نویسنده (ها): R. Thompson (دکترا)
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
“اگر هوش مصنوعی شما با ابزارها در تعامل نباشد ، بازیگری نیست – فقط پیش بینی می شود.”
قدرتمند مدل های بزرگ زبان مانند GPT-4 ، Claude و Deepseek R1 می توانند پاسخ های دقیق و شبیه به انسان ایجاد کنند. اما وقتی صحبت از انجام کاری می شود – بررسی تقویم خود ، ارسال اطلاعات یا کشیدن سوابق مشتری – آنها اغلب کوتاه می شوند.
چرا؟ از آنجا که بیشتر ادغام بین مدل ها و ابزارهای خارجی هنوز به صورت دستی انجام می شود. آنها در ساخت ، مستعد خطا و نگهداری آنها آهسته هستند.
پروتکل زمینه مدل (MCP) برای رفع این مشکل ایجاد شد. این نحوه صحبت سیستم های AI با ابزارهای خارجی را استاندارد می کند. توسعه دهندگان به جای ایجاد ادغام های یک طرفه ، اکنون می توانند از یک پروتکل مشترک استفاده کنند که در برنامه ها و API ها کار می کند.
در این مقاله ، ما MCP را نه تنها به عنوان یک پیشرفت فنی ، بلکه به عنوان یک مشکل علوم داده بررسی می کنیم – موضوعی که می توانیم با معیارهای پیش بینی کننده تجزیه و تحلیل ، مدل و ارزیابی کنیم.
هرگونه تغییر معماری عمده سیستم باید قابل اندازه گیری باشد. با MCP ، می توانیم تأثیر آن را در:
• تأخیر: اجرای یک ابزار چقدر طول می کشد؟
• میزان موفقیت: چند بار با یک ابزار به درستی کامل می شود؟
• سرعت ادغام: چقدر سریع می توان ابزارهای جدید را به هم وصل کرد؟
• استفاده از منابع: سیستم AI چقدر کارآمد است؟
• ریسک امنیتی: آیا تعداد نادرستی کمتر است؟
ما داده های دنیای واقعی را از… مقایسه کردیم وبلاگ کامل را به صورت رایگان در رسانه بخوانیدبشر
منتشر شده از طریق به سمت هوش مصنوعی