Łamanie protokołu kontekstu modelu (MCP)

Dziś po raz dziesiąty przerabiasz swój potok agentów AI - kolejna krucha integracja API, kolejna runda ręcznego przekazywania kontekstu, aby wszystko się nie zepsuło. Twarde kodowanie przepływów uwierzytelniania, normalizacja odpowiedzi API, łączenie punktów końcowych - to nie jest rozwój AI; to piekło integracji.

Tworzenie agentów AI, którzy płynnie pobierają dane z wielu źródeł, powinno być łatwe, ale dzisiejsza rzeczywistość jest fragmentaryczna, powtarzalna i trudna do skalowania. Każde narzędzie mówi własnym językiem, zmuszając do tworzenia obejść zamiast tworzenia prawdziwej automatyzacji.

Anthropic próbuje to zmienić za pomocą Model Context Protocol (MCP) - znormalizowanego sposobu, w jaki agenci AI mogą pobierać i wykorzystywać dane zewnętrzne bez niekończącego się koszmaru integracji. Ale czy to rozwiązuje problem? Rozłóżmy to na czynniki pierwsze.

Tworzenie agentów AI

Tworzenie niestandardowych autonomicznych agentów

Zacznij teraz

Karta kredytowa nie jest wymagana

Co to jest protokół?

Protokół to zestaw reguł i konwencji, które definiują sposób, w jaki systemy komunikują się i wymieniają dane. W przeciwieństwie do API, interfejsu specyficznego dla implementacji, protokół ustanawia uniwersalny standard interakcji. Niektóre dobrze znane przykłady obejmują:

• HTTP (Hypertext Transfer Protocol) - definiuje sposób, w jaki komunikują się przeglądarki internetowe i serwery.
• OAuth (Open Authorization Protocol) - standard bezpiecznego uwierzytelniania na różnych platformach.

Protokoły zapewniają interoperacyjność - zamiast każdego systemu wymyślającego na nowo sposób wymiany danych, protokół standaryzuje proces, zmniejszając złożoność i czyniąc integracje bardziej skalowalnymi.

Chociaż protokoły nie są obowiązkowe ani egzekwowane, ich przyjęcie w czasie może kształtować podstawy interakcji systemów w skali globalnej - widzieliśmy to w przypadku ewolucji protokołu HTTP w bezpieczniejszy i powszechnie akceptowany HTTPS, zasadniczo zmieniając sposób przesyłania danych przez Internet.

Czym jest protokół MCP (Model Context Protocol)?

Model Context Protocol (MCP) to otwarty standard opracowany przez firmę Anthropic w celu usprawnienia sposobu, w jaki modele sztucznej inteligencji uzyskują dostęp do zewnętrznych źródeł danych i wchodzą z nimi w interakcję.

Zamiast wymagać od systemów AI polegania na niestandardowych integracjach API, ręcznie ustrukturyzowanych żądaniach i uwierzytelnianiu dla każdej usługi, MCP zapewnia ujednolicone ramy dla agentów AI do pobierania, przetwarzania i działania na ustrukturyzowanych danych w ustandaryzowany sposób.

Mówiąc prościej, MCP definiuje, w jaki sposób modele AI powinny żądać i wykorzystywać dane zewnętrzne - z baz danych, interfejsów API, pamięci masowej w chmurze lub aplikacji korporacyjnych - bez konieczności kodowania przez programistów logiki specyficznej dla interfejsu API dla każdego źródła.

Dlaczego powstało MCP?

Modele sztucznej inteligencji, zwłaszcza LLMs (duże modele językowe) i autonomiczni agenci, potrzebują dostępu do zewnętrznych narzędzi i baz danych, aby generować dokładne, kontekstowe odpowiedzi. Jednak obecne interakcje AI z API są nieefektywne i powodują znaczne obciążenie dla programistów.

Obecnie integracja agenta AI z systemami zewnętrznymi wymaga:

• Niestandardowe integracje API dla każdego narzędzia (CRM, przechowywanie w chmurze, systemy sprzedaży biletów itp.)
• Konfiguracja uwierzytelniania dla każdego API (OAuth, klucze API, tokeny sesji).
• Ręczne formatowanie danych, aby odpowiedzi API były użyteczne dla modeli AI.
• Zarządzanie limitami stawek i obsługa błędów w różnych usługach.

Takie podejście nie jest skalowalne. Każda nowa integracja wymaga niestandardowej logiki, debugowania i konserwacji, co sprawia, że automatyzacja oparta na sztucznej inteligencji jest powolna, kosztowna i delikatna.

Definiując wspólny protokół, MCP sprawia, że modele AI są bardziej świadome danych bez zmuszania programistów do tworzenia niestandardowych mostów API dla każdego systemu, z którym wchodzą w interakcję. 

Wdrażanie agentów AI?

Przeczytaj nasz plan wdrożenia agenta AI

Czytaj teraz

Dostęp jest zawsze bezpłatny

Jak działa MCP?

Obecnie agenci AI polegają na niestandardowych wywołaniach API, uwierzytelnianiu poszczególnych usług i ręcznym analizowaniu odpowiedzi, tworząc kruchą sieć integracji, którą trudno skalować.

Zamiast zmuszać agentów AI do interakcji z interfejsami API w izolacji, MCP ustanawia ujednolicony protokół, który abstrahuje złożoność uwierzytelniania, wykonywania żądań i formatowania danych - umożliwiając systemom AI skupienie się na rozumowaniu, a nie na logice integracji niskiego poziomu.

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",
  "queries": [
    {
      "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.

Ograniczenia MCP

Model Context Protocol (MCP) jest ważnym krokiem w kierunku uczynienia modeli sztucznej inteligencji bardziej zdolnymi do interakcji z systemami zewnętrznymi w ustrukturyzowany i skalowalny sposób. Jednak, jak każda nowa technologia, ma ograniczenia, którymi należy się zająć przed jej powszechnym przyjęciem.

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 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.

Czy dostawcy AI ustandaryzują się wokół MCP?

MCP oferuje uniwersalną strukturę w celu zmniejszenia fragmentacji integracji AI, gdzie każde połączenie wymaga obecnie niestandardowych rozwiązań, które zwiększają złożoność.

Aby MCP stał się powszechnie akceptowanym standardem, główni dostawcy sztucznej inteligencji muszą go przyjąć. Firmy takie jak OpenAI, Google DeepMind i Meta jeszcze się nie zaangażowały, pozostawiając jego długoterminową rentowność niepewną. Bez ogólnobranżowej współpracy ryzyko powstania wielu konkurencyjnych protokołów pozostaje wysokie.

Niektóre firmy już zaczęły korzystać z MCP. Replit, Codeium i Sourcegraph zintegrowały go, aby usprawnić interakcję swoich agentów AI z danymi strukturalnymi. Potrzebne jest jednak szersze zastosowanie MCP, aby wyjść poza wczesne eksperymenty.

Poza firmami zajmującymi się sztuczną inteligencją, globalne wysiłki standaryzacyjne mogą wpłynąć na przyszłość MCP. Organizacje takie jak ISO/IEC JTC 1/SC 42 pracują nad zdefiniowaniem ram integracji AI. Inicjatywy krajowe, takie jak chiński komitet ds. standardów AI, podkreślają wyścig o kształtowanie nowej generacji protokołów AI.

MCP wciąż ewoluuje. Jeśli branża dostosuje się do niego, integracje AI mogą stać się bardziej interoperacyjne i skalowalne. Jeśli jednak pojawią się konkurencyjne standardy, deweloperzy mogą stanąć w obliczu rozdrobnionego ekosystemu, a nie ujednoliconego rozwiązania.

Tworzenie agentów AI integrujących się z interfejsami API

MCP upraszcza interakcje AI, ale uwierzytelnianie i ustrukturyzowany dostęp do API pozostają kluczowymi wyzwaniami. Botpress oferuje obsługę OAuth i JWT, umożliwiając agentom AI bezpieczne uwierzytelnianie i interakcję ze Slack, Google Calendar, Notion i nie tylko.

Dzięki Autonomous Node agenci AI mogą podejmować decyzje LLM i dynamicznie wykonywać zadania. Botpress zapewnia ustrukturyzowany sposób tworzenia agentów AI, którzy łączą się w wielu systemach.

Zacznij budować już dziś - tonic nie kosztuje.

Tworzenie agentów AI

Tworzenie niestandardowych autonomicznych agentów

Zacznij teraz

Karta kredytowa nie jest wymagana