Łamanie protokołu kontekstu modelu (MCP)

Architektura klient-serwer MCP

MCP opiera się na modelu klient-serwer, który strukturyzuje sposób, w jaki modele AI pobierają i współdziałają z zewnętrznymi źródłami danych.

• Klientami MCP są agenci AI, aplikacje lub dowolny system, który żąda ustrukturyzowanych danych.
• Serwery MCP działają jako pośrednicy, pobierając dane z różnych interfejsów API, baz danych lub systemów korporacyjnych i zwracając je w spójnym formacie.

Zamiast modeli AI wykonujących bezpośrednie żądania API, serwery MCP obsługują złożoność uwierzytelniania, pobierania danych i normalizacji odpowiedzi. Oznacza to, że agenci AI nie muszą już zarządzać wieloma danymi uwierzytelniającymi API, różnymi formatami żądań lub niespójnymi strukturami odpowiedzi.

Na przykład, jeśli model sztucznej inteligencji musi pobierać informacje z wielu usług, takich jak Dysk Google, Slack i baza danych, nie wysyła zapytania do każdego interfejsu API osobno. Wysyła pojedyncze ustrukturyzowane żądanie do serwera MCP, który przetwarza żądanie, zbiera dane z niezbędnych źródeł i zwraca dobrze zorganizowaną odpowiedź.

Cykl życia żądania-odpowiedzi MCP

Typowa interakcja MCP przebiega zgodnie z ustrukturyzowanym cyklem żądanie-odpowiedź, który eliminuje zbędne wywołania API i standaryzuje pobieranie danych.

1. Agent AI wysyła ustrukturyzowane żądanie do serwera MCP. Zamiast tworzyć indywidualne żądania API, agent określa, jakich danych potrzebuje w jednolitym formacie.

{

  "request_id": "xyz-987",

  "zapytania": [

    {"source": "github", "action": "get_recent_commits", "repo": "company/project"},

    {"source": "slack", "action": "fetch_unread_messages", "channel": "engineering"}

  ]

}

2. Serwer MCP przetwarza żądanie, weryfikując uwierzytelnienie, sprawdzając uprawnienia i określając, które systemy zewnętrzne należy odpytywać.

3. Zapytania są wykonywane równolegle, co oznacza, że dane z wielu usług są pobierane w tym samym czasie, a nie sekwencyjnie, co zmniejsza ogólne opóźnienia.

4. Odpowiedzi z różnych źródeł są standaryzowane do ustrukturyzowanego formatu, który modele AI mogą łatwo przetwarzać.

{

  "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"}

    ]

  }

}

W przeciwieństwie do surowych odpowiedzi API, które wymagają ręcznego analizowania, MCP zapewnia, że wszystkie pobrane dane mają przewidywalny, ustrukturyzowany format, dzięki czemu modele AI są łatwiejsze do zrozumienia i wykorzystania.

Wykonywanie zapytań i agregacja odpowiedzi

MCP został zaprojektowany w celu optymalizacji interakcji modeli AI z systemami zewnętrznymi poprzez wprowadzenie ustrukturyzowanego procesu wykonywania.

1. Walidacja żądań zapewnia, że model AI ma niezbędne uprawnienia przed pobraniem jakichkolwiek danych.
2. Routing zapytań określa, do których usług zewnętrznych należy uzyskać dostęp.
3. Równoległe wykonywanie pobiera dane z wielu źródeł w tym samym czasie, zmniejszając opóźnienia powodowane przez sekwencyjne żądania API.
4. Agregacja odpowiedzi konsoliduje ustrukturyzowane dane w jedną odpowiedź, eliminując potrzebę ręcznego przetwarzania wielu surowych danych wyjściowych API przez modele AI.

Redukując nadmiarowe żądania, normalizując odpowiedzi i centralnie obsługując uwierzytelnianie, MCP eliminuje niepotrzebne narzuty API i sprawia, że automatyzacja oparta na sztucznej inteligencji jest bardziej skalowalna.

Wyzwania związane z uwierzytelnianiem

Jedną z największych obietnic MCP jest uczynienie agentów AI mniej zależnymi od integracji specyficznych dla API. Uwierzytelnianie (AuthN) pozostaje jednak głównym wyzwaniem.

Obecnie uwierzytelnianie API jest procesem fragmentarycznym - niektóre usługi korzystają z OAuth, inne polegają na kluczach API, a jeszcze inne wymagają uwierzytelniania opartego na sesji. Ta niespójność sprawia, że wdrażanie nowych interfejsów API jest czasochłonne, a MCP nie ma obecnie wbudowanej struktury uwierzytelniania do obsługi tej złożoności.

MCP nadal wymaga zewnętrznego mechanizmu uwierzytelniania żądań API, co oznacza, że agenci AI korzystający z MCP muszą polegać na dodatkowych rozwiązaniach, takich jak Composio, do zarządzania poświadczeniami API. Uwierzytelnianie znajduje się na mapie drogowej MCP, ale dopóki nie zostanie w pełni wdrożone, programiści nadal będą potrzebować obejść, aby obsługiwać uwierzytelnianie w wielu systemach.

Niejasne zarządzanie tożsamością

Kolejną nierozwiązaną kwestią jest zarządzanie tożsamością - kogo widzi zewnętrzny system, gdy agent AI wysyła żądanie za pośrednictwem MCP?

Na przykład, jeśli asystent AI zapyta Slack za pośrednictwem MCP, czy Slack powinien rozpoznać żądanie jako pochodzące od:

• Użytkownik końcowy (co oznacza, że sztuczna inteligencja działa w imieniu człowieka).
• Sam agent AI? (Co wymagałoby, aby Slack oddzielnie obsługiwał interakcje oparte na sztucznej inteligencji).
• Współdzielone konto systemowe (co może wprowadzić obawy dotyczące bezpieczeństwa i kontroli dostępu).

Kwestia ta jest jeszcze bardziej skomplikowana w środowiskach korporacyjnych, gdzie zasady kontroli dostępu określają, kto może pobierać jakie dane. Bez jasnego mapowania tożsamości integracje MCP mogą napotkać ograniczony dostęp, zagrożenia bezpieczeństwa lub niespójności na różnych platformach.

Obsługa OAuth jest planowana dla MCP, co może pomóc w wyjaśnieniu obsługi tożsamości, ale dopóki nie zostanie w pełni wdrożona, modele AI mogą mieć trudności z dostępem do usług innych firm w oparciu o uprawnienia. 

Przywiązanie do jednego dostawcy i fragmentacja ekosystemu

MCP jest obecnie inicjatywą prowadzoną przez Anthropic, co rodzi pytania o jego długoterminową standaryzację. W miarę rozwoju ekosystemów sztucznej inteligencji istnieje duże prawdopodobieństwo, że inni główni gracze - tacy jak OpenAI lub DeepSeek - opracują własne protokoły interakcji między sztuczną inteligencją a systemem.

Jeśli pojawi się wiele konkurencyjnych standardów, branża może ulec fragmentacji, zmuszając deweloperów do wyboru między różnymi, niekompatybilnymi podejściami. Nie wiadomo jeszcze, czy MCP pozostanie dominującym podejściem, czy po prostu stanie się jedną z kilku konkurencyjnych opcji.