Mentionsy

MCP i ACL.

Tu nie ma jednego centralnego serwera MCP dla całego świata.

Wewnątrz tego hosta działa klient MCP.

A ten z kolei wysyła ustandaryzowane zapytanie do odpowiedniego serwera MCP.

One po prostu rozmawiają przez tego uniwersalnego tłumacza, jakim jest MCP.

Asystent, czyli host, używa swojego klienta MCP, żeby połączyć się z kilkoma serwerami naraz.

Najpierw łączy się z serwerem MCP dla Githuba, żeby pobrać zmiany.

Potem może wysłać zapytanie do serwera CI-CD, żeby zdalnie uruchomić testy, a jednocześnie może połączyć się z lokalnym serwerem MCP, by odczytać pliki konfiguracyjne z Twojego dysku.

Tak, a MCP służy do aktywnej interakcji, do wykonywania działań.

Czyli jeśli RAG to dostęp do biblioteki, to MCP to dostęp do w pełni wyposażonego warsztatu z narzędziami.

Czyli MCP pozwala modelowi rozmawiać z narzędziami i działać.

Jeśli MCP to język, w którym AI rozmawia z narzędziami, to ACL to język, w którym agenci AI rozmawiają ze sobą.

Jakie są namacalne korzyści w MCP już dzisiaj?

Jeśli Twoja aplikacja komunikuje się z narzędziami przez MCP, to wymiana modelu LLM, na przykład z Cloud na GPT, staje się trywialna.

Raz napisany serwer MCP do naszej wewnętrznej bazy klientów może być używany przez wiele aplikacji w firmie.

Tak, gdzie złośliwy serwer MCP podszywa się pod zaufane narzędzie, ale w odpowiedzi przemyca szkodliwe dane lub polecenia.

Duże firmy jak Stripe czy Supace już udostępniają oficjalne serwery MCP, a popularne frameworki jak LangChain mają gotowe adaptery.

Można wpiąć narzędzie MCP w logikę agenta za pomocą kilku linijek kodu.

Wszystko wskazuje na to, że MCP stanie się dla aplikacji AI tym, czym REST i GraphQR stały się dla aplikacji webowych.

MCP i ACL to nie są tylko techniczne detale.