การแยกย่อยโปรโตคอลบริบทของโมเดล (MCP)

สถาปัตยกรรมไคลเอนต์-เซิร์ฟเวอร์ของ MCP

MCP ถูกสร้างขึ้นบนโมเดลไคลเอ็นต์-เซิร์ฟเวอร์ที่มีโครงสร้างว่าโมเดล AI ดึงข้อมูลและโต้ตอบกับแหล่งข้อมูลภายนอกอย่างไร

• ไคลเอนต์ MCP คือตัวแทน AI แอปพลิเคชันหรือระบบใดๆ ก็ตามที่ร้องขอข้อมูลที่มีโครงสร้าง
• เซิร์ฟเวอร์ MCP ทำหน้าที่เป็นตัวกลางในการดึงข้อมูลจาก API ฐานข้อมูล หรือระบบองค์กรต่างๆ และส่งคืนข้อมูลในรูปแบบที่สอดคล้องกัน

แทนที่โมเดล AI จะส่งคำขอ API โดยตรง เซิร์ฟเวอร์ MCP จะจัดการกับความซับซ้อนของการรับรองความถูกต้อง การดึงข้อมูล และการทำให้การตอบสนองเป็นมาตรฐาน ซึ่งหมายความว่าตัวแทน AI ไม่จำเป็นต้องจัดการข้อมูลรับรอง API หลายรายการ รูปแบบคำขอที่แตกต่างกัน หรือโครงสร้างการตอบสนองที่ไม่สอดคล้องกันอีกต่อไป

ตัวอย่างเช่น หากโมเดล AI จำเป็นต้องดึงข้อมูลจากบริการต่างๆ เช่น Google Drive Slack และฐานข้อมูลจะไม่สอบถามแต่ละ API แยกกัน แต่จะทำการส่งคำขอที่มีโครงสร้างเดียวไปยังเซิร์ฟเวอร์ MCP ซึ่งจะประมวลผลคำขอ รวบรวมข้อมูลจากแหล่งที่จำเป็น และส่งกลับคำตอบที่จัดระเบียบอย่างดี

วงจรชีวิตการร้องขอ-ตอบสนองของ MCP

การโต้ตอบ MCP ทั่วไปจะดำเนินตามวงจรการร้องขอ-การตอบสนองที่มีโครงสร้าง ซึ่งจะช่วยขจัดการเรียก API ที่ซ้ำซ้อน และทำให้การดึงข้อมูลเป็นมาตรฐาน

1. ตัวแทน AI จะส่งคำขอที่มีโครงสร้างไปยังเซิร์ฟเวอร์ MCP แทนที่จะสร้างคำขอ API แต่ละรายการ ตัวแทนจะกำหนดข้อมูลที่ต้องการในรูปแบบที่สม่ำเสมอ

{
  "request_id": "xyz-987",
  "queries": [
    {
      "source": "github",
      "action": "get_recent_commits",
      "repo": "company/project"
    },
    {
      "source": "slack",
      "action": "fetch_unread_messages",
      "channel": "engineering"
    }
  ]
}

‍

2. เซิร์ฟเวอร์ MCP ประมวลผลคำขอโดยการตรวจสอบการรับรองความถูกต้อง ตรวจสอบสิทธิ์ และกำหนดว่าจะสอบถามระบบภายนอกใด

3. การค้นหาจะดำเนินการแบบคู่ขนาน ซึ่งหมายความว่าข้อมูลจากหลายบริการจะถูกดึงในเวลาเดียวกัน แทนที่จะดึงตามลำดับ ช่วยลดเวลาแฝงโดยรวม

4. คำตอบจากแหล่งต่าง ๆ ได้รับการทำให้เป็นมาตรฐานเป็นรูปแบบที่มีโครงสร้างที่โมเดล AI สามารถประมวลผลได้อย่างง่ายดาย

{
  "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"
      }
    ]
  }
}

ต่างจากการตอบสนอง API แบบดิบที่ต้องมีการแยกวิเคราะห์ด้วยตนเอง MCP รับประกันว่าข้อมูลที่เรียกค้นทั้งหมดเป็นไปตามรูปแบบที่คาดเดาได้และมีโครงสร้าง ทำให้โมเดล AI เข้าใจและใช้งานได้ง่ายยิ่งขึ้น

การดำเนินการสอบถามและการรวมการตอบสนอง

MCP ได้รับการออกแบบมาเพื่อเพิ่มประสิทธิภาพวิธีการที่โมเดล AI โต้ตอบกับระบบภายนอก โดยการนำกระบวนการดำเนินการที่มีโครงสร้างมาใช้

1. การตรวจสอบคำขอ จะช่วยให้แน่ใจว่าโมเดล AI มีสิทธิ์ที่จำเป็นก่อนที่จะดึงข้อมูลใดๆ
2. การกำหนดเส้นทางการสอบถาม จะกำหนดว่าจะต้องเข้าถึงบริการภายนอกใด
3. การดำเนินการแบบคู่ขนาน จะดึงข้อมูลจากหลายแหล่งในเวลาเดียวกัน ซึ่งช่วยลดความล่าช้าที่เกิดจากการร้องขอ API ตามลำดับ
4. การรวบรวมการตอบสนอง จะรวมข้อมูลที่มีโครงสร้างเข้าเป็นการตอบสนองเดียว ซึ่งช่วยลดความจำเป็นที่โมเดล AI จะต้องประมวลผลเอาท์พุต API ดิบหลายรายการด้วยตนเอง

MCP ช่วยลดภาระงานของ API ที่ไม่จำเป็น และทำให้ระบบอัตโนมัติที่ขับเคลื่อนด้วย AI ปรับขนาดได้มากขึ้น โดยการลดการร้องขอซ้ำซ้อน การตอบกลับที่เป็นปกติ และการจัดการการตรวจสอบสิทธิ์แบบรวมศูนย์

ความท้าทายในการรับรองความถูกต้อง

คำมั่นสัญญาที่ยิ่งใหญ่ที่สุดประการหนึ่งของ MCP คือการทำให้ตัวแทน AI พึ่งพาการบูรณาการเฉพาะ API น้อยลง อย่างไรก็ตาม การตรวจสอบสิทธิ์ (AuthN) ยังคงเป็นความท้าทายที่สำคัญ

ปัจจุบัน การตรวจสอบสิทธิ์ API เป็นกระบวนการที่แยกส่วน โดยบริการบางอย่างใช้ OAuth บริการอื่นๆ พึ่งพาคีย์ API และบางบริการต้องการการตรวจสอบสิทธิ์ตามเซสชัน ความไม่สอดคล้องกันนี้ทำให้การออนบอร์ด API ใหม่ใช้เวลานาน และปัจจุบัน MCP ยังไม่มีกรอบการทำงานการตรวจสอบสิทธิ์ในตัวเพื่อจัดการกับความซับซ้อนนี้

MCP ยังคงต้องการกลไกภายนอกบางอย่างเพื่อยืนยันคำขอ API ซึ่งหมายความว่าเอเจนต์ AI ที่ใช้ MCP จะต้องอาศัยโซลูชันเพิ่มเติม เช่น Composio เพื่อจัดการข้อมูลประจำตัว API การยืนยันตัวตนอยู่ในแผนงานของ MCP แต่จนกว่าจะมีการนำไปใช้งานจริง นักพัฒนายังคงต้องใช้วิธีแก้ปัญหาเพื่อจัดการการยืนยันตัวตนในระบบต่างๆ

การจัดการข้อมูลประจำตัวที่ไม่ชัดเจน

ปัญหาที่ยังไม่ได้รับการแก้ไขอีกประการหนึ่งคือการจัดการข้อมูลประจำตัว ซึ่งระบบภายนอกจะมองเห็นใครเมื่อตัวแทน AI ส่งคำขอผ่าน MCP

ตัวอย่างเช่น หากผู้ช่วย AI สอบถาม Slack ผ่าน MCP ควร Slack รับรู้คำขอที่มาจาก:

• ผู้ใช้ปลายทาง? (หมายถึง AI กำลังทำหน้าที่แทนมนุษย์)
• ตัวแทน AI เอง? (ซึ่งจะต้องมี Slack เพื่อจัดการการโต้ตอบที่ใช้ AI แยกกัน)
• บัญชีระบบที่ใช้ร่วมกัน (ซึ่งอาจทำให้เกิดข้อกังวลเกี่ยวกับการรักษาความปลอดภัยและการควบคุมการเข้าถึง)

ปัญหานี้มีความซับซ้อนมากขึ้นในสภาพแวดล้อมขององค์กร ซึ่งนโยบายการควบคุมการเข้าถึงจะกำหนดว่าใครสามารถดึงข้อมูลใดได้บ้าง หากไม่มีการระบุตัวตนที่ชัดเจน การรวม MCP อาจเผชิญกับการเข้าถึงที่จำกัด ความเสี่ยงด้านความปลอดภัย หรือความไม่สอดคล้องกันในแพลตฟอร์มต่างๆ

มีการวางแผนรองรับ OAuth สำหรับ MCP ซึ่งอาจช่วยชี้แจงการจัดการข้อมูลประจำตัวได้ชัดเจนขึ้น แต่จนกว่าจะมีการนำไปใช้เต็มรูปแบบ โมเดล AI อาจประสบปัญหาในการเข้าถึงบริการของบุคคลที่สามตามการอนุญาต 

การล็อคอินของผู้ขายและการแยกส่วนของระบบนิเวศ

MCP ในปัจจุบันเป็น Anthropic ความคิดริเริ่มที่นำโดยองค์กร ซึ่งทำให้เกิดคำถามเกี่ยวกับการกำหนดมาตรฐานในระยะยาว เมื่อระบบนิเวศ AI พัฒนาขึ้น ก็มีความเป็นไปได้สูงที่ผู้เล่นหลักรายอื่นๆ เช่น OpenAI หรือ DeepSeek จะพัฒนาโปรโตคอลของตัวเองสำหรับการโต้ตอบระหว่าง AI กับระบบ

หากมีมาตรฐานที่แข่งขันกันหลายมาตรฐานเกิดขึ้น อุตสาหกรรมอาจแตกแยก ทำให้ผู้พัฒนาต้องเลือกใช้แนวทางที่แตกต่างกันและไม่เข้ากัน ยังคงต้องรอดูกันต่อไปว่า MCP จะยังคงใช้แนวทางที่โดดเด่นหรือเป็นเพียงหนึ่งในหลาย ๆ ทางเลือกที่แข่งขันกัน

1. MCP สามารถกำหนดค่าให้สอดคล้องกับมาตรฐาน SOC 2, HIPAA หรือ GDPR ได้หรือไม่

ใช่ แต่ขึ้นอยู่กับวิธีที่คุณนำไปใช้งานและโฮสต์ เนื่องจาก MCP เป็นเพียงโปรโตคอล คุณจึงต้องตรวจสอบให้แน่ใจว่าเซิร์ฟเวอร์ MCP ของคุณจัดการข้อมูลอย่างปลอดภัย ด้วยการเข้ารหัส การควบคุมการเข้าถึง และการบันทึกการตรวจสอบ เพื่อให้เป็นไปตามข้อกำหนด

2. ตัวแทน AI ตัดสินใจอย่างไรว่าเมื่อใดควรทริกเกอร์ MCP แทนที่จะพึ่งหน่วยความจำภายใน

โดยทั่วไปแล้ว พวกเขาจะอาศัยตรรกะพร้อมท์หรือกฎที่กำหนดเอง เช่น การตรวจสอบข้อมูลภายในว่าอาจล้าสมัยหรือไม่พร้อมใช้งาน หากคำถามต้องการข้อมูลใหม่หรือข้อมูลภายนอก ตัวแทน AI จะเรียก MCP เพื่อดึงข้อมูลนั้น

3. MCP เข้ากันได้กับสถาปัตยกรรม RAG (retrieval-augmented generation) ที่มีอยู่หรือไม่

ใช่ MCP สามารถเชื่อมต่อกับการตั้งค่า RAG ได้โดยตรงโดยทำหน้าที่เป็นตัวดึงข้อมูลที่มีโครงสร้าง แทนที่การเรียก API ด้วยตนเองด้วยแนวทางที่สอดคล้องและคล่องตัวยิ่งขึ้น

4. เวิร์กโฟลว์ทางธุรกิจประเภทใดได้รับประโยชน์สูงสุดจากการรวม MCP

สิ่งใดก็ตามที่เกี่ยวข้องกับเครื่องมือหรือคลังข้อมูลจำนวนมาก เช่น การสนับสนุนลูกค้า การดำเนินงานด้านไอทีภายใน การส่งเสริมการขาย หรือการจัดการความรู้ สามารถได้รับประโยชน์อย่างมากจาก MCP ที่ทำให้ตัวแทน AI ได้รับข้อมูลที่ต้องการได้ง่ายขึ้น

5. สตาร์ทอัพสามารถนำ MCP มาใช้ได้อย่างไรโดยไม่ต้องปรับปรุงสถาปัตยกรรมข้อมูลทั้งหมด?

เริ่มต้นจากสิ่งเล็กๆ ก่อน คุณสามารถใช้ MCP สำหรับการผสานรวมคีย์เพียงหนึ่งหรือสองรายการก่อน เช่น Slack หรือ CRM แล้วขยายตามต้องการ เนื่องจากระบบนี้ตัดงาน API ที่ยุ่งยากออกไปเกือบทั้งหมด จึงทำให้การยกเครื่องเป็นเรื่องง่ายตั้งแต่เริ่มต้น