Nozīmīgs AI protokola atjauninājums atvieglos serveru mērogošanu

Model Context Protocol (MCP) ir viens no svarīgākajiem AI sadarbspējas elementiem, ļaujot AI modeļiem droši piekļūt ārējiem datu avotiem un pakalpojumiem. Tas darbojas kā 'santehnika', kas ļauj čatbotam sasniegt kalendāru, datubāzi vai iekšējos rīkus bez nepieciešamības veidot individuālus savienojumus. Nākamnedēļ šis protokols saņems nozīmīgu atjauninājumu, kas, lai arī var nebūt pamanāms galalietotājiem, būtiski ietekmēs AI ekosistēmas attīstību.

Jaunā versija oficiāli publiskota jau maijā, taču pirmdien saņemts skaidrs izmaiņu skaidrojums no jaunuzņēmuma Arcade. Šis divus gadus vecais uzņēmums ir izveidojis visu savu biznesu, lai AI aģenti darbotos reālos uzņēmumos, droši savienojot tos ar tādiem rīkiem kā Gmail, Slack un Salesforce. Jūnijā Arcade piesaistīja 60 miljonus dolāru, pamatojoties uz uzskatu, ka vairums AI aģentu neizdodas nevis modeļu vājuma, bet gan nepietiekamas infrastruktūras dēļ – un šis atjauninājums tieši to risina.

Būtībā MCP maina veidu, kā tiek apstrādāti sesiju ID – mazi marķieri, ko serveri izmanto, lai atcerētos vienu un to pašu sarunu. Pašreizējā sistēmā klients (piemēram, Claude) pirmo reizi pieslēdzoties serverim nosūta 'sveicienu' ar savu versiju un iespējām. Serveris atbild ar savām iespējām un piešķir sesijas ID. Turpmāk klients katrā pieprasījumā nosūta šo ID, lai serveris saprastu, ka tā ir tā pati saruna. Reizēm ID beidzas, un klientam jāpieprasa jauns. Reālā scenārijā serveris apkalpo miljoniem lietotāju aiz slodzes balansētāja, kas izvada pieprasījumus uz dažādiem serveriem, pat dažādos reģionos. Pašreizējā sistēma prasa, lai visi serveri zinātu par vienu un to pašu sesijas ID, kas ir sarežģīti un darbojas pretēji slodzes balansētāja darbībai.

Jaunajā sistēmā protokols izmantos 'bezstāvokļa' (stateless) pieeju sesijām servera pusē, līdzīgi kā darbojas parastās tīmekļa vietnes. Tas ievērojami atvieglos uzturēšanu un, iespējams, samazinās izmaksas, strādājot lielā mērogā. Lai arī izmaiņas ir tehniskas, tās atgādina, ka ne visi AI attīstības aspekti virzās acumirklīgi – kamēr modeļu apmācība strauji progresē, infrastruktūra joprojām attīstās lēnāk, sekojot standartizācijas procesam.