kebangsaan, seperti jawatankuasa piawaian AI China, menunjukkan persaingan untuk membentuk generasi protokol AI yang seterusnya.

MCP masih dalam proses evolusi. Jika industri sebulat suara menyokongnya, integrasi AI boleh menjadi lebih serasi dan boleh diskala. Namun, jika piawaian bersaing muncul, pembangun mungkin berdepan ekosistem yang berpecah-belah dan bukannya penyelesaian yang bersatu.

Bina Ejen AI yang Berintegrasi dengan API

MCP memudahkan interaksi AI, tetapi pengesahan dan akses API berstruktur masih menjadi cabaran utama. Botpress menawarkan sokongan OAuth dan JWT, membolehkan ejen AI mengesahkan dengan selamat dan berinteraksi dengan Slack, Google Calendar, Notion, dan banyak lagi.

Dengan Autonomous Node, ejen AI boleh membuat keputusan berasaskan LLM dan melaksanakan tugasan secara dinamik. Botpress menyediakan cara berstruktur untuk membina ejen AI yang boleh berhubung merentasi pelbagai sistem.

Mula membina hari ini—Ia percuma.

Soalan Lazim

1. Bolehkah MCP dikonfigurasi untuk mematuhi piawaian SOC 2, HIPAA, atau GDPR?

Ya, MCP boleh dikonfigurasikan untuk mematuhi piawaian SOC 2, HIPAA, atau GDPR, tetapi pematuhan bergantung pada cara pelayan MCP dilaksanakan dan dihoskan. Anda perlu memastikan pengendalian data yang selamat melalui penyulitan (semasa rehat dan dalam transit), kawalan akses yang ketat, peminimuman data, dan pencatatan audit.

2. Bagaimana ejen AI menentukan bila perlu mengaktifkan MCP berbanding bergantung pada memori dalaman?

Ejen AI akan mencetuskan MCP apabila pertanyaan memerlukan maklumat terkini atau luaran yang tidak disimpan dalam ingatan dalaman ejen. Keputusan ini berdasarkan kejuruteraan prompt atau peraturan logik, seperti penanda pengambilan atau niat khusus yang menandakan keperluan untuk mendapatkan data berstruktur.

3. Adakah MCP serasi dengan seni bina RAG (retrieval-augmented generation) sedia ada?

Ya, MCP serasi dengan seni bina RAG kerana ia bertindak sebagai cara berstruktur untuk ejen mendapatkan maklumat luaran. Daripada menulis kod panggilan API secara manual, MCP membolehkan ejen AI melakukan carian kontekstual merentasi pelbagai sumber data.

4. Jenis aliran kerja perniagaan apa yang paling mendapat manfaat daripada integrasi MCP?

Aliran kerja perniagaan dengan pelbagai sistem yang terpisah—seperti sokongan pelanggan, pemerkasaan jualan, operasi IT, dan pengurusan pengetahuan dalaman—paling mendapat manfaat daripada integrasi MCP. MCP memudahkan akses data merentasi silo, membolehkan ejen AI mendapatkan konteks yang diperlukan atau melaksanakan tindakan tanpa kerja integrasi khusus untuk setiap alat.

5. Bagaimana syarikat permulaan boleh menggunakan MCP tanpa perlu mengubah keseluruhan seni bina data mereka?

Syarikat permulaan boleh menggunakan MCP secara berperingkat dengan melaksanakannya untuk alat berimpak tinggi seperti Slack, HubSpot, atau Notion menggunakan penyambung sedia ada atau pengendali khusus yang ringkas. Oleh kerana MCP mengabstrakkan lapisan integrasi, pasukan boleh memperkenalkannya tanpa perlu mengubah suai sistem backend.