Arti dan Fungsi MCP

Selama periode ini, selama Anda membaca lebih lanjut tentang Agen AI, alat pemrograman AI, atau alur kerja otomatis, pada dasarnya Anda akan menemukan kata MCP.

Saat pertama kali melihatnya, sebenarnya saya tidak menganggapnya serius. Terlalu banyak konsep baru yang muncul di bidang AI akhir-akhir ini. Masing-masing memiliki nama yang lebih besar dari yang terakhir, namun tidak banyak dari mereka yang benar-benar diterapkan di bidang teknik.

Namun semakin saya melihat MCP, semakin saya merasa bahwa ini bukanlah istilah baru yang hanya berada pada level konseptual. Ini memang mengisi kekosongan yang sudah lama ada.

Kesenjangan ini tidak rumit:

Hanya karena model dapat menjawab pertanyaan tidak berarti model tersebut benar-benar dapat melakukan sesuatu.

Masalah ini akan muncul segera setelah tugas mulai mendekati alur kerja sebenarnya. Melihat gudang, memeriksa file, menjalankan perintah, membaca database, membuka browser, dan menghubungkan ke sistem internal bukanlah kemampuan yang akan muncul secara alami jika model itu sendiri lebih kuat dalam penalaran. Selalu ada lapisan di tengah: bagaimana menghubungkan model dengan lingkungan eksternal.

MCP menangani hampir lapisan ini.

1. Arti dasar MCP

MCP adalah singkatan dari Model Context Protocol.

Secara lebih formal, ini adalah seperangkat protokol yang memudahkan model, klien AI, dan sumber daya atau alat eksternal untuk berkolaborasi.

Kalimat ini memang benar, namun sebenarnya tidak mudah untuk membentuk perasaan tertentu saat pertama kali melihatnya.

Secara lebih langsung, apa yang dilakukan MCP dapat dipahami sebagai kalimat berikut:

** Atur koneksi model ke sumber daya dan alat eksternal ke dalam pendekatan yang lebih terpadu. **

Cakupan “sumber daya dan alat eksternal” di sini sangat besar, termasuk:

• file lokal
• Repositori Git
• basis data
• Peramban
• baris perintah
• Sistem dalaman
• Basis pengetahuan
• Layanan pihak ketiga

Tentu saja, kemampuan ini sebelumnya dapat diintegrasikan ke dalam produk AI, tetapi sebagian besar bergantung pada adaptasi kepemilikan yang ditulis oleh masing-masing produk.

Ada satu cara untuk menyambungkan file, cara lain untuk menyambung ke database, dan cara lain untuk menyambungkan browser. Jika Anda mengganti klien, Anda harus mengulanginya lagi. Kalau alatnya sedikit, masih bisa diterima. Jika ada terlalu banyak alat, timbul masalah:

• Metode akses menjadi semakin terfragmentasi
• Klien yang berbeda melakukan hal yang sama berulang kali
• Parameter, izin, dan gaya struktur pengembalian berbeda
• Biaya pemeliharaan selanjutnya terus meningkat

Inilah inti dari MCP. Itu memilah jenis kemampuan yang awalnya ada tetapi selalu terfragmentasi.

2. Latar Belakang Munculnya MCP

Jika AI hanya digunakan sebagai alat chatting, kehadiran MCP tidak akan terlalu kuat.

Mengajukan pertanyaan, merangkum, menulis sepotong kode, mengubah salinan, sebagian besar tugas ini tetap pada tingkat “menghasilkan konten”. Konteks biasanya ditempelkan secara manual, dan pemanggilan alat tidak sepenuhnya diperlukan.

Namun kini banyak produk AI yang tidak lagi puas dengan lapisan ini.

Arahnya menjadi semakin jelas, dan tujuannya adalah untuk memungkinkan AI memasuki alur kerja nyata, setidaknya untuk berpartisipasi dalam hal-hal berikut:

• Lihat langsung kode proyek
• Temukan sendiri dokumen yang relevan -Jalankan perintah
• Baca hasil tes
• Periksa status halaman
• Hubungkan ke database atau basis pengetahuan
• Terus memajukan tugas berdasarkan hasil

Begitu tujuannya menjadi seperti ini, seperangkat alat asli yang tersebar mulai tampak tidak mencukupi.

Yang sebenarnya perlu ditangani pada dasarnya adalah hal-hal berikut:

• Apakah aksesnya terpadu
• Apakah ekspansinya lancar
• Apakah batasan izinnya jelas?
• Apakah ada kolaborasi stabil jangka panjang antara klien dan alat

Munculnya MCP pada dasarnya disebabkan karena permintaan jenis ini mulai meledak secara intensif.

Ketika produk AI beralih dari “menjawab pertanyaan” menjadi “berpartisipasi dalam eksekusi,” cepat atau lambat lapisan akses akan menjadi masalah yang harus ditangani secara langsung.

3. Tingkat kemampuan yang dilengkapi dengan MCP

Aspek yang paling berharga dari MCP bukanlah pada parameter model atau “alat penyetelan” di tingkat publisitas, tetapi pada aspek tersebut dapat mengurangi masalah tebakan model di balik pintu tertutup di lingkungan nyata.

Ada pengalaman umum di bidang teknik:

Hasil yang dihasilkan model terlihat layak, terminologinya benar, dan strukturnya lengkap, namun jika menyangkut proyek sebenarnya, mulai menyimpang. Alasan terjadinya bias sering kali tidaklah misterius, melainkan hanya sebagai berikut:

• Tidak dapat melihat struktur direktori sebenarnya
• Saya tidak tahu cara menjalankan skrip
• Tidak yakin di mana file konfigurasinya
• Tidak dapat menjalankan status
• Tidak dapat mengakses database atau log
• Tidak tahu sumber daya apa yang tersedia di lingkungan saat ini

Tanpa informasi ini, model hanya bisa menebak.

Jika tebakannya benar, hasilnya terlihat oke; ketika tebakannya salah, seringkali permasalahannya tidak mudah terlihat pada pandangan pertama karena masih terlihat lengkap di permukaan.

Nilai MCP justru terletak pada upayanya untuk mengubah proses yang “mengandalkan tebakan dan pengisian informasi lingkungan” menjadi “memperoleh konteks nyata dan kemampuan alat melalui metode terpadu.”

Dari perspektif ini, MCP lebih seperti sebuah lapisan infrastruktur dibandingkan sebuah konsep yang terisolasi.

4. Tiga perspektif untuk memahami MCP

Jika tidak ingin langsung melihat detail perjanjiannya, MCP bisa dipahami dari tiga sudut pandang.

1. Soket terpadu

Ini adalah cara termudah untuk membentuk pemahaman intuitif.

Ternyata alat yang berbeda, sistem yang berbeda, dan sumber data yang berbeda ibarat colokan dengan spesifikasi berbeda ketika dihubungkan ke klien AI. Anda harus memasang kembali adaptor setiap kali Anda menyambungkannya, yang pasti akan menjadi semakin berantakan dalam jangka panjang.

MCP lebih seperti mendorong sekumpulan soket yang terpadu.

Ini mungkin tidak bisa menghilangkan semua perbedaan, tapi setidaknya bisa membuat masalah “cara terhubung” menjadi tidak terlalu liar.

2. Lapisan terjemahan antara model dan alat

Model ini pandai memahami bahasa, tetapi secara alami tidak memahami gaya antarmuka pribadi yang berbeda dari setiap sistem.

Sistem file memiliki aturan sistem file, database memiliki aturan database, dan debugging browser adalah serangkaian hal yang sangat berbeda.

Hal penting yang dilakukan MCP adalah mengorganisasikan kemampuan-kemampuan tersebut ke dalam bentuk yang lebih mudah dideskripsikan, lebih mudah ditemukan, dan lebih mudah dipanggil, seperti:

• Sumber daya apa yang tersedia saat ini?
• Operasi apa yang bisa dilakukan
• Parameter apa yang diperlukan saat menelepon?
• Struktur apa yang akan menjadi hasil pengembaliannya?

Dengan cara ini, biaya kolaborasi antara klien dan penyedia alat akan jauh lebih rendah.

3. Saluran konteks dinamis

Konteks sering kali dipahami sebagai “sepotong teks yang diposting ke model”.

Namun konteks kerja nyata lebih dari itu.

File proyek, keluaran log, catatan basis data, status halaman browser, perubahan Git, dan hasil eksekusi perintah semuanya sesuai dengan konteks, dan juga konteks yang berubah secara dinamis.

Salah satu arti penting MCP adalah memberikan kesempatan pada konteks semacam ini untuk diperoleh melalui metode standar, daripada mengandalkan sepenuhnya pada salin dan tempel manual.

5. Peran MCP sebenarnya

MCP dapat dengan mudah terlihat abstrak jika kita hanya berbicara tentang definisi. Untuk benar-benar melihat nilainya, kita masih harus kembali ke skenario penggunaan sebenarnya.

1. Mempermudah AI untuk terhubung ke alat nyata

Ini adalah tingkat nilai yang paling langsung.

Jika klien AI mendukung MCP, klien tersebut secara alami akan mendapatkan akses ke kemampuan berikut:

• Membaca dan menulis file
• Periksa status gudang
• Basis data kueri
• Debug halaman browser
• Dapatkan keluaran perintah
• Akses basis pengetahuan
• Hubungkan ke layanan eksternal

Pada saat ini, peran AI akan berubah.

Ia tidak lagi sekadar “memberi nasehat” tetapi mulai memiliki kemampuan “ikut serta menyelesaikan tugas”.

2. Mengurangi duplikasi pekerjaan pada akses alat

Banyak pekerjaan integrasi di masa lalu yang pada dasarnya bersifat hard-coded satu-ke-satu:

• Satu klien beradaptasi dengan satu layanan
• Ganti ke klien lain dan adaptasi lagi
• Kemampuan yang sama ditulis ulang berulang kali di beberapa produk

Cara ini bekerja dengan baik dalam jangka pendek, namun sangat boros dalam jangka panjang.

Jika semakin banyak alat yang dapat mengekspos kemampuan dengan cara yang mirip dengan MCP, baik penyedia alat maupun klien akan merasa jauh lebih mudah:

• Kemampuan alat lebih mudah untuk digunakan kembali
• Klien memperluas kemampuan baru dengan lebih lancar
• Seluruh ekosistem tidak akan diciptakan kembali setiap kali ada alat tambahan.

3. Jadikan perolehan konteks lebih alami

Dalam tugas yang kompleks, salah satu hal yang paling menyita perhatian adalah menambahkan konteks berulang kali.

Dimana proyeknya, direktori mana yang penting, log mana yang penting, perintah mana yang benar, file mana yang dapat diubah, dan file mana yang tidak boleh disentuh. Jika informasi ini selalu ditafsirkan secara manual, biayanya akan sangat tinggi dan mudah bocor.

Ketika kemampuan ini dapat diakses oleh AI secara terpadu, seluruh proses akan menjadi lebih lancar.

Peningkatan tersebut mungkin tidak terlalu terlihat seperti peningkatan model, namun berdampak signifikan terhadap tingkat penyelesaian misi sebenarnya.

4. Menjadikan Agen lebih seperti eksekutor sungguhan

Kata Agen jarang digunakan saat ini, namun Agen yang benar-benar praktis harus memiliki setidaknya beberapa hal:

• Amati lingkungan
• Dapatkan informasi
• alat panggilan
• melakukan tindakan
• Terus maju berdasarkan hasil

Jika akses alat selalu terfragmentasi, bersifat pribadi, dan sulit untuk diperluas, Agen dapat dengan mudah tetap berada pada level “berbicara selangkah demi selangkah”.

Apa yang ditambahkan MCP adalah lapisan dasar paling penting bagi Agen untuk beralih dari “terlihat seperti bisa melakukan sesuatu” menjadi “benar-benar mampu melakukan beberapa hal”.

5. Lebih mudah mengelola izin dan kemampuan

Ketika AI mulai terhubung ke sistem nyata, masalah izin tidak dapat dihindari.

Misalnya:

-Direktori mana yang diizinkan aksesnya

• Perintah mana yang dapat dijalankan
• Data mana yang boleh dibaca
• Operasi mana yang harus dikonfirmasi secara manual – Kemampuan apa yang hanya bisa dibuka dalam keadaan tertentu?

Jika semua metode akses diimprovisasi, batasan izin juga akan berantakan.

Ketika metode akses mulai distandarisasi, akan lebih mudah untuk mengintegrasikan manajemen kapabilitas dan manajemen otoritas ke dalam sistem yang sama.

Hal ini sangat penting untuk skenario perusahaan.

6. Perbedaan MCP dan API biasa

Pertanyaan ini wajar, karena di permukaan, implementasi terakhir adalah menyesuaikan berbagai antarmuka kemampuan.

Saya lebih suka memahami hubungan antara API dan MCP dengan cara ini:

API terutama mengatur kemampuan dari sudut pandang penyedia layanan.

Yang menjadi perhatiannya adalah:

• Antarmuka apa yang dipaparkan layanan ini?
• Cara melewatkan parameter
• hasil apa yang dikembalikan

MCP berfokus pada bagaimana AI diatur saat menggunakan kemampuan ini.

Yang lebih dipedulikannya adalah:

• Bagaimana model menemukan sumber daya yang tersedia?
• Bagaimana klien memahami kemampuan ini?
• Bagaimana alat dapat terkena AI dengan cara yang lebih konsisten
• Cara memasukkan izin dan batasan panggilan ke dalam sistem yang sama

Jadi tidak ada konflik di antara keduanya.

API masih menjadi bagian dari kemampuan dasar, dan MCP lebih seperti lapisan standar organisasi dalam skenario AI.

7. Skenario dimana MCP dapat lebih mudah mewujudkan nilai

Nilai MCP tidak terlalu kuat dalam obrolan biasa. Hal ini biasanya tercermin dalam skenario berbasis tugas.

1. Asisten Pemrograman

Ini adalah salah satu skenario aplikasi yang paling umum.

Asisten pemrograman yang benar-benar berguna biasanya tidak hanya harus mampu menjelaskan kodenya, tetapi juga harus bisa mengakses:

• File gudang
• Bangun skrip
• hasil tes
• Perintah terminal
• Status Git
• Hasil eksekusi halaman
• Keluaran log

Jika semua hal ini bergantung pada adaptasi swasta, sistem ini akan menjadi semakin berat seiring dengan perluasannya.

Jika ada metode akses yang lebih terpadu, akan lebih mudah bagi asisten pemrograman untuk meningkatkan dari “alat tanya jawab kode” menjadi “alat kolaborasi tugas”.

2. Asisten pengetahuan perusahaan

Pengetahuan internal perusahaan seringkali tidak berada pada satu tempat:

• Ada bagian di sistem file
• Ada bagian di database
• Ada bagian dalam sistem pelaporan
• Ada juga bagian dalam perintah kerja dan CRM

Dalam skenario ini, kesulitan sebenarnya biasanya adalah membuat sistem mendapatkan konteks yang benar secara stabil.

Tempat di mana protokol seperti MCP paling cocok untuk berperan justru di lingkungan multi-sistem, multi-sumber data, dan batas multi-otoritas.

3. Alur kerja otomatis

Ringkasan harian, pemeriksaan pengecualian, pembuatan laporan, pengiriman pengingat, sinkronisasi status, tugas-tugas ini pada dasarnya adalah kombinasi dari “membaca banyak sistem + membuat penilaian + menyesuaikan tindakan”.

Dalam skenario ini, semakin terpadu lapisan aksesnya, semakin rendah biaya orkestrasinya.

Nilai MCP akan menjadi semakin jelas seiring dengan meningkatnya kompleksitas rantai alat.

8. Alasan semakin pentingnya MCP

Alasannya tidak rumit. Produk AI beralih dari “menjawab” menjadi “mengeksekusi”.

Saat menjawab saja, fokusnya terutama pada kualitas pembuatan model.

Ketika sistem mulai bergerak menuju eksekusi, fokus sistem akan berubah secara signifikan, dan fokus sistem akan mulai terfokus pada isu-isu berikut:-Berapa banyak alat yang dapat dihubungkan?

• Sumber daya apa saja yang bisa diakses?
• Apakah mungkin memperoleh informasi lingkungan nyata?
• Bisakah tindakan dilakukan dalam lingkup kewenangannya?
• Bisakah kamu menutup batasan ketika terjadi masalah?

Masalah-masalah ini pada dasarnya terkait dengan konektivitas.

Modelnya sendiri tentu saja tetap penting, namun begitu Anda memasuki alur kerja, pentingnya konektivitas meningkat dengan sangat cepat.

MCP benar pada titik perubahan ini.

9. Pentingnya MCP bagi pengembang

MCP patut mendapat perhatian, dan fokusnya tidak harus hanya pada rincian perjanjian.

Yang lebih menarik untuk diperhatikan adalah tren yang diwakilinya:

Di masa depan, banyak produk perangkat lunak tidak hanya menyediakan UI Web dan API biasa, tetapi juga menyediakan lapisan metode akses berorientasi AI.

Ini berarti beberapa hal akan terjadi secara perlahan:

• Produk alat akan memiliki saluran distribusi baru
• Klien AI akan menganggap “apa yang dapat diterimanya” sebagai salah satu kemampuan intinya
• Skalabilitas sistem Agen akan semakin bergantung pada jenis lapisan akses terpadu ini

Dari sudut pandang teknik, MCP sebenarnya menyentuh masalah yang sangat sulit:

**Jika AI ingin memasuki alur kerja nyata, masalah menghubungkan alat, sumber daya, dan lingkungan cepat atau lambat harus berpindah dari keadaan terfragmentasi ke tahap standar. **

Setidaknya MCP menanggapi masalah ini dengan serius.

Ringkasan

Secara singkat MCP dapat dipahami seperti ini:

**MCP memudahkan model untuk terhubung secara stabil ke sumber daya dan alat eksternal. **

Untuk memperluas sedikit, ini adalah hal-hal:

• Ini berkaitan dengan bagaimana model memperoleh konteks, menemukan sumber daya, dan memanggil alat
• Ini mengatur metode akses yang awalnya terfragmentasi
• Ini tidak akan menggantikan API, namun akan mengubah cara AI diatur untuk menggunakan kemampuan ini
• Hal ini sangat penting untuk skenario seperti asisten pemrograman, asisten perusahaan, dan alur kerja otomatis

Hal penting berikutnya dalam aplikasi AI bukan hanya modelnya saja, namun juga kemampuan koneksi, kualitas konteks, dan stabilitas eksekusi.

MCP berada tepat di garis ini.