Конг спонсировал этот пост.
За прошедший год крупные языковые модели (LLMS) перешли от исследований в новинки к критически важным для бизнеса инструменты. Но интеграция этих моделей в производственные рабочие процессы, особенно когда речь идет об использовании их с API и внутренними системами, все равно может быть удивительно сложным. Большинство разработчиков по-прежнему являются хрупкими вызовами функций вручную, сшивая код клея или полагаясь на экспериментальные плагины. Чего не хватает, так это постоянный, стандартизированный способ подключения LLM к инструментам, данным и инфраструктуре, которые управляют современными приложениями.
Вот где входит протокол контекста модели (MCP).
MCP — это легкий открытый протокол, предназначенный для стандартизации того, как приложения обеспечивают контекст для агентов ИИ и LLMS. Думайте об этом как USB-C для AI: универсальный способ подключения интеллектуальных агентов к услугам и системам, которые им необходимы для понимания и взаимодействия. Независимо от того, подключитесь ли вы к локальным источникам данных или удаленным API, MCP позволяет ИИ чистый, надежный и гибкий способ интегрироваться с реальным миром без каждых моментов на заказ разъемы каждый раз.
MCP Общая архитектура. (Источник: Kong, на основе модельной диаграммы протокола контекста.)
Давайте рассмотрим шесть причин, по которым MCP быстро становится важным для команд, работающих на пересечении ИИ, API и инфраструктуры.
1. LLM не может быть полезным, если они не видят ваш стек
LLMS мощны в рассуждениях, суммировании и поколении, но они не могут действовать в отношении систем, которых они не знают, существуют. Большая часть предприятия инфраструктуры остается невидимой для агентов искусственного интеллекта, если кто-то явно не соединяет точки, обычно с помощью хрупкого одноразового кода или устаревших определений API.
MCP представляет стандартную модель клиентского сервера, где агенты искусственного интеллекта (или их среды разработчика) структурированные интерфейсы, известные как серверы MCP. Эти серверы выставляют API, услуги и даже данные плоскости управления через обнаруженный, разрешенный интерфейс. Это означает, что ваши агенты, наконец, могут увидеть ваши внутренние инструменты, API и услуги, а также разум о них в контексте.
2. Он привносит структуру в неструктурированную экосистему
Агенты искусственного интеллекта работают лучше всего, когда они могут взаимодействовать с услугами программно, но слишком часто эти услуги незарегистрированы, непоследовательны или не имеют метаданных, необходимых для интеллектуального потребления. В то время как такие стандарты, как OpenAPI, предлагают прочную основу для описания API, они, как правило, статичны и не обеспечивают полный семантический контекст или контекст времени выполнения, который необходимы агентам ИИ из коробки.
MCP опирается на эту основу, определяя, как услуги должны описать себя для ИИ — не только структурой, но и с целью. Это позволяет разработчикам указать цель, параметры и результаты действий API таким образом, чтобы модели могли понимать, запрашивать и действовать.
Это критический скачок от документации к взаимодействию.
3. Это обеспечивает рабочие процессы агента в реальном времени
Перед MCP большинство интеграций LLM-агента требовали опроса, сценариев или посредников, чтобы вызвать простые действия. Это может быть нормально для одноразовых задач, но это разрушается, когда вам нужны масштабируемые многоагентные рабочие процессы, особенно в режиме реального времени.
С MCP агенты поддерживают активные подключения к серверу клиента с услугами, от которых они зависят. Это означает, что помощник искусственного интеллекта в вашем IDE или терминале может мгновенно запросить данные о телеметре, искать конфигурацию политики или вызовать микросервис без необходимости перекомпилировать или реконфигурировать интеграции вручную.
Это подключение в реальном времени открывает дверь для действительно автономных агентов, которые могут отслеживать, реагировать и адаптироваться к живой инфраструктуре.
4. MCP дает вам гибкость без блокировки
Одним из наиболее упускаемых преимуществ MCP является то, что он поставщика AI-оживленного по дизайну. Таким образом, это не блокирует вас в конкретном поставщике LLM, AI Toolchain или Cloud Vendor. Фактически, MCP принимается несколькими клиентами LLM и совместим с инструментами в разных экосистемах, включая IDE, среды сценариев и рамки агентов, такие как Autogen.
Из -за его модульной архитектуры вы можете смешать и сопоставить системы ИИ и поменять поставщиков с течением времени, не нарушая интеграции. Это особенно ценно в сегодняшнем быстро меняющемся ландшафте ИИ, где совместимость становится более важной, чем только производительность.
5. Это делает ИИ частью вашей модели управления
Раскрытие инфраструктуры LLMS поднимает критический вопрос: как вы ее защищаете?
С MCP доступ к данным больше не является побочным эффектом подключения инструмента; Это часть протокола. Каждый сервер MCP может определить, что именно он раскрывает, и под какими учетными данными. Это означает, что агенты ИИ наследуют те же модели разрешений, которые вы уже используете в своих системах.
В результате вы можете предоставить доступ к ИИ с той же строгостью, что и человеческие пользователи и даже ограничить его определенными услугами, командами или средами развертывания. Это позволяет создавать безопасные, проверенные рабочие процессы, где ИИ не становится обязательством по соблюдению.
6. Он готовит вас к опыту разработчика AI-аи-аи-аи-нему.
Будущее разработки программного обеспечения является AI-родным. IDE становятся копилотами. Терминалы заменяются естественным языком. Разработчики уже просят LLMS в код каркаса, журналах отладки и списками услуг.
MCP дает этим средам необходимую им среду ссылку: структурированный доступ в реальном времени к инфраструктуре, с которой они должны управлять. Будь то обнаружение API, осмотр моделей использования или запуска развертывания, MCP делает инфраструктуру доступной для ИИ, и, соответственно, для людей, использующих ее.
Последние мысли
MCP не просто еще один слой в стеке — это новая соединительная ткань между ИИ и современными программными системами. Предоставляя последовательный, открытый и надежный способ предоставления услуг интеллектуальным агентам, MCP помогает раскрыть весь потенциал LLMS в производстве.
И хотя команды могут создавать свои собственные серверы MCP для выявления API, данных об наблюдении или конфигураций политики, некоторые платформы уже предлагают поддержку MCP из коробки, что облегчает работу, чем когда -либо, начинать и использовать.
Kong добавила поддержку MCP в Konnect, нашей платформе управления жизненным циклом API, позволяющей организациям разоблачить всю свою систему API записи агентам AI, от обнаружения услуг до аналитики трафика и конфигурации политики.
Эпоха AI-родной наступает быстро. И MCP может быть просто стандартом, который поддерживает все, и все подключены.
Kong Inc. является ведущим разработчиком Cloud API Technologies и выполняет миссию, позволяющая компаниям по всему миру стать «Pi-Pirst». Конг помогает организациям во всем мире — от стартапов до предприятий из списка Fortune 500 — выпустить производительность разработчиков, надежно строить и ускорить время на рынке. Узнайте больше новейших из Cong Trending Stories youtube.com/thenewstack Tech Moving быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом.
