El significado y función de MCP

Durante este período, siempre que lea más sobre AI Agent, herramientas de programación de AI o flujos de trabajo automatizados, básicamente encontrará la palabra MCP.

Cuando lo vi por primera vez, en realidad no lo tomé en serio. Recientemente han surgido demasiados conceptos nuevos en el campo de la IA. Cada uno tiene un nombre más grande que el anterior, pero no muchos de ellos han sido realmente implementados en ingeniería.

Pero cuanto más veo MCP, más siento que no es un término nuevo que se quede en el nivel conceptual. De hecho, está llenando una vacante de larga data.

Esta brecha no es complicada:

El hecho de que el modelo pueda responder preguntas no significa que realmente pueda hacer cosas.

Este problema surgirá tan pronto como las tareas comiencen a acercarse a flujos de trabajo reales. Ver el almacén, verificar archivos, ejecutar comandos, leer bases de datos, abrir navegadores y conectarse a sistemas internos no son capacidades que surgirán naturalmente si el modelo en sí tiene un razonamiento más sólido. Siempre hay una capa en el medio: cómo conectar el modelo con el entorno externo.

MCP maneja casi esta capa.

1. El significado básico de MCP

MCP es la abreviatura de Model Context Protocol.

Más formalmente, es un conjunto de protocolos que facilitan la colaboración de modelos, clientes de IA y recursos o herramientas externos.

Esta frase es correcta en sí misma, pero en realidad no es fácil formar un sentimiento específico cuando la veo por primera vez.

Para decirlo más directamente, lo que hace MCP puede entenderse como la siguiente oración:

** Organice la conexión de modelos con recursos y herramientas externos en un enfoque más unificado. **

El alcance de los “recursos y herramientas externos” aquí es enorme, e incluye:

• archivos locales
• repositorio Git
• base de datos
• Navegador
• línea de comando
• Sistema interno
• Base de conocimientos
• Servicios de terceros

Por supuesto, estas capacidades se pueden integrar en productos de IA antes, pero la mayoría de ellas dependen de adaptaciones patentadas escritas por cada uno.

Hay una forma de conectar archivos, otra forma de conectarse a bases de datos y otra forma de conectar navegadores. Si cambias de cliente, tendrás que hacerlo todo de nuevo. Cuando hay pocas herramientas, todavía es aceptable. Cuando hay demasiadas herramientas, surgen problemas:

• Los métodos de acceso están cada vez más fragmentados.
• Diferentes clientes hacen lo mismo repetidamente
• Los parámetros, permisos y estilos de estructura de retorno son diferentes
• Los costes de mantenimiento posteriores siguen aumentando.

De esto se trata MCP. Se trata de clasificar un tipo de habilidad que existía originalmente pero que siempre ha estado fragmentada.

2. Antecedentes del surgimiento de MCP

Si la IA sólo se utiliza como herramienta de chat, la presencia de MCP no será muy fuerte.

Hacer preguntas, resumir, escribir un fragmento de código, cambiar una copia, la mayoría de estas tareas permanecen en el nivel de “generar contenido”. El contexto generalmente se pega manualmente y las llamadas a herramientas no son estrictamente necesarias.

Pero ahora muchos productos de IA ya no están satisfechos con esta capa.

La dirección es cada vez más clara y el objetivo es permitir que la IA entre en flujos de trabajo reales, al menos para participar en las siguientes cosas:

• Mirar directamente el código del proyecto.
• Encuentre usted mismo los documentos relevantes -Ejecutar comando
• Leer los resultados de las pruebas.
• Verificar el estado de la página
• Conectarse a una base de datos o base de conocimientos
• Continuar avanzando tareas en función de los resultados.

Una vez que el objetivo se vuelve así, el conjunto original de herramientas dispersas comienza a parecer insuficiente.

Lo que realmente hay que abordar son principalmente los siguientes aspectos:

• Si el acceso está unificado.
• Si la expansión es suave
• ¿Están claros los límites de los permisos?
• Si existe una colaboración estable a largo plazo entre el cliente y la herramienta.

El surgimiento del MCP se debe esencialmente a que este tipo de demanda comenzó a explotar intensamente.

A medida que los productos de IA pasen de “responder preguntas” a “participar en la ejecución”, tarde o temprano la capa de acceso se convertirá en un problema que deberá abordarse de frente.

3. El nivel de habilidad complementado por MCP

El aspecto más valioso de MCP no está en los parámetros del modelo o la “herramienta de ajuste” a nivel publicitario, sino en que puede reducir el problema de que el modelo adivine a puerta cerrada en el entorno real.

Existe una experiencia común en ingeniería:

Los resultados generados por el modelo parecen decentes, la terminología es correcta y la estructura está completa, pero cuando se trata de proyectos reales, comienza a desviarse. Las razones del sesgo a menudo no son misteriosas, no son más que estas:

• No puedo ver la estructura real del directorio.
• No sé cómo ejecutar el script.
• No estoy seguro de dónde está el archivo de configuración.
• No puedo obtener el estado de ejecución
• No se puede acceder a la base de datos o los registros
• No sé qué recursos están disponibles en el entorno actual.

Sin esta información, el modelo sólo puede adivinar.

Cuando la suposición es correcta, el resultado parece correcto; Cuando la suposición es errónea, el problema a menudo no es fácil de detectar a primera vista porque aún parece completo en la superficie.

El valor de MCP radica precisamente en su intento de transformar este proceso de “confiar en adivinar y completar información ambiental” en “obtener contexto real y capacidades de herramientas a través de un método unificado”.

Desde esta perspectiva, MCP se parece más a una capa de infraestructura que a un concepto aislado.

4. Tres perspectivas para comprender MCP

Si no desea ver los detalles del acuerdo de inmediato, el MCP puede entenderse desde tres perspectivas.

1. Un socket unificado

Ésta es la forma más sencilla de formar una comprensión intuitiva.

Resulta que diferentes herramientas, diferentes sistemas y diferentes fuentes de datos son como enchufes de diferentes especificaciones cuando se conectan al cliente de IA. Tienes que volver a colocar el adaptador cada vez que conectas uno, lo que definitivamente será cada vez más complicado a largo plazo.

MCP es más como presionar por un conjunto unificado de sockets.

Puede que no sea capaz de suavizar todas las diferencias, pero al menos puede hacer que la cuestión de “cómo conectarse” sea menos complicada.

2. Una capa de traducción entre modelos y herramientas.

El modelo comprende bien el lenguaje, pero no comprende naturalmente los diferentes estilos de interfaces privadas de cada sistema.

El sistema de archivos tiene reglas del sistema de archivos, la base de datos tiene reglas de base de datos y la depuración del navegador es un conjunto de cosas completamente diferente.

Una cosa importante que hace MCP es organizar estas capacidades en una forma que sea más fácil de describir, más fácil de descubrir y más fácil de llamar, como por ejemplo:

• ¿Qué recursos están disponibles actualmente?
• ¿Qué operaciones se pueden hacer?
• ¿Qué parámetros se requieren al llamar?
• ¿Qué estructura será el resultado de la devolución?

De esta forma, el coste de la colaboración entre clientes y proveedores de herramientas será mucho menor.

3. Un canal de contexto dinámico

El contexto a menudo se entendía como “un fragmento de texto publicado en el modelo”.

Pero el contexto del trabajo real va más allá.

Los archivos de proyecto, la salida de registros, los registros de la base de datos, el estado de la página del navegador, los cambios de Git y los resultados de la ejecución de comandos pertenecen al contexto y también cambian dinámicamente los contextos.

Uno de los significados importantes de MCP es brindar la oportunidad de obtener este tipo de contexto mediante métodos estándar, en lugar de depender completamente de copiar y pegar manualmente.

5. El papel real de MCP

MCP puede parecer fácilmente abstracto si solo hablamos de definiciones. Para ver realmente su valor, todavía tenemos que volver al escenario de uso real.

1. Facilite que la IA se conecte a herramientas reales

Este es el nivel de valor más directo.

Cuando un cliente de IA admite MCP, naturalmente obtendrá acceso a las siguientes capacidades:

• Leer y escribir archivos
• Verificar el estado del almacén.
• Consultar base de datos
• Depurar páginas del navegador
• Obtener salida del comando
• Acceder a la base de conocimientos.
• Conectarse a servicios externos

En este momento, el papel de la IA cambiará.

Ya no sólo “da consejos” sino que comienza a tener la capacidad de “participar en la realización de tareas”.

2. Reducir la duplicación de trabajo en el acceso a herramientas

Gran parte del trabajo de integración en el pasado estaba esencialmente codificado uno a uno:

• Un cliente se adapta a un servicio.
• Cambiar a otro cliente y volver a adaptarse
• La misma capacidad se reescribe repetidamente en múltiples productos.

Este método funciona bien a corto plazo, pero supone un gran desperdicio a largo plazo.

Si cada vez más herramientas pueden exponer capacidades de una manera similar a MCP, tanto los proveedores de herramientas como los clientes se sentirán mucho más fáciles:

• Las capacidades de las herramientas son más fáciles de reutilizar
• El cliente amplía nuevas capacidades con mayor fluidez.
• No se reinventará todo el ecosistema cada vez que haya una herramienta adicional.

3. Hacer que la adquisición del contexto sea más natural

En tareas complejas, una de las cosas que más atención consume es agregar contexto repetidamente.

¿Dónde está el proyecto, qué directorio es importante, qué registro es crítico, qué comando es correcto, qué archivo se puede cambiar y qué archivo no se puede tocar? Si esta información se interpreta manualmente cada vez, el costo es muy alto y es fácil de filtrar.

Cuando la IA pueda acceder a estas capacidades de forma unificada, todo el proceso será mucho más sencillo.

Es posible que estas mejoras no sean tan notables como las actualizaciones de los modelos, pero tienen un impacto significativo en las tasas reales de finalización de misiones.

4. Haga que el Agente se parezca más a un verdadero ejecutor

La palabra Agente se usa de manera muy vaga hoy en día, pero un Agente verdaderamente práctico debe poseer al menos algunas cosas:

• Observar el entorno.
• Obtener información
• herramienta de llamada
• realizar acciones
• Continuar avanzando en base a los resultados.

Si el acceso a las herramientas es siempre fragmentado, privado y difícil de expandir, el Agente puede permanecer fácilmente en el nivel de “hablar en pasos”.

Lo que agrega MCP es la capa básica más crítica para que el Agente pase de “parecer que puede hacer cosas” a “realmente poder hacer algunas cosas”.

5. Más fácil de administrar permisos y capacidades

Una vez que la IA comienza a conectarse a sistemas reales, no se pueden evitar los problemas de permisos.

Por ejemplo:

-A qué directorios se les permite el acceso

• Qué comandos se pueden ejecutar
• ¿Qué datos se pueden leer?
• Qué operaciones deben confirmarse manualmente
• ¿Qué habilidades sólo se pueden activar en circunstancias específicas?

Si todos los métodos de acceso se improvisan, los límites de permisos también se desmoronarán.

Una vez que los métodos de acceso comiencen a estandarizarse, será más fácil integrar la gestión de capacidades y la gestión de autoridades en el mismo sistema.

Esto es especialmente importante para escenarios empresariales.

6. La diferencia entre MCP y API ordinaria

Esta pregunta es natural, porque en la superficie, la implementación final es ajustar varias interfaces de capacidades.

Prefiero entender la relación entre API y MCP de esta manera:

API organiza principalmente capacidades desde la perspectiva de los proveedores de servicios.

Lo que le importa es:

• ¿Qué interfaces expone el servicio?
• Cómo pasar parámetros
• qué resultados se devuelven

MCP se centra en cómo se organiza la IA cuando se utilizan estas capacidades.

Lo que más le importa es:

• ¿Cómo descubre el modelo los recursos disponibles?
• ¿Cómo entiende el cliente estas capacidades?
• Cómo se pueden exponer las herramientas a la IA de una manera más consistente
• Cómo poner permisos y llamar límites en el mismo sistema

Entonces no hay conflicto entre los dos.

La API sigue siendo parte de las capacidades subyacentes y MCP se parece más a una capa de estándares organizacionales en escenarios de IA.

7. Escenarios en los que MCP puede incorporar valor más fácilmente

El valor de MCP no es particularmente fuerte en los chats normales. Suele reflejarse en escenarios basados ​​en tareas.

1. Asistente de programación

Este es uno de los escenarios de aplicación más típicos.

Un asistente de programación verdaderamente útil normalmente no sólo necesita poder explicar el código, sino que también debe poder acceder a:

• Archivos de almacén
• Construir guión
• resultados de la prueba
• Comandos terminales
• Estado de Git
• Resultados de ejecución de la página
• Salida de registro

Si todas estas cosas dependen de la adaptación privada, el sistema se volverá cada vez más pesado a medida que se expanda.

Si existe un método de acceso más unificado, será más fácil para el asistente de programación actualizar de una “herramienta de preguntas y respuestas de código” a una “herramienta de colaboración de tareas”.

2. Asistente de conocimiento empresarial

El conocimiento corporativo interno a menudo no se encuentra en un solo lugar:

• Hay una parte en el sistema de archivos.
• Hay una parte en la base de datos.
• Hay una parte en el sistema de informes.
• También hay partes en órdenes de trabajo y CRM.

En este escenario, la verdadera dificultad suele ser lograr que el sistema obtenga el contexto correcto de manera estable.

El lugar donde protocolos como MCP son más adecuados para desempeñar un papel es precisamente en este entorno de límites de múltiples sistemas, múltiples fuentes de datos y múltiples autoridades.

3. Flujo de trabajo automatizado

Resumen diario, verificación de excepciones, generación de informes, envío de recordatorios, sincronización de estado, estas tareas son esencialmente una combinación de “leer múltiples sistemas + emitir juicios + ajustar acciones”.

En este escenario, cuanto más unificada esté la capa de acceso, menor será el costo de orquestación.

El valor de MCP será cada vez más obvio a medida que aumente la complejidad de la cadena de herramientas.

8. Razones de la creciente importancia del MCP

La razón no es complicada. Los productos de IA están pasando de “responder” a “ejecutar”.

Al responder únicamente, la atención se centra principalmente en la calidad de la generación del modelo.

Cuando comience a avanzar hacia la ejecución, el enfoque del sistema cambiará significativamente y comenzará a recaer más en estos temas:-¿Cuántas herramientas se pueden conectar?

• ¿A qué recursos se puede acceder?
• ¿Es posible obtener información real del entorno?
• ¿Se pueden realizar acciones dentro del ámbito de la autoridad?
• ¿Puedes cerrar tus límites cuando algo sale mal?

Estas cuestiones están esencialmente relacionadas con la conectividad.

Por supuesto, el modelo en sí sigue siendo importante, pero una vez que se ingresa al flujo de trabajo, la importancia de la conectividad aumenta muy rápidamente.

MCP tiene razón en este punto de cambio.

9. La importancia de MCP para los desarrolladores

El MCP merece atención y la atención no tiene por qué centrarse únicamente en los detalles del acuerdo.

Lo que más vale la pena observar es la tendencia que representa:

En el futuro, es posible que muchos productos de software no solo proporcionen una interfaz de usuario web y API ordinarias, sino que también proporcionen una capa de métodos de acceso orientados a la IA.

Esto significa que poco a poco sucederán varias cosas:

• Los productos de herramientas tendrán un nuevo canal de distribución.
• El cliente de IA considerará “lo que puede aceptar” como una de sus capacidades principales.
• La escalabilidad del sistema del Agente dependerá cada vez más de este tipo de capa de acceso unificado.

Desde una perspectiva de ingeniería, MCP en realidad aborda un problema muy difícil:

**Si la IA quiere entrar en el flujo de trabajo real, la cuestión de conectar herramientas, recursos y entornos debe, tarde o temprano, pasar de un estado fragmentado a una etapa estandarizada. **

El PCM al menos se está tomando la cuestión en serio.

Resumen

De forma más breve, MCP se puede entender así:

**MCP facilita que los modelos se conecten de manera estable a recursos y herramientas externos. **

Para ampliar un poco, estas son las cosas:

• Se ocupa de cómo el modelo obtiene contexto, descubre recursos y llama a herramientas.
• Organiza los métodos de acceso originalmente fragmentados.
• No reemplazará a la API, pero cambiará la forma en que se organiza la IA para utilizar estas capacidades.
• Es especialmente importante para escenarios como asistentes de programación, asistentes empresariales y flujos de trabajo automatizados.

El próximo gran avance para las aplicaciones de IA no es sólo el modelo en sí, sino también las capacidades de conexión, la calidad del contexto y la estabilidad de la ejecución.

MCP cae de lleno en esta línea.