Memecahkan Protokol Konteks Model (MCP)

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",
  "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, 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.

1. Permintaan pengesahan memastikan bahawa model AI mempunyai kebenaran yang diperlukan sebelum sebarang data diambil semula.
2. Penghalaan pertanyaan menentukan perkhidmatan luaran yang perlu diakses.
3. Pelaksanaan selari mendapatkan semula data daripada berbilang sumber pada masa yang sama, mengurangkan kelewatan yang disebabkan oleh permintaan API berurutan.
4. 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.

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 pada masa ini adalah Anthropic Inisiatif yang diterajui, 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 dominan atau sekadar menjadi salah satu daripada beberapa pilihan yang bersaing masih perlu dilihat.

1. Bolehkah MCP dikonfigurasikan untuk mematuhi standard SOC 2, HIPAA atau GDPR?

Ya, tetapi ia bergantung pada cara anda melaksanakan dan mengehoskannya. Memandangkan MCP hanyalah protokol, anda perlu memastikan pelayan MCP anda mengendalikan data dengan selamat, dengan penyulitan, kawalan akses dan pengelogan audit, untuk memenuhi keperluan pematuhan.

2. Bagaimanakah ejen AI menentukan masa untuk mencetuskan MCP berbanding bergantung pada memori dalaman?

Biasanya, mereka bergantung pada logik segera atau peraturan tersuai, seperti menyemak sama ada maklumat itu mungkin lapuk atau tidak tersedia secara dalaman. Jika soalan memerlukan data baharu atau luaran, pada masa itulah ejen AI memanggil MCP untuk mengambilnya.

3. Adakah MCP serasi dengan seni bina RAG (generasi dipertingkatkan semula) sedia ada?

ya. MCP boleh memasukkan terus ke dalam persediaan RAG dengan bertindak sebagai pengumpul data berstruktur, menggantikan panggilan API manual dengan pendekatan yang lebih konsisten dan diperkemas.

4. Apakah jenis aliran kerja perniagaan yang paling banyak mendapat manfaat daripada penyepaduan MCP?

Apa-apa sahaja yang melibatkan banyak alatan atau silo data, seperti sokongan pelanggan, operasi IT dalaman, pembolehan jualan atau pengurusan pengetahuan, boleh memanfaatkan masa yang besar daripada MCP yang memudahkan cara ejen AI mendapatkan maklumat yang mereka perlukan.

5. Bagaimanakah syarikat pemula boleh mengguna pakai MCP tanpa merombak keseluruhan seni bina data mereka?

Mulakan dari kecil. Anda boleh menggunakan MCP untuk hanya satu atau dua penyepaduan utama dahulu, seperti Slack atau CRM, kemudian kembangkan mengikut keperluan. Memandangkan ia menghilangkan sebahagian besar kerja API yang tidak kemas, ia merupakan daya angkat yang cukup ringan untuk dimulakan.