MCP: ஒரு மருந்தல்ல, ஆனா நல்ல விஷயம்

இன்றைய செயற்கை நுண்ணறிவு (AI) உலகில், MCP அல்லது மாதிரி சூழல் நெறிமுறை (Model Context Protocol) என்ற கருத்து பெரும் கவனத்தைப் பெற்று வருகிறது. OpenAI-யின் சமீபத்திய மாதிரி வெளியீடுகளை விட, இந்த நெறிமுறை அமைப்பு தொழில்துறை விவாதங்களின் மையமாக மாறியுள்ளது ஆச்சரியமளிக்கிறது.

Manus-ன் வளர்ச்சியால் தூண்டப்பட்ட ஏஜென்ட் தொழில்நுட்பத்தின் எழுச்சி, உலகளாவிய உருவாக்குநர்களின் ஆர்வத்தைத் தூண்டியுள்ளது. MCP, ஏஜென்ட் கருவி அழைப்புக்கான ‘ஒருங்கிணைந்த நெறிமுறையாக’ நிலைநிறுத்தப்பட்டுள்ளது, மேலும் OpenAI மற்றும் Google போன்ற முக்கிய AI நிறுவனங்களின் ஆதரவைப் பெற்று இரண்டு மாதங்களில் வேகமாக வளர்ச்சியடைந்துள்ளது. இந்த விரைவான வளர்ச்சி, MCP-ஐ AI உள்கட்டமைப்பின் ஒரு முக்கிய தரமாக மாற்றியுள்ளது, இது AI துறையில் ஒரு ‘அற்புதமான நிகழ்வு’.

ஆரம்ப உற்சாகம் தணிந்தவுடன், முக்கியமான கேள்விகள் எழுகின்றன: MCP உண்மையில் உலகளவில் பொருந்துமா? அதன் திறன்களைப் பற்றிய எதிர்பார்ப்புகள் அதிகமாகிவிட்டனவா?

இந்த ஆய்வு MCP-யின் தோற்றத்தை ஆராய்கிறது, அதன் முக்கிய பலம் மற்றும் வரம்புகளைப் பிரிக்கிறது, பரவலான தவறான கருத்துகளை தெளிவுபடுத்துகிறது மற்றும் அதன் சாத்தியமான எதிர்காலப் பாதையை ஆராய்கிறது. MCP-யின் உள்ளார்ந்த மதிப்பை நிராகரிப்பதை நோக்கமாகக் கொண்டிருக்கவில்லை, மாறாக அதன் பங்கு மற்றும் எல்லைகளைப் பற்றிய ஒரு நிலையான புரிதலை ஊக்குவிக்கிறது. அத்தகைய தெளிவின் மூலம் மட்டுமே அதன் திறனை முழுமையாக உணர முடியும்.

MCP-ஐ வெளிப்படுத்துதல்: ஒரு ஒருங்கிணைந்த கருவி அழைப்பு நெறிமுறை

MCP-ஐ வரையறுத்தல்

MCP என்பது பெரிய மொழி மாதிரிகள் (LLMs) வெளிப்புற கருவிகள் மற்றும் சேவைகளுடன் தொடர்பு கொள்ளும் முறையை தரப்படுத்த வடிவமைக்கப்பட்ட ஒரு திறந்த தொழில்நுட்ப நெறிமுறையாகும். இதை AI உலகில் ஒரு உலகளாவிய மொழிபெயர்ப்பாளராக நினைத்துப் பாருங்கள், இது AI மாதிரிகள் பல்வேறு வெளிப்புற கருவிகளுடன் ‘பேச’ உதவுகிறது. இது LLM-கள் வெவ்வேறு பயன்பாடுகள் மற்றும் சேவைகளால் வழங்கப்படும் செயல்பாடுகளைக் கோரவும் பயன்படுத்தவும் ஒரு பொதுவான மொழி மற்றும் கட்டமைப்பை வழங்குகிறது.

MCP-க்கான தேவை

MCP வருவதற்கு முன்பு, AI கருவி அழைப்பில் இரண்டு முக்கிய சவால்கள் இருந்தன:

• இடைமுக துண்டாடல்: ஒவ்வொரு LLM-ம் தனித்துவமான அறிவுறுத்தல் வடிவங்களைப் பயன்படுத்தியது, அதே நேரத்தில் ஒவ்வொரு கருவி API-யும் அதன் தனித்துவமான தரவு கட்டமைப்புகளைக் கொண்டிருந்தது. ஒவ்வொரு சேர்க்கைக்கும் தனிப்பயன் இணைப்பு குறியீட்டை எழுத உருவாக்குநர்கள் கட்டாயப்படுத்தப்பட்டனர், இது ஒரு சிக்கலான மற்றும் திறனற்ற மேம்பாட்டு செயல்முறைக்கு வழிவகுத்தது.
• மேம்பாட்டு திறனற்ற தன்மை: இந்த ‘ஒன்றுக்கு ஒன்று மொழிபெயர்ப்பு’ அணுகுமுறை விலை உயர்ந்ததாகவும் அளவிட கடினமாகவும் இருந்தது. இது ஒவ்வொரு வெளிநாட்டு வாடிக்கையாளருக்கும் ஒரு பிரத்யேக மொழிபெயர்ப்பாளரை நியமிப்பது போன்றது, உற்பத்தித்திறன் மற்றும் சுறுசுறுப்பைக் குறைக்கிறது.

LLM-கள் வெளிப்புற கருவிகளுடன் தொடர்பு கொள்ள ஒரு தரப்படுத்தப்பட்ட கட்டமைப்பை வழங்குவதன் மூலம் MCP இந்த சிக்கல்களைக் கையாள்கிறது, மேம்பாட்டு செயல்முறையை எளிதாக்குகிறது மற்றும் அதிக அளவிலான அளவீட்டை செயல்படுத்துகிறது.

MCP-யின் செயல்பாட்டைப் புரிந்துகொள்வது

MCP-யின் தொழில்நுட்ப கட்டமைப்பை மூன்று முக்கிய கூறுகளைக் கொண்ட ஒரு அமைப்பாக கருதலாம்: MCP ஹோஸ்ட், MCP கிளையன்ட் மற்றும் MCP சர்வர். இந்த கூறுகள் AI மாதிரிகளுக்கும் வெளிப்புற உலகிற்கும் இடையே தடையற்ற தகவல்தொடர்புகளை எளிதாக்க ஒன்றிணைந்து செயல்படுகின்றன.

MCP-யின் பங்கை நன்கு புரிந்துகொள்ள, ஒரு நவீன நிறுவனச் சூழலைக் கவனியுங்கள். இந்த ஒப்புமையில்:

• பயனர்கள் மூத்த நிர்வாகிகளைப் பிரதிநிதித்துவப்படுத்துகிறார்கள், அவர்கள் பயனர்களின் தேவைகளைப் புரிந்துகொண்டு இறுதி முடிவுகளை எடுக்கிறார்கள்.
• பெரிய மொழி மாதிரிகள் (LLMs) (Claude அல்லது GPT போன்றவை) நிர்வாகிகளின் அறிவுறுத்தல்களைப் புரிந்து கொள்கின்றன, பணி நடவடிக்கைகளைத் திட்டமிடுகின்றன, வெளிப்புற சேவைகளைப் பயன்படுத்த வேண்டிய நேரத்தை தீர்மானிக்கின்றன மற்றும் பதில்களை வழங்க தகவல்களை ஒருங்கிணைக்கின்றன.
• ஏஜென்ட் அமைப்புகள் தனிப்பட்ட உதவியாளர்கள் அல்லது நிர்வாகச் செயலாளர்களாகச் செயல்படுகின்றன, அறிவுறுத்தப்பட்டபடி பணிகளைச் செய்கின்றன.
• MCP செயலாளர்களால் பயன்படுத்தப்படும் ஒரு தரப்படுத்தப்பட்ட தகவல்தொடர்பு தளம் அல்லது நிறுவன சேவை அணுகல் அமைப்பாக செயல்படுகிறது. இது முடிவுகளை எடுப்பதில்லை, மாறாக அறிவுறுத்தல்களைப் பின்பற்றுகிறது, பல்வேறு சேவை வழங்குநர்களுடன் ஒரு ஒருங்கிணைந்த வடிவம் மற்றும் நெறிமுறையில் தொடர்புகொள்கிறது.

MCP-க்கு முன்பு, வெளிப்புற கருவிகளுடன் AI தொடர்பு என்பது குழப்பமான தகவல்தொடர்பு தரநிலைகளின் ஒரு சகாப்தத்தைப் போன்றது. ஒவ்வொரு முறையும் ஒரு செயலாளர் (ஏஜென்ட்) ஒரு வித்தியாசமான துறை அல்லது வெளிப்புற சப்ளையரைத் தொடர்பு கொள்ள வேண்டியிருக்கும் போது, அவர்கள் ஒரு வித்தியாசமான தகவல்தொடர்பு சாதனம் அல்லது மென்பொருளைப் பயன்படுத்த வேண்டியிருந்தது. இதற்கு பல்வேறு அமைப்புகளைப் பற்றிய அறிமுகம் தேவைப்பட்டது, இதன் விளைவாக திறமையின்மை ஏற்பட்டது. ஒவ்வொரு கருவிக்கும் தனித்தனி இணைப்பு குறியீடுகளை உருவாக்க உருவாக்குநர்கள் வேண்டியிருந்தது, இதனால் நேர விரயம் மற்றும் வரையறுக்கப்பட்ட அளவீடு ஏற்பட்டது.

MCP ஒரு ஒருங்கிணைந்த தகவல்தொடர்பு தளத்தை வழங்குவதன் மூலம் இந்த செயல்முறையை ஒழுங்குபடுத்துகிறது, இது செயலாளர்கள் எந்த துறை அல்லது சேவை வழங்குநரையும் ஒரே அமைப்பு மற்றும் தகவல்தொடர்பு நெறிமுறையைப் பயன்படுத்தி தொடர்பு கொள்ள அனுமதிக்கிறது. உருவாக்குநர்கள் MCP இடைமுகத்தை ஒரு முறை மட்டுமே செயல்படுத்த வேண்டும், AI அமைப்புகள் நெறிமுறையை ஆதரிக்கும் அனைத்து கருவிகளுடனும் தொடர்பு கொள்ள உதவுகிறது.

MCP: செயல்பாடு அழைப்பின் அடிப்படையில் உருவாக்கப்பட்ட ஒரு கருவிப்பெட்டி

MCP பாரம்பரிய செயல்பாடு அழைப்பிற்கு மாற்றாக இல்லை என்பதைப் புரிந்துகொள்வது அவசியம்; மாறாக, இது அதன் திறன்களை மேம்படுத்தும் ஒரு நிரப்பு கூறு ஆகும்.

செயல்பாடு அழைப்பு என்பது LLM-கள் வெளிப்புற கருவிகள் அல்லது API-களுடன் தொடர்பு கொள்ளும் முக்கிய வழிமுறையாகும். இது LLM-களின் ஒரு அடிப்படை திறன் ஆகும், இது ஒரு கருவி எப்போது தேவைப்படுகிறது என்பதையும் என்ன வகையான கருவி தேவை என்பதையும் அடையாளம் காண உதவுகிறது.

MCP ஒரு கருவி வகைப்பாடு அமைப்பாக செயல்படுகிறது, பல்வேறு கருவிகளை ஒழுங்கமைக்கவும் அணுகவும் ஒரு கட்டமைக்கப்பட்ட கட்டமைப்பை வழங்குகிறது. எனவே, MCP செயல்பாடு அழைப்பை மாற்றாது, மாறாக சிக்கலான பணிகளை நிறைவேற்ற ஏஜென்ட்களுடன் இணைந்து செயல்படுகிறது.

முழுமையான கருவி அழைப்பு செயல்முறை ‘செயல்பாடு அழைப்பு + ஏஜென்ட் + MCP அமைப்பு’ ஆகியவற்றின் கலவையை உள்ளடக்கியது.

சாராம்சத்தில், LLM செயல்பாடு அழைப்பு மூலம் ஒரு குறிப்பிட்ட கருவியை அழைக்க வேண்டிய தேவையை வெளிப்படுத்துகிறது. கருவி அழைப்பை செயல்படுத்த ஏஜென்ட் அறிவுறுத்தல்களைப் பின்பற்றுகிறார், அதே நேரத்தில் MCP தரப்படுத்தப்பட்ட கருவி அழைப்பு விவரக்குறிப்பை வழங்குகிறது.

பின்வரும் ஒப்புமையைக் கவனியுங்கள்: ஒரு முதலாளி (பயனர்) காபி வேண்டும். அலுவலகத்தில் (MCP ஹோஸ்ட்), அலுவலக மேலாளர் (LLM) செயலாளரை (ஏஜென்ட்) ஒரு அமெரிக்கானோ (செயல்பாடு அழைப்பு) வாங்கும்படி அறிவுறுத்துகிறார். செயலாளர் சப்ளையர் பட்டியலைச் சரிபார்த்து, ஒரு அமெரிக்கானோ காபி சப்ளையர் Meituan அல்லது நிறுவனத்தின் ஒருங்கிணைந்த கொள்முதல் அமைப்புடன் ஒருங்கிணைக்கப்பட்டுள்ளார் (MCP சர்வர் செயல்படுத்தப்பட்டது) என்பதைக் கண்டுபிடித்தார். பின்னர் செயலாளர் கொள்முதல் அமைப்பில் (MCP கிளையன்ட்) சப்ளையரைக் கண்டுபிடித்து ஒரு ஆர்டரை வைக்கிறார்.

முன்னதாக, MCP இல்லாமல், LLM செயல்பாடு அழைப்பை வெளியிட்டபோது, ஏஜென்ட் மொழிபெயர்த்து API-யுடன் நேரடியாக இணைத்து கருவியை அழைப்பார். ஒவ்வொரு API-க்கும் தனி அழைப்பு முறை மற்றும் ஏஜென்ட் விளக்குவதற்கு ஒரு வரையறுக்கப்பட்ட கருவி பட்டியல் மற்றும் அழைப்பு முறை தேவைப்பட்டது. MCP மூலம், பல API-களை சப்ளையரின் MCP கிளையன்ட் மூலம் நேரடியாக ஆர்டர் செய்யலாம், இதனால் ஏஜென்ட் நேரம் மற்றும் முயற்சி மிச்சமாகும். இருப்பினும், LLM-ன் செயல்பாடு அழைப்பு மாறாமல் உள்ளது, இன்னும் {கருவி: ‘காபி வாங்க’, ‘வகை’: ‘அமெரிக்கானோ’} என்ற வடிவத்தில் உள்ளது.

செயல்பாடு அழைப்பு மற்றும் MCP ஆகியவற்றை வேறுபடுத்துவதன் மூலம், MCP எந்த கருவியைப் பயன்படுத்துவது என்பதைத் தீர்மானிக்கவில்லை என்பதையும், பணி திட்டமிடல் அல்லது பயனர் எண்ணத்தை அது கையாளவில்லை என்பதையும் தெளிவாகிறது. இந்த அம்சங்கள் ஏஜென்ட் அடுக்கின் அதிகார வரம்பிற்குள் வருகின்றன. MCP ஒரு ஒருங்கிணைந்த கருவி இடைமுகத்தை வழங்குகிறது, இது தொழில்துறையில் அங்கீகரிக்கப்பட்ட ஒரு தரமான நெறிமுறையாக மாறுகிறது.

MCP-யின் வளர்ச்சி சவால்கள் மற்றும் சந்தை நிலவரம்

வளர்ச்சி புதிர்

பிப்ரவரி முதல், AI வளர்ச்சி சமூகம் ஒரு ‘MCP தங்க ரஷ்’-ஐக் கண்டுள்ளது. அதிகாரப்பூர்வ ஆப் ஸ்டோர் இல்லாத நிலையில், ஆயிரக்கணக்கான கருவிகள் மூன்று மாதங்களுக்குள் MCP நெறிமுறையுடன் தானாக முன்வந்து ஒருங்கிணைந்துள்ளன.

இந்த விரைவான வளர்ச்சி MCP-ஐ தொழில்துறையின் கவனத்தில் செலுத்தியுள்ளது, ஆனால் விருப்பத்திற்கும் உண்மைக்கும் இடையிலான இடைவெளியையும் வெளிப்படுத்தியுள்ளது. உருவாக்குநர்கள் ஆரம்பத்தில் MCP-ஐ ஒரு ‘உலகளாவிய சாவி’ என்று பார்த்தனர், ஆனால் அதை ஒரு ‘சிறப்பு குறடு’ என்று கண்டறிந்துள்ளனர், இது சில சூழ்நிலைகளில் சிறந்து விளங்குகிறது, ஆனால் மற்றவற்றில் குறைவான செயல்திறன் கொண்டது.

MCP-யின் பங்கேற்பாளர்களை உள்ளூர் கிளையன்ட் பயன்பாடுகள், கிளவுட் கிளையன்ட் பயன்பாடுகள் மற்றும் MCP சர்வர் உருவாக்குநர்கள் என வகைப்படுத்தலாம். உள்ளூர் பயன்பாடுகள் உள்ளூர் AI உதவியாளர்களைப் போன்றவை, அதே நேரத்தில் கிளவுட் கிளையன்ட் பயன்பாடுகள் ChatGPT-யின் வலை அடிப்படையிலான பதிப்புகளைப் போன்றவை. MCP சர்வர் உருவாக்குநர்கள் கருவிகளின் உண்மையான வழங்குநர்கள், அவர்கள் தங்கள் API-களை MCP விதிகளுக்கு ஏற்ப மறுசீரமைக்க வேண்டும்.

MCP-யின் வருகையை உள்ளூர் கிளையன்ட் பயன்பாடுகள் ஆரம்பத்தில் வரவேற்றன, ஆனால் கிளவுட் கிளையன்ட் பயன்பாடுகள் மற்றும் MCP சர்வர் உருவாக்குநர்கள் சவால்களை எதிர்கொண்டனர்.

MCP Anthropic-ன் Claude டெஸ்க்டாப் பயன்பாட்டிலிருந்து உருவானது, இது ஆரம்பத்தில் உள்ளூர் கோப்புகள் மற்றும் செயல்பாடுகளை அழைப்பதற்கான ஒரு இடைமுக நெறிமுறையாக வடிவமைக்கப்பட்டது, இது கிளையன்ட் பக்க தேவைகளில் ஆழமாக வேரூன்றி இருந்தது.

உள்ளூர் கிளையன்ட் பயனர்களுக்கு, MCP ஒரு புரட்சியை பிரதிநிதித்துவப்படுத்துகிறது, இது பயனர்கள் தங்கள் AI உதவியாளர்களின் திறன்களை தொடர்ந்து விரிவாக்க அனுமதிக்கும் ஒரு எல்லையற்ற விரிவாக்கக்கூடிய கருவிப்பெட்டியை வழங்குகிறது.

Cursor மற்றும் Claude Desktop போன்ற உள்ளூர் கிளையன்ட் பயன்பாடுகள் பயனர்கள் தனிப்பட்ட தேவைகளின் அடிப்படையில் கருவிகளை மாறும் வகையில் சேர்க்க MCP-ஐப் பயன்படுத்தியுள்ளன, இதன் மூலம் AI உதவியாளர் திறன்களின் வரம்பற்ற விரிவாக்கத்தை அடைகின்றன.

ஒவ்வொரு கருவிக்கும் தனித்தனி இடைமுகங்களை உருவாக்காமல், AI பயன்பாடுகளை உள்ளூர் சூழல்கள் மற்றும் வெளிப்புற கருவிகளுடன் தடையின்றி தொடர்பு கொள்ள எப்படி அனுமதிப்பது என்ற உள்ளூர் கிளையன்ட் வளர்ச்சியில் MCP ஒரு முக்கிய சிக்கலைக் கையாள்கிறது. இந்த ஒருங்கிணைந்த நெறிமுறை ஒருங்கிணைப்பு செலவுகளை கணிசமாகக் குறைக்கிறது, சிறிய தொடக்க நிறுவனங்கள் மற்றும் தனிப்பட்ட உருவாக்குநர்களுக்கு வரையறுக்கப்பட்ட வளங்களைக் கொண்ட அம்சம் நிறைந்த AI பயன்பாடுகளை உருவாக்குவதற்கான குறுக்குவழியைக் வழங்குகிறது.

இருப்பினும், சர்வர் பக்க மேம்பாடு (MCP சர்வர்) மற்றும் கிளவுட் கிளையன்ட்களைக் கருத்தில் கொள்ளும்போது MCP-யின் ஈர்ப்பு குறைகிறது. MCP-யின் ஆரம்ப பதிப்புகள் கிளவுட் சர்வர்களுக்கு இரட்டை இணைப்பு வழிமுறையைப் பயன்படுத்தின (தொலைநிலை), சர்வரிலிருந்து கிளையன்ட்க்கு ஒரு திசை செய்தி தள்ளலுக்கு SSE நீண்ட இணைப்பு மற்றும் செய்திகளை அனுப்புவதற்கு HTTP குறுகிய இணைப்பு.

இந்த அணுகுமுறை சரியான நேரத்தில் பயனர் கருத்துக்கும் தலையீட்டிற்கும் நன்றாக வேலை செய்தது, ஆனால் சர்வர் பக்க சூழல்களில் தொடர்ச்சியான பொறியியல் சவால்களை உருவாக்கியது.

முதலாவதாக, MCP இடைமுகத்தை செயல்படுத்துவது பெரிய நிறுவன சேவை வழங்குநர்களுக்கு ஒரு கூடுதல் பணிச்சுமையை பிரதிபலிக்கிறது, இது தொடர்புடைய நன்மைகளை அளிக்காமல். இந்த சேவைகளுக்கு பெரும்பாலும் முதிர்ந்த API அமைப்புகள் உள்ளன, மேலும் ஒரு கூடுதல் MCP தழுவல் அடுக்கை வழங்குவது கணிசமான மதிப்பை உருவாக்காமல் பராமரிப்பு செலவுகளை மட்டுமே அதிகரிக்கலாம். பல நிறுவன அளவிலான பயன்பாடுகள் MCP-யின் திறந்த சுற்றுச்சூழல் அமைப்பை விட மூடிய, கட்டுப்படுத்தக்கூடிய கருவி அழைப்பு வழிமுறைகளை விரும்புகின்றன.

மேலும், அதிக இணையான அழைப்புகளைக் கையாள, MCP சேவைகளை பெரும்பாலும் பல சர்வர் கட்டமைப்புகளுக்கு அளவிட வேண்டும். MCP-யின் இரட்டை இணைப்பு மாதிரி குறுக்கு இயந்திர முகவரியின் சிக்கலை அறிமுகப்படுத்துகிறது. ஒரு சர்வரில் ஒரு நீண்ட இணைப்பு நிறுவப்பட்டதும், ஒரு கோரிக்கை மற்றொரு சர்வரில் அனுப்பப்பட்டதும், இந்த விநியோகிக்கப்பட்ட இணைப்புகளை ஒருங்கிணைக்க ஒரு கூடுதல் ஒளிபரப்பு வரிசை பொறிமுறை தேவைப்படுகிறது, இது செயல்படுத்தும் சிரமம் மற்றும் பராமரிப்பு செலவுகளை கணிசமாக அதிகரிக்கிறது.

இரண்டாவதாக, கிளவுட் பயன்பாடுகளின் உலகில் MCP-க்கு வரம்புகள் உள்ளன. கிளவுட் AI ஏஜென்ட்கள் (சர்வர் பக்க ஏஜென்ட்கள்) பொதுவாக நிலைத்தன்மையற்ற சேவைகளில் இயங்குகின்றன, ஏற்றுக்கொள்ளப்பட்ட பிறகு பணிகளைச் செயலாக்குகின்றன மற்றும் முடிந்ததும் ஆதாரங்களை வெளியிடுகின்றன. சர்வர் பக்கத்தில் MCP கிளையன்ட்டைப் பயன்படுத்துவதற்கு ஒரு தற்காலிக SSE இணைப்பை உருவாக்க வேண்டும், ஒரு கருவி அழைப்பு கோரிக்கையை அனுப்ப வேண்டும், SSE-லிருந்து முடிவைப் பெற வேண்டும், பின்னர் SSE இணைப்பை மூட வேண்டும், இது திறனற்ற அணுகுமுறை சிக்கலை அதிகரிக்கிறது மற்றும் செயல்திறனைக் குறைக்கிறது. இந்த சூழ்நிலையில் ஒரு ஒற்றை RPC கோரிக்கை போதுமானதாக இருக்க வேண்டும்.

நடைமுறையில், MCP-ஐப் பயன்படுத்தும் கிளவுட் பயன்பாடுகள் பெரும்பாலும் முன்னமைக்கப்பட்ட கருவித்தொகுப்புகளை நம்பியிருக்கின்றன மற்றும் MCP-யின் மாறும் கருவி கண்டுபிடிப்பு மற்றும் நெகிழ்வான ஏற்றுதல் திறனைப் பயன்படுத்துவதில்லை.

கிளவுட் சூழல்களின் தரவு தொடர்பு முறை MCP நோக்கம் கொண்ட கருவிகளை சுதந்திரமாகப் பயன்படுத்தும் திறனைக் கட்டுப்படுத்துகிறது. இதற்கு குறிப்பிட்ட, கடினமான குறியிடப்பட்ட கருவிகளை அழைப்பதற்கு மிகவும் தரப்படுத்தப்பட்ட செயல்முறை தேவைப்படுகிறது, இது நெகிழ்வுத்தன்மையை இழக்கிறது.

MCP குழு பயனர் கருத்துகளுக்கு பதிலளிக்கும் திறனை நிரூபித்துள்ளது. சர்வர் பக்க உருவாக்குநர்களிடமிருந்து கருத்துக்களைப் பெற்ற பிறகு, MCP மார்ச் 26 அன்று அதன் நெறிமுறையைப் புதுப்பித்தது, அசல் SSE போக்குவரத்தை ஸ்ட்ரீம் செய்யக்கூடிய HTTP போக்குவரத்துடன் மாற்றியது. புதிய நெறிமுறை ஒற்றை கருவி அழைப்பு கோரிக்கைகள் மட்டுமே தேவைப்படும் நிலைத்தன்மையற்ற சேவை சூழ்நிலைகளையும், முன்பு HTTP + SSE இரட்டை இணைப்புகள் மூலம் பூர்த்தி செய்யப்பட்ட நிகழ்நேர தள்ளுதல் தேவைகளையும் ஆதரிக்கிறது.

இந்த மேம்பாடுகள் தற்போதைய MCP சிக்கல்கள் ஆரம்ப வடிவமைப்பு வரம்புகளிலிருந்து வந்தவை என்பதை பரிந்துரைக்கின்றன, ஆனால் அவை சமாளிக்க முடியாதவை அல்ல.

சந்தையின் ஒழுங்கின்மை

MCP எதிர்கொள்ளும் மற்றொரு சவால் சந்தையில் உள்ள பல செயலாக்கங்களின் குறைந்த பயன்பாடு ஆகும்.

தற்போதைய MCP சந்தை ஒரு வழக்கமான தொழில்நுட்ப விளம்பர சுழற்சியை அனுபவித்து வருகிறது. ஆரம்பகால ஆப் ஸ்டோரின் குழப்பத்தைப் போலவே, தற்போது கிடைக்கும் ஆயிரக்கணக்கான MCP கருவிகளில் 20% க்கும் குறைவானவை நடைமுறை மதிப்பை மட்டுமே கொண்டுள்ளன. பல செயலாக்கங்களில் எளிய உள்ளமைவு பிழைகள் முதல் முழுமையற்ற பயன்பாடு வரை கடுமையான சிக்கல்கள் உள்ளன. சில போதுமான சோதனை இல்லாமல் சந்தைக்கு விரைந்து வந்துள்ளன, மற்றவை நடைமுறை பயன்பாட்டிற்காக ஒருபோதும் கருதப்படாத சோதனை தயாரிப்புகள் ஆகும்.

MCP செயலாக்கங்கள் பல சந்தைக்குத் தேவையில்லாமல் இருக்கலாம் என்பது ஒரு அடிப்படை பிரச்சினை. MCP மூலம் வழங்கப்படும் பல கருவிகள் ஏற்கனவே MCP தோன்றுவதற்கு முன்பு இருந்த மற்றும் பயன்படுத்தப்பட்ட மறுசீரமைக்கப்பட்ட API-கள் ஆகும், இது சிறிய தனித்துவமான மதிப்பை சேர்க்கிறது.

உதாரணமாக, MCP மூலம் டஜன் கணக்கான தேடல் சேவைகள் வழங்கப்படுகின்றன, ஆனால் அவற்றின் தரம் கணிசமாக வேறுபடுகிறது. சில சேவைகள் துல்லியமற்றதாகவோ அல்லது மெதுவாகவோ இருக்கலாம், இது ஏற்கனவே உள்ள தீர்வுகளை விட விரும்பத்தகாததாக ஆக்குகிறது.

மேலும், MCP-க்கு வலுவான மதிப்பீட்டு அமைப்பு இல்லை, இது நம்பகமான அளவீடுகளின் அடிப்படையில் மிகவும் பொருத்தமான கருவியைத் தேர்ந்தெடுக்க ஏஜென்ட்களுக்கு கடினமாக்குகிறது. இந்த திறனற்ற தேர்வு செயல்முறை கணினி வளங்களை வீணாக்குகிறது, பணி முடிக்கும் நேரத்தை அதிகரிக்கிறது மற்றும் பயனர் அனுபவத்தை குறைக்கிறது.

மதிப்பீட்டு அமைப்பு இல்லாததால், மிகவும் பொருத்தமான கருவியைத் தேர்ந்தெடுக்க ஏஜென்ட்களுக்கு கடினமாக உள்ளது. பல MCP சேவைகள் ஒத்த பெயர்கள் மற்றும் விளக்கங்களுடன் கருவிகளை வழங்கினால், சிறந்த விருப்பத்தைத் தேர்ந்தெடுக்க ஏஜென்ட் போராடக்கூடும், இது டோக்கன்களை வீணாக்குவதற்கும் செயல்திறனைக் குறைப்பதற்கும் வழிவகுக்கிறது.

மிகவும் வெற்றிகரமான AI பயன்பாடுகள் பெரும்பாலும் இதற்கு நேர்மாறான அணுகுமுறையை எடுத்துக்கொள்கின்றன, அதிக அளவு கருவிகளை வழங்குவதை விட துல்லியமான கருவிகளை வழங்குகின்றன. Manus, உதாரணமாக, அதன் இருப்பு இருந்தபோதிலும், MCP நெறிமுறையை ஏற்றுக்கொள்வதற்கு பதிலாக உள் பயன்பாடுகளை உருவாக்கத் தேர்ந்தெடுத்தார். Manus MCP சுற்றுச்சூழல் அமைப்பில் ஒருங்கிணைப்பதை விட அழைப்பு துல்லியம் மற்றும் உறுதித்தன்மைக்கு முன்னுரிமை அளித்தார்.

Cursor போன்ற குறியீடு எடிட்டர்கள் உள்ளமைக்கப்பட்ட மேம்பாட்டு செயல்பாடுகளைக் கொண்டுள்ளன, இதனால் பெரும்பாலான வெளிப்புற MCP கருவிகள் தேவையற்றவை.

MCP சந்தையின் தற்போதைய குழப்பமான நிலை தோல்வியின் அறிகுறியாக அவசியமில்லை, மாறாக எந்தவொரு வளர்ந்து வரும் தொழில்நுட்ப சுற்றுச்சூழல் அமைப்பிற்கும் வளர்ச்சியின் தேவையான கட்டமாகும். வரலாற்று முன்மாதிரி இந்த ஆரம்ப அதிக விரிவாக்கம் சந்தை தேர்வு வழிமுறைகள் மூலம் படிப்படியாக ஒன்றிணைந்து, மிகவும் மதிப்புமிக்க கூறுகளை விட்டுச்செல்லும் என்று கூறுகிறது.

இந்த செயல்முறை தற்போதைய சவால்களிலிருந்து கற்றுக்கொள்ளவும், வலுவான, மிகவும் நம்பகமான MCP கட்டமைப்பை உருவாக்கவும் தொழில்துறையை அனுமதிக்கும். டாட்-காம் குமிழி மின்னணு வர்த்தகம் மற்றும் சமூக ஊடகங்களில் விளையாட்டு மாற்றும் கண்டுபிடிப்புகளுக்கு வழிவகுத்தது போல, MCP போக்கு ஒரு ஒழுங்குபடுத்தப்பட்ட மற்றும் மதிப்புமிக்க கருவி சுற்றுச்சூழல் அமைப்புக்கு வழிவகுக்கும்.

பயனர் கருத்துக்கான MCP குழுவின் திறந்த மனப்பான்மை ஊக்கமளிக்கிறது, மேலும் MCP சேவைகளின் தரத்தை மதிப்பிடுவதற்கும் உறுதிப்படுத்துவதற்கும் சிறந்த கருவிகள் தொழில்துறைக்குத் தேவை, இது சுற்றுச்சூழல் அமைப்பை மிகவும் பயன்படுத்தக்கூடியதாக மாற்ற உதவும்.

MCP நல்லது, ஒரு மருந்தல்ல

மேலே குறிப்பிட்டுள்ள சிக்கல்கள் MCP-யின் வரம்புகள் மற்றும் குறைபாடுகளிலிருந்து வருகின்றன, அது உண்மையில் எதை அடைய முடியும் என்பதை எடுத்துக்காட்டுகிறது. இருப்பினும், மற்ற விமர்சனங்கள் யதார்த்தமற்ற எதிர்பார்ப்புகளிலிருந்து வருகின்றன.

சமீபத்திய விமர்சனங்களில் ஒன்று MCP ஒரு குறைபாடுள்ள நெறிமுறை என்று லேபிளிடுகிறது, ஏனெனில் இது LLM-களுக்கும் MCP-க்கும் இடையிலான தொடர்பு முறைகளை பரிந்துரைக்கவில்லை.

சிலர் AI அமைப்பு முடிவெடுப்பதை MCP தானாகவே மேம்படுத்தும் அல்லது பணி திட்டமிடல் திறனை அதிகரிக்கும் என்று எதிர்பார்க்கிறார்கள். இந்த எதிர்பார்ப்பு கருவிகளை கைவினைஞர்களுடன் குழப்புகிறது.

இந்த பிரச்சினை ஒரு அறிவாற்றல் பொருந்தாததால் ஏற்படுகிறது - ஒரு தொடர்பு நெறிமுறை ஒரு அறிவார்ந்த அமைப்பின் பணிகளைச் செய்யும் என்று எதிர்பார்க்கிறது. இது USB புகைப்படங்களைத் திருத்தாததற்கு குற்றம் சாட்டுவது அல்லது குறியீட்டை எழுதாததற்கு 5G தரநிலைகளை குறை கூறுவது போன்றது. MCP முதன்மையாக ஒரு தரப்படுத்தப்பட்ட ‘கருவி சாக்கெட்’, இது எந்த சாதனத்தைப் பயன்படுத்துவது அல்லது எப்படி பயன்படுத்துவது என்பதை கட்டளையிடுவதை விட பிளக் இணக்கத்தன்மையை உறுதி செய்கிறது.

ஏஜென்ட்-கருவி அழைப்பின் செயல்திறன் கருவி தேர்வு திறன், பணி திட்டமிடல் திறன்கள் மற்றும் சூழல் புரிதல் போன்ற காரணிகளைப் பொறுத்தது, இவை எதுவும் MCP-யின் அதிகார வரம்பிற்குள் இல்லை. MCP ஒரு தரப்படுத்தப்பட்ட கருவி இடைமுகத்தை மட்டுமே உறுதி செய்கிறது, அந்த கருவிகள் எவ்வாறு தேர்ந்தெடுக்கப்பட்டு ஒருங்கிணைக்கப்படும் என்பதை அல்ல.

தொழில்நுட்பத்தில் நாங்கள் பெரும்பாலும் வெள்ளி தோட்டாக்களைத் தேடுகிறோம், உலகளவில் பயன்படுத்தக்கூடிய தீர்வுகள். மென்பொருள் பொறியியலின் ‘வெள்ளி தோட்டா இல்லை’ என்ற கூற்றைப் போலவே, AI கருவி பயன்பாட்டிற்கு மாய தீர்வு எதுவும் இல்லை. ஒரு வலுவான AI அமைப்பு வடிவமைக்கப்பட்ட கூறுகள் தேவை: புரிந்து கொள்வதற்கும் உருவாக்குவதற்கும் LLM-கள், திட்டமிடுதல் மற்றும் செயல்படுத்துவதற்கான ஏஜென்ட் கட்டமைப்புகள் மற்றும் ஒருங்கிணைந்த கருவி இடைமுகங்களில் கவனம் செலுத்தும் MCP.

MCP நல்ல நெறிமுறை வடிவமைப்பைக் காட்டுகிறது - ஒரு சிக்கலில் கவனம் செலுத்துகிறது மற்றும் எல்லாவற்றையும் விட அதை நன்றாக தீர்க்கிறது. அதன் கட்டுப்பாடு கிளையன்ட் பக்க கருவி ஒருங்கிணைப்பில் முன்னேற உதவுகிறது.

Alibaba-வின் Qwen, Baidu-வின் ‘Xinxiang’ மற்றும் ByteDance-ன் Kouzi Space போன்ற நிறுவனங்கள் MCP நெறிமுறையை ஏற்றுக்கொள்கின்றன, மேலும் திறமையான உள் MCP சுற்றுச்சூழல் அமைப்புகளை நிறுவ முயற்சிக்கின்றன.

இருப்பினும், வரிசைப்படுத்தலில் முக்கிய வேறுபாடுகள் உள்ளன: Baidu மற்றும் ByteDance மிகவும் ஆக்கிரமிப்பானவை. Baidu பல AI மாதிரிகள் மற்றும் வெளிப்புற கருவிகளை ‘Xinxiang’ (Kokone) மூலம் ஒருங்கிணைக்க முயற்சிக்கிறது MCP நெறிமுறையைப் பயன்படுத்தி, முதன்மையாக மொபைல் சாதனங்களுக்கானது, பயனரின் அன்றாட வாழ்க்கையில் ஒருங்கிணைந்து ஏற்றுக்கொள்ள ஊக்குவிக்கிறது.

ByteDance-ன் Kouzi Space 60+ MCP விரிவாக்க செருகுநிரல்களைக் கொண்டுள்ளது. ஒரு வலைப்பக்கம் மூலம் அணுகலாம், இது MCP-ஐ ஆதரிக்கும் AI-நேட்டிவ் IDE, Trae ஐயும் அறிமுகப்படுத்தியது, இது முதன்மையாக உற்பத்தித்திறன் சூழ்நிலைகளை இலக்காகக் கொண்டுள்ளது.

Alibaba MCP நெறிமுறையை Alipay போன்ற தயாரிப்புகளில் ஒருங்கிணைத்தது, ஒரு கிளிக் AI கருவி அழைப்பை இயக்குகிறது, மேலும் MCP நெறிமுறையை ஆதரிக்கும் Qwen3 மாதிரியை திறந்த மூலமாக வெளியிட்டது, இது அதன் ஏஜென்ட் திறன்களை மேம்படுத்துகிறது.

Tencent Cloud உருவாக்குநர்கள் MCP செருகுநிரல் ஹோஸ்டிங் சேவைகளை ஆதரிக்கும் AI மேம்பாட்டு தொகுப்பை வெளியிட்டனர். Tencent Cloud-ன் பெரிய மாதிரி அறிவு இயந்திரம் பயனர்கள் MCP செருகுநிரல்களை அழைக்க உதவுகிறது. Tencent Cloud-ன் CodeBuddy மூலம் தொடங்கப்பட்ட Craft மென்பொருள் மேம்பாட்டு அறிவார்ந்த ஏஜென்ட் MCP திறந்த சுற்றுச்சூழல் அமைப்புடன் இணக்கமானது. கூடுதலாக, Tencent Maps மற்றும் Tencent Cloud Storage ஆகியவை அவற்றின் சொந்த MCP SERVER-ஐ வெளியிட்டுள்ளன.

AI கருவி பயன்பாடு நேரடியான, ஒற்றை கருவி செயல்பாட்டிலிருந்து தொழில்முறை ஏஜென்ட் ஒத்துழைப்புக்கு மாறக்கூடும், நிரலாக்க பாணிகள் அசெம்பிளி மொழியிலிருந்து பொருள் நோக்குநிலைக்கு மாறியது போல.

இந்த முன்னுதாரணத்தில், MCP ஒரு பயனர் அல்லது உருவாக்குநர் எதிர்கொள்ளும் இடைமுகத்திற்கு பதிலாக அடிப்படை உள்கட்டமைப்பின் ஒரு பகுதியாக மாறக்கூடும். அதிக அளவு சுருக்கங்களை அதிகரிப்பதன் மூலம் பணி திட்டமிடல் மற்றும் கருவி தேர்வு திறனை மேம்படுத்த ஏஜென்ட் டு ஏஜென்ட்ஸ் (A2A) போன்ற கட்டிடக்கலைகள் இன்னும் முழுமையான திட்டத்திற்கு தேவைப்படலாம்.

MCP-ஐ அதன் ‘நெறிமுறை’ பாத்திரத்திற்கு திருப்பி அனுப்புவதன் மூலம், தொழில்துறை தரப்படுத்தலை இயக்குவதற்கான அதன் உண்மையான சக்தியை நாங்கள் அங்கீகரிக்க முடியும் - இது தொழில்நுட்ப பரிணாமத்தில் மிகவும் பொக்கிஷமான ‘டி-மிஸ்டிஃபிகேஷன்’ தருணமாக இருக்கலாம்.