Mi a Model Context Protocol (MCP) és hogyan működik?

Informatec Digital » Erőforrás » Mi a Model Context Protocol (MCP) és hogyan működik?

A mesterséges intelligencia óriási előrelépést tesz a modellek való világgal való összekapcsolásának új módjainak köszönhetően, és az egyik legtöbbet emlegetett fejlesztés a Model Context Protocol (MCP) . Ha hallottál már MI-ügynökökről, külső eszközökről, RAG-okról vagy MCP-kiszolgálókról, és mindez „fekete mágiának” hangzik, ne aggódj: logikával és nagyon is valós példákkal megérthető.

A következő sorokban pontosan megtudhatja, mi is az MCP, hogyan működik belsőleg, milyen problémákat old meg, milyen összetevőkből áll, és milyen esetekben a legértelmesebb a használata . Megvizsgáljuk az előnyeit, a jelenlegi korlátait, a valós felhasználási eseteket (beleértve a vállalati és fintech szektort is), valamint néhány gyakorlati tippet, amelyekkel elkezdheti kísérletezni az MCP szerverekkel és kliensekkel.

Mi a Model Context Protocol (MCP)?

A Model Context Protocol (MCP) egy nyílt, szabványos protokoll, amely meghatározza, hogyan kommunikál egy MI-modell külső eszközökkel, szolgáltatásokkal és adatforrásokkal . Más szóval, közös szabályokat határoz meg, így egy nyelvi modell (például egy LLM, mint a Claude, a ChatGPT vagy hasonló) hozzáférhet API-khoz, adatbázisokhoz, fájlokhoz, dokumentációhoz vagy vállalati alkalmazásokhoz anélkül, hogy minden egyes esethez egyedi integrációt kellene végezni.

A gyakorlatban az MCP olyan, mint egy „közös nyelv” a mesterséges intelligencia modelljei és a külső szolgáltatások között . Ahelyett, hogy minden modell a saját „dialektusát” beszélné, és minden eszköznek saját egyedi API-ja lenne, az MCP szabványosított hídként működik. A modellek MCP-n beszélnek, az eszközök az MCP-n keresztül érhetők el, és minden zökkenőmentesen illeszkedik egymáshoz anélkül, hogy minden projekthez újra fel kellene találni a kereket.

Az LLM-ek egyik klasszikus problémája, hogy bármennyire is erősek, elszigetelten működnek a képzésük keretein belül . Nem látják az e-mailjeidet, a CRM-edet, az ERP-det, a rendelési adatbázisodat vagy a belső dokumentációdat... hacsak valaki nem épít egy speciális integrációt. Az MCP pontosan ennek a szűk keresztmetszetnek a kezelésére szolgál: biztonságos és strukturált utat nyit a modell számára a valós idejű adatok lekérdezéséhez és külső műveletek végrehajtásához.

Egy másik kulcsfontosságú szempont, hogy az MCP egy nyílt szabvány, amelyet eredetileg az Anthropic (a Claude megalkotói) fejlesztettek ki , azzal a céllal, hogy bármely szállító, vállalat vagy fejlesztő számára lehetővé tegye a megvalósítását. Ez elősegíti egy megosztott plug-and-play MCP eszközök ökoszisztémájának kialakulását, amelyet bármely kompatibilis modell kihasználhat.

Koncepcionálisan az MCP nem egy ágens keretrendszer, hanem az integrációs réteg . Nem dönti el, hogy melyik eszközt és mikor használják; egyszerűen egy konzisztens módot biztosít az eszközök és adatok elérhetővé tételére az ágensek vagy modellek számára, amelyek ezeket a döntéseket meghozzák.

MCP kontra RAG és hagyományos API-k összehasonlítása

Eddig a modellek külső információkkal való gazdagításának egyik legnépszerűbb módja a Retrieval-Augmented Generation (RAG) megközelítés volt. Az RAG-ban a dokumentumokat beágyazásokká alakítják és vektoros adatbázisokban tárolják ; minden alkalommal, amikor egy felhasználó feltesz egy kérdést, szemantikus keresést hajtanak végre a legrelevánsabb szövegrészek lekéréséhez, amelyeket aztán hozzáadnak a modell kontextusához.

Az MCP-vel a történet megváltozik, mivel nem igényel előzetes indexelést vagy beágyazásokat . Ehelyett a modell közvetlenül a forrásból fér hozzá az információkhoz : API-k, adatbázisok, fájlrendszerek, SaaS eszközök, MCP-kiszolgálóként szolgáló dokumentáció stb. Az MCP-kiszolgáló felelős a képességek valós idejű elérhetővé tételéért és a friss adatok visszaadásáért.

Ennek számos érdekes következménye van: az adatok mindig naprakészek, csökken az információk duplikációja, és minimalizálódik a vektorindexek karbantartásával járó számítási terhelés. Továbbá biztonsági szempontból jobban szabályozható, mivel nem kell nagy mennyiségű érzékeny adatot külső adatbázisba kiíratni ; ehelyett igény szerint szolgáljuk ki azokat.

A hagyományos API- kkal összehasonlítva a különbség a filozófiában rejlik. Egy REST API például klasszikus IT-rendszerekhez készült , ahol az ügyfél pontosan tudja, melyik végpontot hívja meg, milyen paramétereket küldjön, és milyen válaszstruktúrára számítson. Az LLM-ek esetében ez a merevség nem ilyen jól működik: a modellnek fel kell fedeznie, hogy milyen eszközök állnak rendelkezésre, meg kell értenie, hogy mit csinálnak, és el kell döntenie, hogy mikor használja őket, mindezt a beszélgetés kontextusa alapján.

Analógiák: hogyan képzeljük el az MCP-t anélkül, hogy megőrülnénk

Az MCP szerepének jobb megértéséhez hasznos egy mentális kép. Gyakori összehasonlítás az elektromos áramkörrel : a mesterséges intelligencia modellje a motor, az adatforrások a különböző erőművek, az MCP pedig a vezetékezés és az elektromos panel, amely eldönti, hogy milyen energia jut el a motorhoz, melyik kábelen keresztül, mikor és milyen intenzitással.

Hasonlóképpen, az MCP-t egy nagy, univerzális USB-portként képzelhetjük el mesterséges intelligencia modellek számára . A modellt egy MCP „elosztóhoz” csatlakoztatjuk, majd ehhez az elosztóhoz csatlakoztatjuk az adatforrásokat, automatizálási eszközöket, fájlrendszereket, CRM-eket, harmadik féltől származó szolgáltatásokat és így tovább. A modellnek nem kell ismernie az egyes kapcsolatok részleteit; csak azt kell tudnia, hogy milyen eszközök érhetők el és mire képesek.

Egy másik hasznos analógia üzleti környezetben, ha egy kapcsolótáblaként vagy kontextusútválasztóként tekintünk rá . Az MCP választja ki, hogy milyen információ, melyik forrásból és mikor kerüljön be a modell kontextusába. Kiszűri a zajt, rangsorolja a releváns információkat, és úgy kezeli a folyamatot, hogy elkerülje az LLM kontextusablakának túlterhelését, amely mindig korlátozott.

Az MCP architektúra főbb elemei

Bár a koncepció bonyolultnak tűnhet, belsőleg az MCP egy meglehetősen egyszerű kliens-szerver architektúrán alapul , három fő, jól megkülönböztethető szerepkörrel:

Gazdagép MCP

Az MCP hoszt az az alkalmazás, ahol a mesterséges intelligencia modell vagy ügynök található. Lehet chatbot, programozási IDE, vállalati mesterséges intelligencia platform, vállalati virtuális asszisztens, vagy akár egy webszolgáltatás, amely intelligens funkciókat kínál a végfelhasználóknak.

Ez a hoszt integrálja a nyelvi modellt, és belépési pontként szolgál a felhasználói kérések számára. Az MCP klienst a hosztról inicializálják , konfigurálják a használandó MCP szervereket, és a viselkedés egy részét szabályozzák: mely eszközök érhetők el az egyes kontextusokban, mely erőforrások töltődnek be stb.

MCP kliens

Az MCP kliens egy olyan komponens, amely jellemzően a gazdagépen belül található, és az MCP szerverekkel való kommunikáció kezeléséért felelős . Lefordítja a modell döntéseit (például: „X eszköz hívása ezekkel a paraméterekkel”) a szerver felé irányuló konkrét hívásokra, valamint fogadja a válaszokat, és azokat a modell által használható formátumhoz igazítja.

Gondoljon a kliensre úgy, mint egy tolmácsra vagy fordítóra a modell és a szerverek között . Továbbá, a kliens az, aki proaktívan eldöntheti, hogy mely erőforrások töltődnek be, kezelheti a munkamenet állapotát, csoportosíthat több eszközhívást, és kezelheti az olyan problémákat, mint az időtúllépések és az újrapróbálkozások.

MCP-kiszolgáló

Az MCP szerver az a komponens, amely specifikus képességeket tesz elérhetővé a modellek számára : fájlhozzáférés, adatbázis-lekérdezések, API-hívások, üzleti műveletek, műszaki dokumentáció, harmadik féltől származó szolgáltatások… Minden MCP szerver általában egy sor funkcióra összpontosít, mintha egy speciális mikroszolgáltatás lenne.

Egy MCP szerveren belül többféle képességet definiálnak :

• Eszközök: olyan függvények, amelyeket a modell meghívhat, például get_weather(város), naptár_esemény létrehozása() o termék_készlet_ellenőrzése(azonosító).
• Erőforrás: olyan információk, amelyek statikus vagy félig statikus kontextust biztosítanak a modellnek, például dokumentáció, szabályzatok, üzleti leírások vagy használati szabályok.
• Felszólítja: előre definiált szövegsablonok, amelyeket a szerver kínál a modellnek az ismétlődő feladatok konzisztens megoldásához, beágyazva nagyon óvatos utasítások amelyek nem függnek attól, hogy minden ügyfél kézzel írja meg őket.

Ennek a megközelítésnek a szépsége abban rejlik, hogy a modell dinamikusan képes felfedezni, hogy az egyes MCP-kiszolgálók milyen eszközöket, erőforrásokat és promptokat kínálnak . Nincs szükség egy adott API „bekötésére”: egyszerűen tegye elérhetővé a szabványnak megfelelően, és bármely kompatibilis MCP-gazdagép/kliens képes lesz használni.

Az MCP működése lépésről lépésre

Az MCP tipikus munkafolyamata szinte minden forgatókönyvben hasonló. Egyszerűen fogalmazva, amikor egy felhasználó kérést intéz a modellhez , a következők történhetnek:

1. A felhasználó elküld egy lekérdezést vagy egy parancsot. Egy csevegésből, alkalmazásból, IDE-ből stb. Ez az interakció eléri azt a gazdagépet, ahol az LLM található.
2. A modell elemzi a kérést és a kontextustól függően eldönti, hogy belső tudása elegendő-e, vagy szüksége van rá külső adatok lekérdezése vagy művelet végrehajtása.
3. Ha külső segítségre van szüksége, a MCP kliens kerül a képbe: ellenőrizd, hogy mely szerverek vannak regisztrálva, milyen eszközök állnak rendelkezésre, és milyen erőforrások/kérdések használhatók támogatáshoz.
4. Az MCP kliens Hívja meg a megfelelő eszközt a megfelelő MCP-kiszolgálón (például az egyik eszköz lekérdezi az adatbázist, a másik meghívja a GitHub API-t, egy másik a dokumentációban keres stb.).
5. A szerver végrehajtja a műveletet (lekérdezés, művelet, keresés a dokumentációban, fájlolvasás…), és az eredményt strukturált formátumban visszaadja az MCP kliensnek.
6. Az MCP kliens beilleszti ezt az információt a modell kontextusábaamely ezt felhasználva pontosabb, naprakészebb és cselekvésre ösztönzőbb választ ad a felhasználónak.

Ez a teljes folyamat iteratívan ismétlődik, ha a feladat összetett, és akár több eszköz is láncba köthető. A felhasználó szemszögéből egyszerűen úgy tűnik, hogy a mesterséges intelligencia asszisztens "tudja, hogyan kell csinálni a dolgokat", és hozzáfér az élő információkhoz, miközben a valóságban a modell az MCP-t használja integrációs rétegként.

Az MCP főbb előnyei fejlesztők és vállalkozások számára

Az MCP bevezetése utat nyit a mesterséges intelligencia modellek valós rendszerekbe való integrálásának változása előtt . A legjelentősebb előnyök között említhetünk több olyan elemet is, amelyek mind a technikai, mind az üzleti szempontokat érintik.

Kevesebb integrációs erőfeszítés

A hagyományos megközelítésben minden egyes MI-modellt manuálisan kell csatlakoztatni minden egyes adatforráshoz . Ha 5 modelled és 10 rendszered van, az N × M integrációból álló kusza hálóhoz vezethet, amelyet nagyon nehéz karbantartani. Az MCP esetében minden modellnek csak MCP-n keresztül kell kommunikálnia , és minden rendszernek csak egy MCP-kiszolgálót kell biztosítania. A probléma N + M lesz, ami sokkal kezelhetőbb.

Ez idő- és energiamegtakarítást jelent a fejlesztőcsapatok számára . Ahelyett, hogy minden egyes modell- és szolgáltatáskombinációhoz egyedi adaptereket építenének, egyetlen MCP-kiszolgáló helyes megvalósítására összpontosítanak, amelyet a többi felhasználó ezután a kód megváltoztatása nélkül újra felhasználhat.

Hozzáférés valós idejű adatokhoz újraindexelés nélkül

Az MCP segítségével a modellek valós időben lekérdezik a forrásokat . Ha módosít egy rekordot az adatbázisban, frissít egy dokumentumot, vagy módosít egy szabályzatot a rendszerben, a modell a következő híváskor látni fogja a változást anélkül, hogy újra kellene generálni a beágyazásokat vagy újraindexelni.

Ez a megközelítés különösen jól alkalmazható a rendkívül dinamikus adatokkal rendelkező környezetekben : pénzügyi rendszerek, logisztika, műveletek, élő támogatás, készletek, IoT… ahol az információk folyamatosan változnak, és egy statikus index gyorsan elavulttá válik.

Fokozott adatbiztonság és irányítás

Egy másik fontos előny, hogy nem kell feltölteni az összes privát adatot egy külső infrastruktúrára ahhoz, hogy a mesterséges intelligencia használhassa . Az MCP-kiszolgálók azokhoz a rendszerekhez csatlakoznak, ahol az adatok találhatók (helyszíni, privát felhő, az Ön irányítása alatt álló SaaS), és csak a szükséges adatokat teszik elérhetővé, amikor szükséges.

Ez csökkenti az adatszivárgás kockázatát, és megkönnyíti a központosított biztonsági és hozzáférés-vezérlési szabályzatok bevezetését . Naplózhatja, hogy mely eszközöket, milyen engedélyekkel, milyen kontextusból és mely rendszerekkel szemben használták – ami felbecsülhetetlen értékű olyan ágazatokban, mint a banki szektor, az egészségügy, a biztosítás vagy a közigazgatás.

Skálázhatóság és interoperabilitás

Mivel nyílt szabványon alapul, az MCP elősegíti a különböző gyártók modelljei közötti interoperabilitást . Ha holnap úgy dönt, hogy megváltoztatja az LLM-jét, vagy többet kombinál, nem kell újraépítenie az összes integrációt; továbbra is ugyanazokat az MCP-kiszolgálókat használhatja.

Továbbá a moduláris megközelítés lehetővé teszi új szolgáltatások fokozatos hozzáadását : egyszerűen állítson be egy új MCP-kiszolgálót az adott eszközhöz, és regisztrálja azt a szükséges hosztokon. Nincs szükség az architektúra többi részének átírására vagy a meglévő integrációk módosítására.

Jobb élmény a felhasználók és az ügynökök számára

Mivel a modell képes idővel kontextust fenntartani és proaktívan használni az eszközöket, sokkal gazdagabb asszisztensek létrehozása lehetséges: projekttervezők, programozási társpilóták, összetett munkafolyamatokat automatizáló ügynökök, vagy üzleti asszisztensek, amelyek különböző rendszerekből származó adatokat kereszthivatkoznak anélkül, hogy a felhasználónak ismernie kellene az alapul szolgáló technikai keretrendszert.

Tipikus MCP felhasználási esetek (beleértve a Fintech-et is)

Az MCP alkalmazási köre igen széles, de számos olyan forgatókönyv van, ahol különösen jól illeszkedik, mivel számos adatforráshoz és eszközhöz való összehangolt hozzáférésre van szükség, vagy mert a biztonság kritikus fontosságú.

Üzleti virtuális asszisztensek

Egy nagyon világos példa erre a belső asszisztensek esete az alkalmazottak számára . Képzeljen el egy vállalati chatbotot, amely az MCP-nek köszönhetően képes a következőkre:

• Ügyféladatbázisok megtekintése az előzmények, megrendelések, incidensek vagy számlázás megtekintéséhez.
• Hozzáférés a belső dokumentációhoz (kézikönyvek, eljárások, GYIK) MCP dokumentációs szerverként szolgált.
• Üzleti eszközök használata jegyek létrehozásához, megbeszélések ütemezéséhez, jelentések indításához vagy rekordok frissítéséhez.

Mindez anélkül történik, hogy külön csatlakozót kellene programozni a modell és az egyes rendszerek között, mivel az MCP biztosítja a standard absztrakciót.

Integráció az IoT-vel és a valós idejű adatokkal

Például a logisztikában vagy az iparban egy ügynök az MCP segítségével valós időben leolvashatja a termelési lánc állapotát vagy a szállítmányok helyét, és a másodperc pontossággal frissített adatok alapján döntéseket hozhat vagy ajánlásokat hozhat.

Ajánlómotorok és tartalom személyre szabása

A digitális platformok (streaming, e-kereskedelem, online tanulás stb.) kihasználhatják az MCP-t, hogy a modellt összekapcsolják az egyes felhasználók előzményeivel és beállításaival anélkül, hogy ezeket az információkat át kellene másolni a kezelő rendszerekből.

Egy MCP-kiszolgáló olyan eszközöket tehet elérhetővé, amelyek visszaadják például a felhasználó által utoljára megtekintett dolgot, a meglátogatott termékeket, a kampányokkal való interakciókat , így a modell sokkal finomabb és kontextuálisabb ajánlásokat alkot.

Használat a Fintechben és a pénzügyi szektorban

A Fintech szektorban az MCP remekül illeszkedik, mivel ötvözi a szabványosítást, a biztonságot és a számos adatforrás egyidejű kezelésének képességét . Néhány tipikus példa:

• Pénzügyi asszisztensek akik különböző MCP szervereken keresztül konzultálnak a számlákkal, termékekkel, tranzakciókkal és szabályozási dokumentációkkal.
• Kockázat- és megfelelőségi elemzés a modell összekapcsolása belső adatbázisokkal, szabályozott külső forrásokkal és pontozási rendszerekkel.
• Pénzügyi munkafolyamatok automatizálása (számlanyitás, hitelkérelmek, KYC-ellenőrzések) az MCP-n keresztül elérhető különféle eszközök összehangolásával.

Továbbá az a tény, hogy az MCP egységes és auditálható biztonsági modellt biztosít , különösen fontos egy olyan ágazatban, ahol a nyomonkövethetőség és a szabályozási megfelelés kötelező.

Hogyan építsünk fel egy MCP szervert a gyakorlatban

Az elméleten túl az MCP már rendelkezik implementációkkal és SDK-kkal különböző nyelveken , ami viszonylag egyszerűvé teszi az MCP szerverek és kliensek létrehozását. Az általános elképzelés mindig ugyanaz: definiálni kell a szerver által elérhető eszközöket, erőforrásokat és promptokat, valamint regisztrálni a használandó átvitel típusát.

Például .NET/C# környezetekben egy olyan csomag, mint a ModelContextProtocol , gyorsan beállítható egy MCP-kiszolgáló. A tipikus struktúra a következőkből áll:

• Állítsa be a vendéglátó amely regisztrálja az MCP-kiszolgálót, a szállítást (pl. helyileg az stdio-t) és az eszközök, erőforrások és promptok automatikus felismerését az assemblyből.
• Szerszámosztályok definiálása meghatározott attribútumokkal díszítve (például olyan megjegyzésekkel, mint McpServerToolType y McpServerTool) annak deklarálására, hogy a modell mely függvényeket hívhatja meg.
• Erőforrások létrehozása amelyek kritikus kontextust tartalmaznak (pl. felhasználási feltételek, érvényes értékek listái, üzleti szabályok), amelyeket a szerver elérhetővé tesz a kliens számára.
• Regisztrációs kérdések előre definiált, hogy fejlett prompt logikát tartalmazzon, így az ügyfelek egyetlen paranccsal újra felhasználhatják azokat.

Innentől kezdve olyan eszközök, mint a Node-alapú MCP-ellenőrök , vagy a VS Code, Claude, Cursor vagy hasonló szerkesztőkkel való integrációk lehetővé teszik a helyi vagy távoli MCP-kiszolgálóhoz való csatlakozást, az eszközök listázását és tesztelését egy integrált csevegésből.

MCP kliens létrehozása és használata

A másik oldalon található az MCP kliens , amely szintén különböző nyelveken írható. Fő feladata az MCP szerverhez való csatlakozás, annak képességeinek felderítése, valamint az eszközök, erőforrások és promptok hívásának vezénylése a modell nevében.

Egy átlagos vásárló általában:

• Konfiguráljon egy átviteli útvonalat (pl. stdio egy helyi bináris fájlhoz vagy HTTP egy távoli szerverhez).
• Metódusok hívása Eszközök, utasítások és erőforrások listája elérhető a szerveren.
• Hívjon meg adott eszközöket a megfelelő argumentumokkal és gyűjtsd össze a válaszokat, általában szövegblokkokként vagy gazdagabb struktúrákként.

Valós helyzetekben az MCP kliens közvetlenül abba a gazdagépbe van integrálva, ahol az LLM található (például egy VS Code chat vagy egy vállalati webes alkalmazás), és maga a modell dönti el, hogy mikor hívja meg az egyes eszközöket a beszélgetés kontextusa alapján.

Specializált MCP szerverek: a dokumentáció esete

Egy nagyon érdekes eset, ami már a gyártásban is megfigyelhető, a műszaki dokumentációból generált MCP-kiszolgálók . A dokumentációs platformok automatikusan beállíthatnak egy MCP-kiszolgálót egy szabványos elérési úton (például /mcp ), ami egy kereső- vagy lekérdezőeszközt tesz elérhetővé a teljes dokumentumban.

Ennek köszönhetően bármely kompatibilis MCP kliens (Claude, Cursor, bizonyos VS Code bővítmények stb.) csatlakozhat ehhez az MCP szerverhez, és lehetővé teszi a modell számára, hogy valós időben konzultáljon a dokumentációval, miközben válaszol a felhasználónak . A felhasználónak még csak azt sem kell mondania, hogy „keresd meg a dokumentációban”: az LLM maga eldöntheti, hogy ez a kontextusforrás releváns-e, és felhasználhatja azt a válasz generálása során.

A szoftverszolgáltatók számára ez azt jelenti, hogy felhasználóik közvetlenül integrálhatják a hivatalos dokumentációt a mesterséges intelligencia eszközeikbe , pontosabb keresésekkel, naprakész kontextussal és a modell-"hallucinációk" alacsonyabb kockázatával.

Az MCP jelenlegi korlátai és kihívásai

Bár az MCP nagyon ígéretesnek tűnik és gyorsan növekszik, nem csodaszer, és még mindig számos korlátja van , amelyeket tisztázni kell, mielőtt mindent erre az útra tennénk.

Egyrészt az adaptáció szintje még viszonylag új keletű . Az MCP-t 2024 végén tették nyilvánosan elérhetővé nyílt szabványként, és bár azóta több száz MCP-kiszolgáló jelent meg (beleértve a hivatalos és közösségi implementációkat is), még nem tudni, hogy végül az LLM ↔ eszközök közötti kommunikáció de facto szabványává válik-e.

Egy másik kritikus pont, hogy számos jelenlegi implementációban az MCP-kiszolgálók lokálisan futnak az alkalmazásgépen , ami leegyszerűsíti a biztonságot, de bonyolíthatja a skálázhatóságot és a telepítést nagy, elosztott környezetekben. Az MCP többfelhasználós környezetekbe való bevezetése továbbra is technikai kihívást jelent.

Továbbá magának a modellnek is vannak inherens korlátai . Bár egy MCP szerver számos eszközt képes tárolni, az LLM-et a kontextuablaka és az állandó memória kezelése korlátozza. Nem lehet a modellt egyszerre több száz eszközzel és erőforrással bombázni anélkül, hogy elveszítenénk az irányítást vagy zajt generálnánk; gondosan meg kell tervezni, hogy mi, mikor és milyen prioritással kerüljön nyilvánosságra.

Végül, egyes AI-kliensek vagy -bővítmények továbbra sem használják ki teljes mértékben az MCP képességeit (például vannak olyan eszközök, amelyek figyelmen kívül hagyják az előre definiált erőforrásokat vagy a szerverpromptokat), ami azt jelenti, hogy mindig gondolni kell a szerveroldali védelemre, hogy a kritikus logika ne kizárólag az ügyfél tevékenységétől függjön.

Összességében az MCP már egy nagyon ígéretes eszköz a valóban intelligens szoftverek fejlesztéséhez, de az ökoszisztéma érettségére és bevált gyakorlatokra van szükség ahhoz, hogy garanciákkal éles környezetben is bevethesse.

Minden arra utal, hogy ahogy a nyelvi modellek válnak egy valódi ágensgazdaság motorjává, és egyre több vállalat szabványosítja integrációit az MCP használatával, olyan környezetek megjelenését fogjuk látni, ahol az ágensek elosztott módon fedezhetik fel, koordinálhatják és újra felhasználhatják az eszközöket . Bárki számára, aki ma jövőbiztos MI-megoldásokat tervez, érdemes alaposan megértenie ezt a protokollt, és elkezdeni kísérletezni az MCP-kiszolgálókkal és -kliensekkel, mert nagy valószínűséggel ez lesz a naponta használt intelligens alkalmazások csendes alapja.