Meneruskan Judul Asli 'Standar USB-C AI: Memahami MCP'

Selama tahun-tahun saya di Alliance, saya telah menyaksikan banyak pendiri membangun alat khusus mereka sendiri dan integrasi data yang dibangun ke dalam agen AI dan alur kerja mereka. Namun, algoritma, formalisasi, dan kumpulan data unik ini terkunci di balik integrasi kustom yang sedikit orang akan pernah menggunakan.

Hal ini telah berubah dengan cepat dengan munculnya Protokol Konteks Model. MCP didefinisikan sebagai protokol terbuka yang memstandarisasi bagaimana aplikasi berkomunikasi dan memberikan konteks kepada LLMs. Satu analogi yang saya sangat sukai adalah bahwa “MCP untuk aplikasi AI seperti USB-C untuk perangkat keras”; yang merupakan standar, dapat dipasang dan dimainkan, serbaguna, dan transformatif.

Mengapa MC?

LLM seperti Claude, OpenAI, LLAMA, dll sangat kuat, tetapi mereka terbatas oleh informasi yang dapat mereka akses saat ini. Itu berarti bahwa mereka biasanya memiliki batasan pengetahuan, tidak dapat menjelajahi web secara independen, dan tidak memiliki akses langsung ke file pribadi Anda atau alat-alat khusus tanpa beberapa bentuk integrasi.

Khususnya, sebelumnya, pengembang menghadapi tiga tantangan utama saat menghubungkan LLM ke data dan alat eksternal:

1. Kompleksitas Integrasi: Membangun integrasi terpisah untuk setiap platform AI (Claude, ChatGPT, dll.) memerlukan penggandaan usaha dan pemeliharaan beberapa basis kode
2. Fragmentasi Alat: Setiap fungsi alat (misalnya, akses file, koneksi API, dll) memerlukan kode integrasi khusus dan model izinnya sendiri
3. Distribusi Terbatas: Alat-alat khusus dibatasi pada platform tertentu, membatasi jangkauan dan dampaknya

MCP memecahkan masalah ini dengan menyediakan cara standar bagi LLM manapun untuk mengakses alat dan sumber daya eksternal secara aman melalui protokol umum. Sekarang kita mengerti apa yang dilakukan MCP, mari kita lihat apa yang sedang dibangun orang dengannya.

Apa yang Dibangun Orang dengan MCP?

Ekosistem MCP saat ini sedang meledak dengan inovasi. Berikut adalah beberapa contoh terbaru, yang saya temukan di Twitter, dari pengembang yang memamerkan karyanya.

• Pemberdayaan AI dalam Pembuatan Storyboard: Integrasi MCP yang memungkinkan Claude mengontrol ChatGPT-4o, secara otomatis menghasilkan storyboard lengkap dalam gaya Ghibli tanpa campur tangan manusia apa pun.
• Integrasi Suara ElevenLabs: Sebuah server MCP yang memberikan akses kepada Claude dan Cursor ke seluruh platform audio AI mereka melalui perintah teks sederhana. Integrasi ini cukup kuat untuk membuat agen suara yang dapat melakukan panggilan telepon keluar. Ini menunjukkan bagaimana MCP dapat memperluas alat AI saat ini ke ranah audio.
• Automasi Browser dengan Playwright: Sebuah server MCP yang memungkinkan agen AI mengontrol browser web tanpa memerlukan tangkapan layar atau model penglihatan. Ini menciptakan kemungkinan baru untuk otomatisasi web dengan memberikan kontrol langsung LLMs atas interaksi browser secara standar.
• Integrasi WhatsApp Personal: Sebuah server yang terhubung ke akun WhatsApp pribadi, memungkinkan Claude untuk mencari pesan dan kontak, serta mengirim pesan baru.
• Alat Pencarian Airbnb: Sebuah alat pencarian apartemen Airbnb yang memperlihatkan kesederhanaan dan kekuatan MCP dalam menciptakan aplikasi praktis yang berinteraksi dengan layanan web.
• Sistem Kontrol Robot: Sebuah pengontrol MCP untuk robot. Contoh ini menyatukan kesenjangan antara LLMs dan perangkat keras fisik, menunjukkan potensi MCP untuk aplikasi IoT dan robotika.
• Google Maps dan Pencarian Lokal: Menghubungkan Claude ke data Google Maps, menciptakan sistem yang dapat menemukan dan merekomendasikan bisnis lokal seperti kedai kopi. Ekstensi ini memungkinkan asisten AI dengan layanan berbasis lokasi.
• Integrasi Blockchain: Proyek Lyra MCP membawa kemampuan MCP ke StoryProtocol dan platform web3 lainnya. Hal ini memungkinkan interaksi dengan data blockchain dan kontrak pintar, membuka peluang baru untuk aplikasi terdesentralisasi yang ditingkatkan oleh kecerdasan buatan.

Apa yang membuat contoh-contoh ini sangat meyakinkan adalah keragaman mereka. Dalam waktu singkat sejak diperkenalkannya, pengembang telah membuat integrasi yang mencakup produksi media kreatif, platform komunikasi, kontrol perangkat keras, layanan lokasi, dan teknologi blockchain. Semua aplikasi yang beragam ini mengikuti protokol standar yang sama, menunjukkan fleksibilitas MCP dan potensinya untuk menjadi standar universal untuk integrasi alat AI.

Untuk koleksi lengkap server MCProHosting, cekofficial MCP servers repository di GitHubDengan penyangkalan hati-hati, sebelum menggunakan server MCP apa pun, berhati-hatilah tentang apa yang Anda jalankan dan izinkan.

Janji vs. Hype

Dengan setiap teknologi baru, layak untuk bertanya: Apakah MCP benar-benar transformatif, atau hanya alat lain yang terlalu dibesar-besarkan yang akan pudar?

Setelah mengamati banyak startup di ruang ini, saya percaya MCP mewakili titik infleksi yang genuin untuk pengembangan AI. Tidak seperti banyak tren yang menjanjikan revolusi tetapi memberikan perubahan inkremental, MCP adalah peningkatan produktivitas yang memecahkan masalah infrastruktur mendasar yang telah menghambat seluruh ekosistem.

Apa yang membuatnya sangat berharga adalah bahwa ia tidak mencoba menggantikan model AI yang ada atau bersaing dengan mereka, melainkan membuat semuanya lebih berguna dengan menghubungkannya ke alat eksternal dan data yang mereka butuhkan.

Meskipun begitu, ada kekhawatiran yang sah seputar keamanan dan standarisasi. Seperti halnya protokol apa pun pada tahap awalnya, kemungkinan kita akan melihat tantangan-tantangan yang muncul saat komunitas merumuskan praktik terbaik seputar audit, izin, otentikasi, dan verifikasi server. Pengembang perlu mempercayai fungsionalitas server-servis MCP ini dan sebaiknya tidak mempercayainya secara buta, terutama karena jumlahnya semakin meningkat.Artikel inimembahas beberapa kerentanan terbaru yang terungkap oleh penggunaan server MCP secara sembrono yang belum diperiksa dengan cermat, bahkan jika Anda menjalankannya secara lokal.

Masa Depan AI adalah Kontekstual

Aplikasi kecerdasan buatan paling kuat tidak akan menjadi model mandiri tetapi ekosistem kemampuan khusus yang terhubung melalui protokol standar seperti MCP. Bagi startup, MCP mewakili kesempatan untuk membangun komponen khusus yang sesuai dengan ekosistem yang berkembang ini. Ini adalah kesempatan untuk memanfaatkan pengetahuan dan kemampuan unik Anda sambil mendapatkan manfaat dari investasi masif dalam model dasar.

Ke depan, kita dapat mengharapkan MCP menjadi bagian mendasar dari infrastruktur AI, sama seperti HTTP menjadi bagi web. Saat protokol tersebut semakin matang dan adopsinya berkembang, kemungkinan kita akan melihat pasar-pasar khusus dari server-server MCP yang muncul, memungkinkan sistem AI mengakses hampir setiap kemampuan atau sumber data yang dapat dibayangkan.

Lampiran

Bagi mereka yang tertarik untuk memahami bagaimana MCP sebenarnya bekerja di bawah permukaan, lampiran berikut memberikan pemecahan teknis dari arsitekturnya, alur kerja, dan implementasinya.

Di Balik Hood MC

Mirip dengan bagaimana HTTP menstandarkan cara web mengakses sumber data eksternal dan informasi, MCP melakukan hal yang sama untuk kerangka kerja AI, menciptakan bahasa umum yang memungkinkan sistem AI yang berbeda berkomunikasi dengan lancar. Jadi mari kita jelajahi bagaimana hal itu dilakukan.

Arsitektur dan Alur MCP

Arsitektur utama mengikuti model klien-server dengan empat komponen kunci yang bekerja bersama:

• MCP Hosts: Aplikasi AI Desktop seperti Claude atau ChatGPT, IDE seperti cursorAI atau VSCode, atau alat AI lainnya yang memerlukan akses ke data dan kemampuan eksternal
• Klien MCP: Penangan protokol yang tertanam dalam host yang menjaga koneksi satu-satu dengan server MCP
• Server MCP: Program-program ringan yang mengekspos fungsionalitas spesifik melalui protokol yang terstandarisasi
• Sumber Data: File-file, basis data, API, dan layanan Anda yang dapat diakses dengan aman oleh server MCP

Jadi sekarang setelah kita membahas komponen-komponen, mari kita lihat bagaimana mereka berinteraksi dalam alur kerja khas:

1. Interaksi Pengguna: Dimulai dengan seorang pengguna yang bertanya atau membuat permintaan di Tuan Rumah MCP, misalnya, Claude Desktop.
2. Analisis LLM: LLM menganalisis permintaan dan menentukan bahwa diperlukan informasi atau alat eksternal untuk memberikan tanggapan lengkap
3. Penemuan Alat: Klien MCP mengajukan pertanyaan ke Server MCP yang terhubung untuk mengetahui alat apa yang tersedia
4. Pemilihan Alat: LLM menentukan alat yang akan digunakan berdasarkan permintaan dan kemampuan yang tersedia
5. Permintaan Izin: Host meminta izin kepada pengguna untuk menjalankan alat pilihan yang penting untuk transparansi dan keamanan.
6. Pelaksanaan Alat: Setelah persetujuan, Klien MCP mengirimkan permintaan ke Server MCP yang sesuai, yang menjalankan operasi dengan akses khususnya ke sumber data
7. Pemrosesan Hasil: Server mengembalikan hasil ke klien, yang akan memformatnya untuk LLM
8. Pembangkitan Respons: LLM menggabungkan informasi eksternal ke dalam respons komprehensif
9. Presentasi Pengguna: Akhirnya, respon ditampilkan kepada pengguna akhir

Apa yang membuat arsitektur ini kuat adalah bahwa setiap Server MCP mengkhususkan diri dalam domain tertentu tetapi menggunakan protokol komunikasi standar. Jadi daripada membangun integrasi untuk setiap platform, pengembang hanya perlu fokus pada pengembangan alat sekali untuk seluruh ekosistem AI mereka.

Cara Membangun Server MCP Pertamamu

Sekarang mari kita lihat bagaimana seseorang dapat mengimplementasikan server MCP sederhana dalam beberapa baris kode menggunakan SDK MCP.

Dalam contoh sederhana ini, kita ingin memperluas kemampuan Claude Desktop untuk dapat menjawab pertanyaan seperti "Apa beberapa toko kopi di dekat Central Park?" dari Google maps. Anda dapat dengan mudah memperluas ini untuk mendapatkan ulasan atau peringkat. Tapi untuk saat ini, mari fokus pada alat MCP untuk menemukan_nearby_places yang akan memungkinkan Claude untuk mendapatkan informasi ini langsung dari Google Maps dan menyajikan hasilnya secara percakapan.

Seperti yang Anda lihat, kode ini sangat sederhana. 1) Ini mengubah kueri menjadi pencarian API Google Map dan 2) mengembalikan hasil teratas dalam format terstruktur. Dengan demikian informasi tersebut dikembalikan ke LLM untuk pengambilan keputusan lebih lanjut.

Sekarang kita perlu memberi tahu Claude Desktop tentang alat ini, jadi kita mendaftarkannya di file konfigurasinya seperti berikut.

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• Windows: %APPDATA%\Claude\claude_desktop_config.json

Dan voila, Anda selesai. Sekarang Anda baru saja memperpanjang Claude untuk menemukan lokasi waktu nyata dari Google maps.

Disclaimer：

1. Artikel ini dicetak ulang dari [X]. Teruskan Judul Asli 'Standar USB-C AI: Memahami MCP'. Semua hak cipta dimiliki oleh penulis asli [@Drmelseidy]. Jika ada keberatan terhadap pencetakan ulang ini, silakan hubungi Gate Belajartim, dan mereka akan menanganinya dengan segera.

2. Penafian Tanggung Jawab: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan nasihat investasi apa pun.

3. Terjemahan artikel ke bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang.