AWS 近期透過納入對新興模型上下文協定 (Model Context Protocol，MCP) 的支援，強化了其 Amazon Q 開發者平台。此舉代表了一項策略性的努力，旨在為開發者提供一套更通用且整合的人工智慧 (AI) 代理程式，這些代理程式能夠與更廣泛的 AI 工具和資料儲存庫無縫地互動。
AWS 的重要人物 Adnan Ijaz，擔任開發者代理程式和體驗產品管理總監，他闡明 MCP 支援目前可透過 AWS 提供的命令列介面 (CLI) 存取。此介面讓開發者能夠連接到任何 MCP 伺服器。此外，AWS 計畫將此功能擴展到與 Amazon Q 開發者相關聯的整合開發環境 (IDE)，從而提供更全面且使用者友善的體驗。
了解模型上下文協定 (MCP)
最初由 Anthropic 構思的模型上下文協定 (MCP) 促進了各種資料來源和 AI 工具之間的雙向通訊。此協定允許網路安全和 IT 團隊透過 MCP 伺服器公開資料，並建構 AI 應用程式（稱為 MCP 客戶端），這些客戶端可以無縫連接到這些伺服器。此方法提供了一種安全有效的方法，用於查詢內部系統，而無需訴諸可能存在風險的資料抓取或暴露易受攻擊的後端系統。本質上，MCP 伺服器充當智慧閘道，擅長將自然語言提示轉換為授權且結構化的查詢。
例如，開發者可以利用 MCP 不僅描述 AWS 資源，還可以描述複雜的資料庫架構。此功能使他們能夠建構應用程式，而無需直接調用特定的 SQL 變體或編寫大量的 Java 程式碼，從而簡化了開發流程。
Ijaz 強調，總體目標是最大限度地減少對自訂連接器的依賴，而自訂連接器通常是實現相同程度的整合所必需的。透過採用 MCP，AWS 旨在提供一種更標準化且高效的方法來進行 AI 驅動的應用程式開發。
AI 代理程式在軟體開發中日益重要的角色
雖然目前 AI 代理程式在軟體開發中的使用程度仍有些不明確，但 Futurum Research 最近進行的一項調查顯示，受訪者對此的期望越來越高。根據調查，41% 的受訪者預計生成式 AI 工具和平台將在生成、審查和測試程式碼方面發揮重要作用。無論確切的數字如何，顯而易見的是，由於 AI 代理程式越來越多地整合到軟體工程工作流程中，因此未來幾個月和幾年內，產生的程式碼量將呈指數級增長。
每個組織都必須仔細評估它將在多大程度上依賴 AI 代理程式來建構和部署應用程式。AI 工具產生的程式碼品質可能差異很大，而且許多組織仍然不願在未經徹底人工審查和了解其建構情況下，將程式碼部署到生產環境中。
採用 AI 驅動開發時要考慮的因素
- 程式碼品質： 評估 AI 工具產生的程式碼的可靠性和準確性。
- 人工監督： 確定 AI 產生的程式碼所需的人工審查和驗證程度。
- 安全性影響： 評估部署 AI 產生的程式碼可能存在的安全性風險。
- 可維護性： 考慮 AI 產生的程式碼的長期可維護性和可理解性。
擁抱 AI 編碼的演進
儘管存在挑戰，但與 AI 編碼相關的潛在生產力提升太重要了，不能忽視。應用程式開發團隊應積極嘗試各種方法，特別是因為將多種工具組合起來以建構下一代 AI 注入的應用程式變得越來越容易。
AI 創新的步伐正在加快，AI 工具產生的程式碼品質也在穩步提高。DevOps 團隊很快就會發現自己正在以先前無法想像的規模建構、部署和更新各種應用程式。
對 DevOps 流程的影響
AI 在軟體開發中的日益普及將不可避免地影響 DevOps 流程。組織需要仔細評估其現有的管道和工作流程，以確定如何調整它們以適應 AI 產生的程式碼的湧入。
- 管道優化： 簡化管道以有效地處理 AI 工具產生的程式碼量。
- 測試和驗證： 實施強大的測試和驗證流程，以確保 AI 產生的程式碼的品質。
- 監控和可觀察性： 增強監控和可觀察性能力，以追蹤 AI 驅動的應用程式的效能和行為。
- 安全性整合： 將安全性考量因素整合到 DevOps 管道的每個階段，以減輕潛在風險。
駕馭 AI 驅動開發的未來
將 AI 整合到軟體開發中是一種變革性的趨勢，有望重塑整個行業。透過採用新的工具和方法，組織可以釋放顯著的生產力提升並加速創新。但是，至關重要的是要謹慎行事，仔細評估與 AI 驅動的開發相關的風險和挑戰。
成功的關鍵策略
- 投資培訓： 為開發人員提供有效利用 AI 工具所需的技能和知識。
- 建立明確的準則： 為 AI 在軟體開發中的使用定義明確的準則和標準。
- 促進協作： 鼓勵開發人員、AI 專家和安全專業人員之間的協作。
- 擁抱持續學習： 隨時了解 AI 的最新進展並相應地調整開發實務。
深入探討 MCP 整合的技術層面
將模型上下文協定 (MCP) 整合到 Amazon Q 開發者平台代表了在實現 AI 工具與各種資料來源之間的無縫通訊和資料交換方面的一大進步。為了充分理解此整合的影響，必須深入探討 MCP 的工作原理以及它如何促進互通性的技術層面。
MCP 伺服器的核心功能
MCP 的核心在於 MCP 伺服器的概念。此伺服器充當中央樞紐，用於向 AI 客戶端公開資料和功能。它提供了一個標準化的介面，用於查詢內部系統並以結構化的方式檢索相關資訊。與通常涉及抓取資料或直接存取後端系統的傳統方法不同，MCP 提供了一種安全且受控的資料存取機制。
MCP 伺服器將 AI 客戶端的自然語言提示轉換為授權的結構化查詢。此轉換過程確保僅存取授權的資料，並且以安全有效的方式執行查詢。伺服器還處理資料格式化和轉換，確保以 AI 客戶端可以輕鬆使用的格式將資料傳遞給 AI 客戶端。
MCP 客戶端：賦能 AI 應用程式
MCP 客戶端是利用 MCP 伺服器的功能來存取資料和功能的 AI 應用程式。這些客戶端可用於建構各種 AI 驅動的應用程式，包括：
- 聊天機器人： 存取知識庫並提供對使用者查詢的智慧回應。
- 程式碼產生器： 根據所需功能的自然語言描述產生程式碼片段。
- 資料分析工具： 透過查詢內部資料來源執行複雜的資料分析任務。
- 安全性應用程式： 透過存取安全性日誌和漏洞資料來識別和減輕安全性威脅。
透過利用 MCP，開發人員可以建構與內部系統更緊密整合且可以存取更廣泛資料來源的 AI 應用程式。此整合使創建更智慧和有效的 AI 解決方案成為可能。
對更廣泛的 AI 生態系統的影響
AWS 採用 MCP 可能會對更廣泛的 AI 生態系統產生重大影響。透過提供用於資料存取和互通性的標準化協定，MCP 可以幫助打破孤島並促進不同 AI 工具和平台之間的協作。
這種增強的互通性可以帶來許多好處，包括：
- 更快的創新： 開發人員可以更輕鬆地組合不同的 AI 工具和技術來創建新的創新解決方案。
- 降低成本： 組織可以避免為每個想要使用的 AI 工具建構自訂連接器的需求。
- 更高的靈活性： 組織可以根據其需求的演變更輕鬆地在不同的 AI 工具和平台之間切換。
- 改進的安全性： MCP 提供了一種安全且受控的資料存取機制，降低了資料洩露和其他安全性事件的風險。
MCP 在行動中的真實世界範例
為了進一步說明 MCP 的潛力，讓我們考慮一些 MCP 如何在不同行業中使用的真實世界範例。
醫療保健
在醫療保健行業中，MCP 可用於建構 AI 應用程式，這些應用程式可以協助醫生診斷疾病、制定治療計畫和監控患者健康。例如，AI 應用程式可以使用 MCP 存取患者醫療記錄、實驗室結果和影像資料，以識別潛在的健康風險並建議適當的干預措施。
金融
在金融業中，MCP 可用於建構 AI 應用程式，這些應用程式可以偵測詐欺、管理風險並為客戶提供個人化的財務建議。例如，AI 應用程式可以使用 MCP 存取交易資料、信用評分和市場資料，以識別可疑活動並防止詐欺交易。
製造業
在製造業中，MCP 可用於建構 AI 應用程式，這些應用程式可以優化生產流程、預測設備故障並提高產品質量。例如，AI 應用程式可以使用 MCP 存取製造設備的感測器資料，以識別潛在問題並建議維護措施。
這些只是 MCP 如何用於建構可以解決真實世界問題的 AI 應用程式的一些範例。隨著 AI 生態系統的不斷發展，MCP 可能會在實現不同 AI 工具和平台之間的無縫通訊和資料交換方面發揮越來越重要的作用。
MCP 和 AI 驅動開發的未來
將 MCP 整合到 Amazon Q 開發者平台僅僅是個開始。隨著 AI 技術的不斷發展，MCP 可能會不斷發展和調整，以滿足開發人員和組織不斷變化的需求。
MCP 的一些潛在未來發展包括：
- 支援更多資料來源： 擴展 MCP 以支援更廣泛的資料來源，包括非結構化資料和即時資料流。
- 增強的安全性功能： 實施更強大的安全性功能，以保護敏感資料並防止未經授權的存取。
- 與更多 AI 工具整合： 將 MCP 與更廣泛的 AI 工具和平台整合，包括機器學習框架和自然語言處理引擎。
- 簡化的開發工具： 為開發人員提供更直觀且使用者友善的工具，用於建構 MCP 客戶端和伺服器。
透過持續創新和改進 MCP，AWS 正在幫助為 AI 無縫整合到軟體開發的每個方面的未來鋪平道路。這個未來承諾帶來更高的生產力、加速的創新以及更智慧和有效的 AI 解決方案。
這種增強的整合透過提供一種更簡化和有效的將 AI 工具與必要資料連接的方式來簡化建構複雜應用程式的過程，從而促進創新並加速開發生命週期。