Il est nécessaire de désenchanter le MCP, mais n'oubliez pas sa valeur en tant que technologie de transition.
Rédaction : Haotian
J'ai appris que cette analyse des difficultés concernant le MCP est tout à fait pertinente, touchant directement les points sensibles, révélant que le chemin de mise en œuvre du MCP est long et difficile. Je vais en profiter pour développer un peu :
Le problème de l'explosion des outils est réel : la norme du protocole MCP a conduit à une prolifération d'outils connectables, et il est difficile pour les LLM de choisir et d'utiliser efficacement autant d'outils. De plus, aucun AI ne peut maîtriser tous les domaines professionnels en même temps, ce n'est pas un problème qui peut être résolu par le nombre de paramètres.
L'écart de description des documents : il existe encore un énorme fossé entre la documentation technique et la compréhension de l'IA. La plupart des documents API sont écrits pour les humains, pas pour l'IA, et manquent de descriptions sémantisées.
Les faiblesses de l'architecture à double interface : MCP, en tant que middleware entre LLM et les sources de données, doit à la fois traiter les requêtes en amont et transformer les données en aval, ce qui rend cette conception d'architecture intrinsèquement insuffisante. Lorsque les sources de données explosent, il est presque impossible d'avoir une logique de traitement unifiée.
La structure de retour varie énormément : l'absence de normes uniformes entraîne un désordre dans les formats de données. Ce n'est pas un simple problème d'ingénierie, mais le résultat d'un manque de collaboration dans l'ensemble du secteur, ce qui nécessite du temps.
Fenêtre contextuelle limitée : peu importe à quelle vitesse la limite de tokens augmente, le problème de la surcharge d'informations persiste. MCP générant une multitude de données JSON occupera beaucoup d'espace contextuel, comprimant ainsi la capacité d'inférence.
Aplatissement de la structure imbriquée : les structures d'objets complexes perdent leur hiérarchie dans la description textuelle, ce qui rend difficile pour l'IA de reconstruire les relations entre les données.
La difficulté de connecter plusieurs serveurs MCP : « Le plus grand défi est que c'est complexe de chaîner les MCP ensemble. » Cette difficulté n'est pas sans fondement. Bien que le MCP, en tant que protocole standard, soit unifié, dans la réalité, les implémentations spécifiques des serveurs varient d'une entreprise à l'autre : un traite des fichiers, un connecte des API, un opère une base de données... Lorsque l'IA doit collaborer à travers des serveurs pour accomplir des tâches complexes, c'est aussi difficile que d'essayer de forcer des blocs Lego, des briques et des plaques magnétiques à s'emboîter.
L'apparition de A2A n'est que le début : MCP n'est que la phase initiale de la communication AI à AI. Un véritable réseau d'agents AI nécessite des protocoles de collaboration et des mécanismes de consensus de niveau supérieur, A2A n'est peut-être qu'une excellente itération.
C'est tout.
Ces problèmes reflètent en réalité les douleurs de la transition de l'IA d'une "boîte à outils" à un "écosystème IA". L'industrie en est encore à un stade primaire où elle se contente de donner des outils à l'IA, au lieu de construire une véritable infrastructure de collaboration en IA.
Il est donc nécessaire de démystifier le MCP, mais ne sous-estimez pas sa valeur en tant que technologie de transition.
Bienvenue dans le nouveau monde.
Voir l'original
Le contenu est fourni à titre de référence uniquement, il ne s'agit pas d'une sollicitation ou d'une offre. Aucun conseil en investissement, fiscalité ou juridique n'est fourni. Consultez l'Avertissement pour plus de détails sur les risques.
MCP, le chemin est long et semé d'embûches, quels défis rencontre-t-il ?
Rédaction : Haotian
J'ai appris que cette analyse des difficultés concernant le MCP est tout à fait pertinente, touchant directement les points sensibles, révélant que le chemin de mise en œuvre du MCP est long et difficile. Je vais en profiter pour développer un peu :
Le problème de l'explosion des outils est réel : la norme du protocole MCP a conduit à une prolifération d'outils connectables, et il est difficile pour les LLM de choisir et d'utiliser efficacement autant d'outils. De plus, aucun AI ne peut maîtriser tous les domaines professionnels en même temps, ce n'est pas un problème qui peut être résolu par le nombre de paramètres.
L'écart de description des documents : il existe encore un énorme fossé entre la documentation technique et la compréhension de l'IA. La plupart des documents API sont écrits pour les humains, pas pour l'IA, et manquent de descriptions sémantisées.
Les faiblesses de l'architecture à double interface : MCP, en tant que middleware entre LLM et les sources de données, doit à la fois traiter les requêtes en amont et transformer les données en aval, ce qui rend cette conception d'architecture intrinsèquement insuffisante. Lorsque les sources de données explosent, il est presque impossible d'avoir une logique de traitement unifiée.
La structure de retour varie énormément : l'absence de normes uniformes entraîne un désordre dans les formats de données. Ce n'est pas un simple problème d'ingénierie, mais le résultat d'un manque de collaboration dans l'ensemble du secteur, ce qui nécessite du temps.
Fenêtre contextuelle limitée : peu importe à quelle vitesse la limite de tokens augmente, le problème de la surcharge d'informations persiste. MCP générant une multitude de données JSON occupera beaucoup d'espace contextuel, comprimant ainsi la capacité d'inférence.
Aplatissement de la structure imbriquée : les structures d'objets complexes perdent leur hiérarchie dans la description textuelle, ce qui rend difficile pour l'IA de reconstruire les relations entre les données.
La difficulté de connecter plusieurs serveurs MCP : « Le plus grand défi est que c'est complexe de chaîner les MCP ensemble. » Cette difficulté n'est pas sans fondement. Bien que le MCP, en tant que protocole standard, soit unifié, dans la réalité, les implémentations spécifiques des serveurs varient d'une entreprise à l'autre : un traite des fichiers, un connecte des API, un opère une base de données... Lorsque l'IA doit collaborer à travers des serveurs pour accomplir des tâches complexes, c'est aussi difficile que d'essayer de forcer des blocs Lego, des briques et des plaques magnétiques à s'emboîter.
L'apparition de A2A n'est que le début : MCP n'est que la phase initiale de la communication AI à AI. Un véritable réseau d'agents AI nécessite des protocoles de collaboration et des mécanismes de consensus de niveau supérieur, A2A n'est peut-être qu'une excellente itération.
C'est tout.
Ces problèmes reflètent en réalité les douleurs de la transition de l'IA d'une "boîte à outils" à un "écosystème IA". L'industrie en est encore à un stade primaire où elle se contente de donner des outils à l'IA, au lieu de construire une véritable infrastructure de collaboration en IA.
Il est donc nécessaire de démystifier le MCP, mais ne sous-estimez pas sa valeur en tant que technologie de transition.
Bienvenue dans le nouveau monde.