AI-agent vs. MCP? Hvornår skal man bruge hver af dem (& hvornår du har brug for begge)

En AI-agent er software, der selv beslutter sine handlinger og værktøjskald for at nå et specifikt mål, og Model Context Protocol (MCP) er en åben standard for, hvordan AI-applikationer forbindes med eksterne værktøjer og data. Så MCP gør det muligt for AI-agenter at interagere med apps og forespørge databaser for at fuldføre opgaver.

Artiklen forklarer, hvad agenter og MCP'er er, hvordan de adskiller sig, og hvordan de fungerer. Du lærer også, hvornår du skal bruge hver af dem, og hvornår du skal bruge agenter og MCP'er sammen.

Hvordan adskiller en AI-agent sig fra en MCP? Vigtige forskelle.

En AI-agent er den uafhængige aktør, der beslutter, hvad der skal gøres for at løse et problem, og en MCP er den forbindelse, som AI-værktøjer bruger til at få adgang til data og udføre opgaver med andre apps.

Hvad er en AI-agent, og hvordan fungerer den?

En AI-agent er et softwaresystem, der selvstændigt vælger den bedste fremgangsmåde for at fuldføre en opgave.

Når den for eksempel bruges til research, analyserer AI-agenten researchspørgsmålet, bryder det ned i underspørgsmål, delegerer hvert til en underagent, der leder efter relevant information på tværs af forskellige kilder, og "rapporterer" tilbage.

Hovedagenten analyserer resultaterne, justerer researchstrategien, sender flere agenter ud for at udfylde huller og samler outputtet i en rapport. Med tiden lærer den også, hvordan undersopgaverne udføres mest effektivt.

AI-agenten bygger på tre komponenter:

• Resonneringskerne: LLM'en, der fortolker input, planlægger og beslutter, hvad der skal gøres
• Værktøjsintegrationer: Forbindelser til eksterne systemer. For eksempel databaser eller API'er, der giver den adgang til information og mulighed for at udføre handlinger.
• Hukommelse: Kortvarig sessionskontekst og langtidslagret viden, der bruges på tværs af sektioner

Agenterne arbejder inden for foruddefinerede rammer (for eksempel brug ikke kilder, der er ældre end 3 år, eller sekundære statistiske opsummeringer), men de beslutter selv, hvordan opgaven skal løses.

Denne autonomi til at vælge, hvordan et mål skal nås, adskiller AI-agenter fra AI-arbejdsprocesser. Sidstnævnte følger en foruddefineret, deterministisk sti, som er perfekt til strukturerede, gentagne opgaver, der ikke kræver ræsonnering og beslutningstagning.

Hvad er en MCP, og hvordan fungerer den?

MCP står for Model Context Protocol, og det er en sikker, standardiseret måde for AI-applikationer som Perplexity at forbinde til eksterne værktøjer og datakilder.

For eksempel bruger min personlige AI-assistent MCP til at forbinde til Notion, hvor jeg gemmer alle kundeprojektoplysninger, min Google Kalender og Clockify, som jeg bruger til tidsregistrering.

Takket være dette ved den, hvilket arbejde jeg skal udføre i en bestemt måned, og hvor lang tid lignende opgaver tog tidligere, så den kan blokere nok tid i min kalender og vurdere min tilgængelighed til ekstra arbejde.

MCP er en delt protokol, så ethvert AI-værktøj kan få adgang til enhver app, så længe begge understøtter MCP, uden at en udvikler skriver en skræddersyet forbindelse, som det er tilfældet med et REST API.

På et teknisk niveau består MCP af tre elementer:

• MCP Host: AI-applikationen, der koordinerer og administrerer klienter (f.eks. Perplexity)
• MCP Client: En "broker" inde i hosten, der understøtter en forbindelse til MCP-serveren og sender information videre til MCP-hosten
• MCP Server: Frontenden til en ressource som en database eller en SaaS-app, der giver MCP-klienten adgang til dens funktioner (Notion, Google Kalender, Clockify osv.).

Hvornår man skal bruge en agent, MCP eller begge. Og hvornår ingen af dem.

Valget mellem en AI-agent og en MCP reduceres til ét spørgsmål: Har du brug for hjælp til at fuldføre en kompleks opgave, eller vil du forbinde et AI-værktøj til eksterne ressourcer?

Men ikke alle opgaver kræver agentisk AI, og dem, der gør, har ofte også brug for en MCP.

Her er en mere nuanceret opdeling af, hvornår du skal bruge hver af dem, hvornår du skal bruge dem sammen, og hvornår du skal bruge andre muligheder:

• Brug en AI-agent til at fuldføre komplekse opgaver, hvor du ikke kan forudsige de nøjagtige trin, og hvor hvert trin kræver vurdering og beslutningstagning.
• Brug en arbejdsproces med direkte værktøjskald til at fuldføre rutineopgaver med faste trin.
• Som udvikler skal du bruge MCP, når du vil have, at din app skal være kompatibel med eksisterende og fremtidige AI-værktøjer.
• Som slutbruger skal du bruge MCP til at øge din AI-assistents funktioner ved at forbinde den til andre apps og ressourcer.
• Brug AI-agenter og MCP sammen, når du vil løse komplekse, unikke opgaver, der kræver autonomi og adgang til tredjepartsværktøjer og datakilder.

Udvid

Hvordan arbejder AI-agenter og MCP sammen?

AI-agenten beslutter, hvad der skal gøres, og MCP videresender hver anmodning til de involverede apps.

Forestil dig, at du er ejer af en lille onlinebutik, og du vil finde ud af, hvorfor dit salg faldt sidste måned, så du beder din AI-assistent om at undersøge det. AI-assistenten sætter en agent i gang, som bruger MCP til at få de nødvendige oplysninger:

1. Agent: Assistenten beslutter at sammenligne sidste måneds salg med måneden før.
2. MCP: Den beder ecommerce-platformen om salg fordelt på produkter for begge måneder.
3. Agent: Den ser, at ét produkt står for det meste af faldet, så den beslutter at tjekke produktets lager og annoncer.
4. MCP: Den beder shopplatformen om produktets lagerniveauer og annonceplatformen om dens annonceperformance.
5. Agent: Lageret var normalt, men annoncerne stoppede med at køre halvvejs gennem måneden, så den beslutter at finde ud af hvorfor.
6. MCP: Den beder annonceplatformen om kampagnens historik og finder ud af, at kampagnen nåede sin månedlige budgetgrænse.
7. Agent: Den rapporterer den sandsynlige årsag, foreslår at hæve grænsen eller flytte budgettet og overlader beslutningen til ejeren.

Da hvert trin afhænger af resultaterne fra det foregående, kan du ikke forudsige dem på forhånd. Agenten analyserer de data, der er indhentet via MCP, og bruger dem til at planlægge efterfølgende handlinger.

Risici og sikkerhedsforanstaltninger for agent og MCP

At forbinde autonome AI-agenter til andre værktøjer og apps via MCP udsætter dig for risici. Almindelige bekymringer handler om, at AI-agenter har mere adgang, end de behøver, og at tredjeparter kaprer MCP-forbindelsen, for eksempel via indirekte prompt injection eller overdreven agency.

I de fleste tilfælde er løsningen manuelt at styre de oplysninger, som agenten kan få adgang til, overvåge dens aktivitet og kun bruge connectere fra pålidelige kilder.

Brug Perplexity-agenter og MCP

Perplexity bruger agenter og MCP i begge retninger. Dets agenter, som Computer, bruger MCP til at forbinde til eksterne apps, og andre AI-assistenter kan forbinde til Perplexity via MCP for at drive deres research.

Perplexity Computer er en AI-agent til generelle formål, som bruger MCP til at forbinde med tredjepartstjenester. Den kan søge på og browse nettet, skrive og køre kode, oprette dokumenter, læse og sende e-mail, administrere opgaver i værktøjer som Jira, Slack eller Notion og meget mere.

Forbindelsen fungerer også den anden vej. En AI-assistent, der understøtter MCP, som Claude, ChatGPT eller Cursor, kan bruge Perplexitys MCP-server til at udføre en websøgning og få resultater tilbage med titler, URL'er og uddrag eller tildele Computer en flertrinsopgave, der skal fuldføres.

Ofte stillede spørgsmål

Er AI-agenter og MCP det samme?

Nej, AI-agenter og MCP er ikke det samme, og de løser hver deres problemer. AI-agenter er softwareværktøjer, der autonomt fuldfører brugernes opgaver, mens MCP er en standardiseret måde for AI-værktøjer at få adgang til andre apps på.

AI-agenter og MCP arbejder ofte sammen. En AI-agent kan bruge MCP til at få adgang til data fra en anden softwareapplikation for at realisere det tildelte mål.

Hvad er forskellen mellem MCP og agentfærdigheder?

MCP (Model Context Protocol) forbinder et AI-værktøj til eksterne apps og data, mens agentfærdigheder er genanvendelige instruktioner, scripts og ressourcer, der lærer en AI-agent, hvordan den udfører en specialiseret opgave, og fastsætter sikkerhedsrammerne.

Er MCP det samme som API?

Nej, MCP og API er ikke det samme. API lader et stykke software kalde et andet ved hjælp af regler, som en udvikler bygger på forhånd, mens MCP lader AI-agenter se, hvilke funktioner der er tilgængelige, og beslutte, hvilke de skal kalde, uden at en udvikler koder forbindelsen på forhånd.

Når det er sagt, bruger MCP-servere ofte API'er til at forbinde med værktøjer.

Hvordan adskiller MCP sig fra A2A?

MCP (Model Context Protocol) forbinder en AI-agent med værktøjer og data, mens A2A (Agent2Agent) forbinder AI-agenter. Et team kan bruge begge dele, hvor MCP håndterer værktøjsintegration og A2A håndterer samarbejde mellem agenter.

Hvordan adskiller MCP sig fra RAG?

RAG (retrieval-augmented generation) er et system, som AI-værktøjer bruger til at forankre svar i pålidelig information fra en ekstern videnskilde, mens MCP er en standard til at forbinde AI-applikationer med eksterne data og værktøjer. Så en RAG kan bruge MCP til at få adgang til sin vidensbase.

Kan man bruge MCP uden at være udvikler?

Ja, du kan bruge MCP uden at skrive kode ved at forbinde et MCP-kompatibelt AI-værktøj til en tjeneste, der allerede understøtter det. For eksempel kan Perplexity-brugere bruge MCP til at forbinde til populære apps som Gmail, ClickUp eller Figma.