Kratak, netehnički uvod u MCP
U poslednje vreme koristimo AI za pisanje, istraživanje, planiranje. Sve radi lepo do trenutka dok nešto konkretno ne treba da se uradi: da se objavi članak, da se ubaci fajl u Google Drive, da se napravi lista zadataka u PM alatu… Tada kreće stari dobri copy-paste.
Kada već AI tako dobro razume šta od njega tražim, zar ne bi bilo dobro kada bi mogao da pristupi mojim podacima i aplikacijama i završi ceo posao? MCP je smišljen da omogući baš to.
Šta je MCP?
MCP (Model Context Protocol) je protokol koji definiše kako se jezički modeli povezuju sa spoljnim sistemima. Ti sistemi (Google Docs, GitHub, ActiveCollab itd) na raspolaganje jezičkom modelu daju niz alata kojima model može filtrirati i čitati podatke, kao i alate sa kojima nešto mogu da urade: izmene dokument, naprave listu zadataka, otvoren pull request, izračuna nešto komplikovano itd.
Celu stvar je najlakše razumeti kroz primer. Recimo da smo naš AI model povezali na ActiveCollab, Google Docs i WordPress. Brief za blog članak je došao kao zadatak u ActiveCollab. Mi AI-ju možemo poslati sledeći upit:
"U ActiveCollab projektu tom-i-tom nađi zadatak u kome je brief za članak koji objavljujemo 28. februar. Na osnovu tog briefa sastavi strukturu članka i sačuvaj je kao novi Google Doc."
AI će prvo analizirati zahtev, videti da i ActiveCollab i Google Docs nude niz alata za upravljanje i uraditi baš što smo tražili:
Filtriraće zadatke koji padaju na 28. februar u projektu sa zadatim imenom,
Naći će zadatak koji najbolje odgovara opisu i pročitati ga,
Na osnovnu instrukcija iz zadatka, sastaviće outline za članak,
Kreiraće novi dokument i u njega staviti sadržaj.
Ukoliko ima nekih pitanja ili nejasnoća, AI će postaviti potpitanja. Kada pogledamo dokument i napišemo tekst, možemo agentu reći da ga spremi za objavljivanje:
"Sadržaj tog-i-tog dokumenta iz tog-i-tog foldera dodaj kao blog post na WordPress.com sajtu. Nemoj ga objavljivati, neka ostane kao nacrt."
AI će proći kroz sličan proces kao i sa prvim zahtevom: analizirati šta od njega tražimo, videti koji su mu alati dostupni i iskoristiti one koji su potrebni da završi posao.
Nadam se da ovaj primer dovoljno slikovito prikazuje promenu u načinu rada. Dodavanjem MCP servera model više ne predlaže, već može i da uradi.
Koji su problemi / ograničenja?
U trenutku objavljivanja stanje tehnologije je takvo da je dovoljno zrela da bude korisna, ali još uvek podrazumeva određeni nivo tehničke pismenosti i obazrivosti.
Standard se razvija, alati se menjaju, a dokumentacija nije uvek potpuna. Puno MCP servera su eksperimentalni i mnogi od njih neće biti dugoročno održavani. Neki nemaju nivo bezbednosti potreban za poslovno okruženje. Neki su samo tanak sloj oko postojećih API-ja koji su previše "rečiti" i nepotrebno pune AI-jev kontekst.
Za ozbiljnu produkcionu upotrebu potrebno je pažljivo birati MCP servere i razumeti rizike i sigurnosne postavke. MCP server ima pristup vašim sistemima, tako da je kontrola dozvola bitna, posebno za timove koji rade sa klijentima i osetljivim podacima.
Zaključak
Jezički modeli su "fluidni": razumeju kontekst, ali nisu deterministički. MCP serveri su suprotno: precizni, strukturirani i pouzdani. Oni dodaju "čvrstu" osnovu za izvršenje.
Kombinacija fluidnosti modela i preciznosti alata koje MCP server pruža omogućava da prirodni jezik postane način upravljanja aplikacijama i podacima, gde dobijamo mogućnost orkestracije sistema kroz obične rečenice. Mi opisujemo nameru, sistem je sprovodi u delo.
Tehnologija još uvek nije savršena. Postoje tehničke barijere i ograničenja, ali pravac je jasan. AI više nije samo sagovornik. Postaje operativni sloj između vas i alata koje koristite svakog dana.
