Kada danas razgovaramo o napretku umjetne inteligencije, najčešće mislimo na velike jezične modele i na njihovu veličinu, broj parametara, točnost, ispravnost odgovora, broj halucinacija, ili na primjenjivost, multimodalnost i sposobnost generiranja uvjerljivog teksta, slike i videa. Ponekad razmišljamo i o tome tko je proizveo model, odakle su dobavljeni podaci na kojima je model naučen, odnosno jesu li naši osobni podaci izloženi i netko drugi s njima raspolaže bez našeg eksplicitnog dopuštenja. Međutim, jedan od najvažnijih praktičnih problema u svakodnevnoj primjeni velikih jezičnih modela nije u njima samima ili njihovim svojstvima, već u njihovoj međusobnoj nepovezanosti.
Današnji veliki jezični modeli ne pamte stanje, možemo reći da su inherentno stateless, slično kao HTTP protokol. Oni nemaju vlastitu radnu memoriju, ne znaju što smo htjeli napraviti prije pet minuta u drugom razgovoru, ili što nam je bio dugoročni cilj. Svaka interakcija s AI agentom ograničena je na podatke koji stanu u trenutačni kontekstni prozor (context window). Kada se taj prozor izbriše, model efektivno pati od potpune amnezije.
U praksi, to stvara ono što nazivamo fragmentacijom konteksta. Naš digitalni trag raspršen je po desecima različitih aplikacija koje međusobno „ne razgovaraju“. Vaša poslovna korespondencija „živi“ u klijentu e-pošte i nalazi se u zasebnim threadovima, vaši sastanci su u kalendaru zapisani odvojeno, vaši zadaci su u alatu za upravljanje projektima, vaše znanje je u brojnim dokumentima na disku, u raznim mapama s raznim nazivima, a ostale važne informacije su u aplikacijama za bilješke. Mnogi takvi alati dostupni su kroz web i mobilna sučelja, i imaju responzivni dizajn, pa puno lakše možete naći što trebate, ali zapravo se često bavite pronalaženjem i kopiranjem informacija iz jedne aplikacije u drugu.
Ako želite informacije umetnuti u upit (prompt) AI agentu, morate ručno obaviti posao prevoditelja informacija iz jednog konteksta u drugi: kopirati tekst iz e-pošte, zalijepiti ga u upit, zatim kopirati podatke iz proračunske tablice, i tako dalje unedogled. To je neučinkovito, zamorno i podložno pogreškama. Što je najgore, to morate ponoviti svaki put kad biste željeli da AI agent obavi neki složeniji zadatak.
MCP možemo shvatiti kao standardizirani komunikacijski sloj pomoću kojeg UI modeli komuniciraju s različitim alatima i izvorima podataka na standardizirani način
MCP Toolbox za baze podataka
MCP Toolbox za baze podataka je open-source MCP poslužitelj namijenjen bazama podataka. Omogućuje razvoj alata jednostavnije, brže i sigurnije tako što preuzima na sebe kompleksnosti poput upravljanja vezama, autentikacije i drugih zahtjevnih zadataka.
- Pojednostavljeni razvoj: Alate možeš integrirati u svoj agent s manje od 10 linija koda, ponovno koristiti alate između više agenata ili frameworkova te lakše implementirati nove verzije alata.
- Bolje performanse: Ugrađene su najbolje prakse poput connection poolinga, autentikacije i drugih optimizacija.
- Poboljšana sigurnost: Integrirana autentikacija omogućuje sigurniji pristup podacima.
- Krajnje-do-krajnje nadzor: Odmah dostupne metrike i praćenje, uz ugrađenu podršku za OpenTelemetry.
Primjer korištenja MCP u praksi. MCP Toolbox za baze podataka, koji omogućuje AI agentima da kroz jedinstveni protokol pristupe različitim bazama (MySQL, PostgreSQL, BigQuery ili Neo4j). Na taj način MCP pojednostavljuje rad aplikacija i razvojnih alata koji koriste više heterogenih izvora podataka
Protokol konteksta modela
Tu na scenu stupa protokol konteksta modela, ili Model Context Protocol (MCP). Nije riječ o novoj vrsti velikih jezičnih modela ili modela dubokog učenja. MCP je, u svojoj suštini, standard za povezivanje velikih jezičnih modela s vanjskim sustavima kao što su računalne aplikacije, baze podataka, mikroservisi ili aplikacijska programska sučelja (API-ji). MCP omogućuje brz i učinkovit razvoj informacijski sigurnih i dvosmjernih programskih sučelja između bilo kojeg izvora podataka i alata koji koriste umjetnu inteligenciju. Protokol je razvila tvrtka Anthropic, jedan od vodećih istraživačkih laboratorija za umjetnu inteligenciju, i službeno je predstavljen u studenome 2024. godine. Anthropic je MCP oblikovao kao potpuno otvoren standard, uz javno dostupnu dokumentaciju i otvoreni kôd, kako bi se omogućila široka primjena izvan ograničenja jedne platforme ili pojedinog velikog jezičnog modela. S tehničkog aspekta MCP je izrazito jednostavno implementiran i temelji se na JSON formatu i HTTP protokolu. To je namjerno jer je bio cilj maksimalno iskoristiti postojeće sustave, znanja i prokušane tehnologije, a kompleksnost se krije u sintaksi i semantici MCP poruka, kao i u njihovoj primjeni.
Do kraja 2024. godine je područje - a u poslovnom kontekstu još bitnije, i tržište - generativne umjetne inteligencije postalo izrazito fragmentirano. Svaki je dobavljač modela (OpenAI, Google, Meta, Anthropic i drugi) imao vlastite API-je, vlastite formate podataka, vlastite sigurnosne mehanizme i vlastite načine integracije alata i servisa koje su sami razvili. Područje generativne umjetne inteligencije bilo je u golemom razvojnom zamahu i o integraciji se nije razmišljalo. To nije bio primarni problem.
Rezultat je bila kaotična i dugoročno neodrživa situacija u kojoj se tehnički sustavi nisu mogli međusobno razumjeti. Programski inženjeri morali su pisati različita integracijska sučelja za iste funkcije, održavati različite pluginove za različite AI modele, duplicirati poslovnu logiku, te rješavati brojne praktične probleme u povezivanju i računalnoj sigurnosti heterogenih sustava. Bilo je očito da je potreban jedan univerzalni standard, neovisan o dobavljaču modela. MCP se pojavio upravo kao odgovor na tu potrebu, a tvrtka Anthropic je napravila dobru odluku da protokol odmah od početka ne drži „pod ključem“, već je javno predan svim zainteresiranim stručnjacima na daljnji razvoj i primjenu.
MCP poslužitelj djeluje kao posrednik između UI agenta i vanjskih sustava. Prima zahtjeve koje generira veliki jezični model, prevodi ih u sigurne i granularne operacije te provjerava dopuštenja prije pristupa bazama podataka, API-jima ili drugim alatima
Poslužitelji protokola konteksta
Ali, u poslovnim okruženjima ima posebnu i dodatnu ulogu: on ne djeluje samo kao tehnički sloj koji povezuje veliki jezični model s nekim računalnim alatom, nego kao infrastrukturna arhitektura koja omogućuje sigurno, nadzirano i skalabilno uključivanje umjetne inteligencije u cjelokupni ekosustav informatičkih sustava organizacije. U tom smislu, MCP se ponaša kao standardizirani komunikacijski sloj između inteligentnih agenata i poslovnih aplikacija, baza podataka, dokumentnih sustava, API-ja i internog softvera.
I tu dolazimo do MCP poslužitelja (MCP Servers), putem kojih se izlažu standardizirane funkcije poslovnih sustava i ostvaruje integracija s DMS, ERP i CRM sustavima, SQL i NoSQL bazama podataka, sustavima za upravljanje projektima, analitičkim i BI platformama, alatima za razvoj softvera (uključujući intuitivno programiranje, tzv. vibe coding), kao i s internim aplikacijama te različitim API-jima.
Korištenjem MCP poslužitelja sve ove funkcionalnosti mogu se na siguran i predvidiv način uključiti u rad AI agenata.
I tu negdje, ugrubo rečeno, aktualna primjena generativne umjetne inteligencije u poslovnim sustavima doseže svoje granice. No, kako MCP poslužitelji zapravo rade i kako se MCP implementira, to je već tema za neki drugi članak.
Uvođenjem MCP-a sve integracije prolaze kroz jedan standardizirani protokol, čime se pojednostavljuje povezivanje i značajno povećava učinkovitost
