עולם הבינה המלאכותית מתפתח במהירות מסחררת. התחלנו עם מודלי שפה גדולים (LLMs) כמו ChatGPT, שיכולים לענות על שאלות ולכתוב טקסטים, ועברנו לדור הבא: סוכני AI. סוכנים אלה לא רק מבינים שפה, אלא גם יכולים לבצע משימות בעולם הדיגיטלי באמצעות "כלים". הם יכולים לשלוח אימיילים, לחפש מידע, לנהל יומנים ועוד.
אך ככל שהסוכנים הפכו למתוחכמים יותר, כך התגלתה מגבלה בדרך שבה הם משתמשים בכלים. בגישה המסורתית, כל כלי תוכנן למטרה ספציפית מאוד, עם פרמטרים קבועים מראש. דמיינו סוכן אימייל: כלי אחד לתיוג הודעות, כלי אחר לקבלת הודעות, וכלי שלישי לשליחת הודעות. כל כלי פועל בנפרד, והסוכן צריך לדעת בדיוק איזה כלי להפעיל ומתי. גישה זו הופכת למסורבלת ולא גמישה כשרוצים לשלב שירותים רבים ומגוונים (כמו CRM, מאגרי נתונים שונים, וכו').
הכירו את MCP: פרוטוקול הֶקְשֵׁר המודל
כאן נכנס לתמונה פרוטוקול הֶקְשֵׁר המודל (Model Context Protocol - MCP). במקום שהסוכן יתחבר ישירות לכל כלי וכלי, הוא מתקשר עם "שרת MCP" שמשמש כמתווך בינו לבין השירותים השונים (כמו Airbnb, Notion, או כל שירות אחר שתומך בפרוטוקול).
כאשר הסוכן מקבל משימה (למשל, "מצא לי דירות Airbnb במיאמי"), הוא לא מחפש כלי ספציפי בשם "חיפוש Airbnb". במקום זאת, הוא פונה לשרת ה-MCP של Airbnb ושואל: "אילו פעולות אני יכול לבצע דרכך? ומה המידע שאני צריך לספק לכל פעולה?".
שרת ה-MCP מחזיר לסוכן רשימה מפורטת של כל היכולות הזמינות דרכו: המשאבים (למשל, רשימות דיור, פרטי דיור ספציפי), הפעולות האפשריות (חיפוש, קבלת פרטים), והפרמטרים הנדרשים לכל פעולה (מיקום, תאריכים, מחיר מקסימלי וכו') - המידע הזה נקרא "סכמה". בנוסף, השרת יכול לספק "הנחיות" (prompts) שעוזרות לסוכן להבין מתי להשתמש בכל יכולת.
באמצעות המידע העשיר הזה, הסוכן יכול להבין בצורה דינמית כיצד לבצע את המשימה המבוקשת. הוא מזהה שפעולת "חיפוש" היא המתאימה, מבין מהפרמטרים שקיבל שהוא צריך למלא את שדה ה"מיקום" עם הערך "מיאמי", ואז שולח בקשה מתאימה דרך שרת ה-MCP לביצוע הפעולה.
היתרונות של גישת MCP
גישת ה-MCP משולה למתרגם אוניברסלי בין הסוכן לשירותים השונים. היא מאפשרת:
גמישות וסקיילביליות: במקום להגדיר עשרות כלים ספציפיים לסוכן, מספיק לחבר אותו לשרת MCP אחד עבור כל שירות. שרת ה-MCP חושף את כל היכולות העדכניות של השירות.
עדכונים דינמיים: אם שירות כמו Airbnb מוסיף יכולות חדשות (למשל, סינון לפי סוג נכס), ספק השירות מעדכן את שרת ה-MCP שלו. הסוכן שמחובר לשרת יקבל את המידע על היכולות החדשות באופן אוטומטי, ללא צורך בשינוי קוד בצד הסוכן.
פשטות ארכיטקטונית: הסוכן הראשי יכול להיות פשוט יותר. במקום לנהל עשרות כלים, הוא רק צריך לדעת לאיזה שרת MCP לפנות עבור כל משימה. שרת ה-MCP והסוכן המשני המקושר אליו (אם קיים) מטפלים בפרטי הביצוע.
יכולות מורכבות יותר:סוכנים יכולים להתמודד עם משימות מורכבות יותר הדורשות אינטראקציה עם מבני נתונים מורכבים, כמו מאגרי נתונים מרובים ב-Notion עם סכמות שונות. שרת ה-MCP מספק את ההקשר הדרוש כדי לנווט במורכבות הזו.
בדוגמאות שהוצגו, ראינו כיצד סוכן AI ללא הנחיות מיוחדות, רק באמצעות חיבור לשרתי MCP של Airbnb ושל שירות גירוד אתרים (Web Scraping), הצליח להבין אילו פעולות זמינות לו, לבחור את הפעולה הנכונה (חיפוש דירות או גירוד אתר), ולמלא את הפרמטרים הנדרשים כדי לקבל את התוצאות הרצויות.
מבט לעתיד
פרוטוקול הֶקְשֵׁר המודל (MCP) מייצג קפיצת מדרגה משמעותית ביכולות של סוכני AI. הוא מאפשר להם להיות חכמים יותר, גמישים יותר וקלים יותר לפיתוח ולתחזוקה. ככל שיותר שירותים יאמצו את הפרוטוקול ויציעו שרתי MCP, אנו צפויים לראות סוכני AI חזקים ורב-תכליתיים יותר, המסוגלים לבצע מגוון רחב של משימות מורכבות בעולם הדיגיטלי.
חשוב לציין שכמו בכל טכנולוגיה המאפשרת גישה למשאבים, קיימים גם שיקולי אבטחה שיש לקחת בחשבון בעת בנייה ושימוש בשרתי MCP, במיוחד כאלה הנותנים גישה למידע פרטי או ארגוני.
תגובות
יש להתחבר כדי להגיב