MCP fronte a API: definicións, diferenzas e casos de uso

O MCP, cuxas siglas en inglés corresponden ao Protocolo de Contexto de Modelo (Model Context Protocol), é un estándar aberto que os axentes de intelixencia artificial utilizan para acceder a sistemas externos: funcionalidade de aplicacións (ferramentas), recursos (incluíndo bases de datos) e ordes.

A diferenza dunha API, que conecta dúas aplicacións mediante puntos de acceso e parámetros establecidos, o MCP permítelles aos LLM descubrir ferramentas actualizadas en tempo de execución. O MCP tamén pode reducir drasticamente o tempo necesario para o mantemento da integración.

O MCP e as APIs non son tecnoloxías opostas. O MCP deseñouse para ofrecer ás aplicacións baseadas en intelixencia artificial un acceso completo á funcionalidade e información externas, á vez que reduce a necesidade de configurar APIs a medida. A miúdo, as solicitudes de MCP activarán chamadas de API do lado do servidor e hai casos de uso importantes para desenvolvedores nos que as APIs seguen a ser preferibles ao MCP.

O MCP é un protocolo de código aberto (un conxunto de regras) que permite ás ferramentas de intelixencia artificial chamar de forma segura e autónoma a ferramentas como bases de datos, funcionalidades de software e ordes.
En comparación coas APIs preconfiguradas, o MCP permítelle a un LLM seleccionar a funcionalidade externa actual en función das necesidades da tarefa sen saturar a súa xanela de contexto.
Para as integracións de software tradicionais e algúns fluxos de traballo de LLM fixos e iterativos, as APIs son preferibles.
Se a funcionalidade de intelixencia artificial da túa aplicación está a expandirse, xestionas un alto volume de integracións ou as características dos provedores cambian con frecuencia, o MCP é, con moito, a mellor opción.
Fóra do ámbito dos desenvolvedores, o uso persoal de conectores MCP cos principais chatbots de intelixencia artificial (Claude, ChatGPT, Perplexity, etc.) non require ningún coñecemento complexo de programación. A maioría contan con integracións dun só clic.

O MCP é un protocolo moi utilizado para a comunicación entre un modelo de intelixencia artificial e un servidor MCP. O protocolo fai posible que un cliente MCP chame a calquera das ferramentas e recursos dispoñibles no servidor MCP.

Hai tres compoñentes que forman un fluxo de traballo de MCP:

Host: A aplicación contenedora (como Perplexity) onde o usuario final activa unha acción ou introduce unha orde en linguaxe natural, como « dime o tempo que fai en Londres». O host proporciónalle ao LLM unha lista de ferramentas dispoñibles e o LLM decide que ferramenta é a máis axeitada para completar a tarefa.
Cliente: O xestor de protocolos (integrado no host) que se conecta a un servidor MCP utilizando o protocolo MCP.
Servidor: A aplicación que recibe as solicitudes de MCP e pon a disposición ou «expón» as distintas funcionalidades ás que ten acceso.

Cómpre destacar que os servidores MCP adoitan utilizar APIs para comunicarse coas ferramentas. Se conectas Perplexity ao MCP de Slack, por exemplo, o cliente falará co servidor MCP, o cal utilizará despois a API de Slack para facer as solicitudes detalladas na solicitude de MCP orixinal.

Unha API é unha interface entre dúas aplicacións. Do mesmo xeito ca o MCP, define regras sobre como un sistema pode solicitar datos ou accións a outro. Un cliente envía unha solicitude utilizando parámetros especificados polo provedor e o servidor entrega unha resposta.

Aquí tes un resumo dos diferentes elementos dunha solicitude e resposta de API:

Punto de acceso (Endpoint): O URL ao que envías a solicitude.
Método: A acción que queres que realice a aplicación do servidor.
Parámetros: As entradas que envías para que o servidor as procese.
Cabeceiras: Información adicional como a autorización e o formato de resposta.
Corpo da solicitude: Os datos necesarios para executar a solicitude (ás veces son opcionais).
Resposta: A información ou o estado de éxito/falto que devolve o servidor.

A un alto nivel, case todo o que fai unha API resúmese en intercambiar datos cun sistema ou solicitar que o sistema realice unha operación.

A primeira vista, isto pode parecer semellante ao que fai un conector MCP. Con todo, a diferenza fundamental é que, cun enfoque baseado en APIs, as distintas tarefas requiren distintos puntos de acceso, métodos e parámetros, os cales se deben manter no lado do cliente. Un servidor MCP fai que toda a súa funcionalidade ou datos dispoñibles sexan visibles para un LLM sen necesidade de realizar actualizacións no lado do cliente.

	MCP	API
Aplicación principal	Fluxos de traballo nunha ferramenta baseada en LLM	Solicitudes definidas entre plataformas de software
Como funcionan	Acceso a múltiples ferramentas baseado no razoamento do LLM; toda a funcionalidade está actualizada porque o provedor controla o servidor MCP	O software envía solicitudes específicas dun servizo utilizando puntos de acceso, métodos e parámetros predefinidos
Descuberta	O LLM pode ver e usar todas as ferramentas que expón o servidor, incluídas as novas	O software só pode facer solicitudes de API que estean preconfiguradas
Casos de uso principais	Fluxos de traballo baseados en intelixencia artificial e axentes; selección dinámica de ferramentas en función de ordes en linguaxe natural; integracións de provedores para ferramentas de intelixencia artificial	Transferencias de datos de alto volume; fluxos de traballo fixos e repetibles; integracións de software tradicionais
Casos de uso adicionais	Asistentes de programación con acceso a varios ficheiros e repositorios; acceso en linguaxe natural a sistemas empresariais; integracións internas reutilizables para ferramentas de intelixencia artificial	Integracións personalizadas; transaccións en liña; recuperación de datos programada; integracións de provedores para ferramentas de intelixencia artificial que non admiten MCP
Tempo de configuración	Mínimo unha vez establecida a conexión MCP	As APIs deben configurarse individualmente dentro dunha aplicación para acceder a novas funcionalidades
Desvantaxes	adoita haber un alto custo en tokens para tarefas complexas; consume demasiados recursos para tarefas de datos repetitivas e ben definidas	Custos de mantemento extremadamente altos para aplicacións con integracións complexas; non garante o acceso á funcionalidade actual
Beneficios	Estándar universal, capaz de xestionar fluxos de traballo complexos, maior acceso a ferramentas e sen intervención unha vez configurado	Require menos tokens para fluxos de traballo fixos e de alto volume en ferramentas de intelixencia artificial

vexamos un exemplo sinxelo que ilustra as diferenzas entre o MCP e as APIs. Neste escenario, a solicitude adecúase mellor a unha API (é sinxela e non require contexto). Con todo, os dous exemplos mostran claramente como o MCP é óptimo para fluxos de traballo de LLM de múltiples etapas.

Aquí tes un script (escrito en Python) que envía unha solicitude de API de información meteorolóxica utilizando a API de Open-Meteo:

python

import requests
url = "https://api.open-meteo.com/v1/forecast"
params = {    "latitude": 51.5072,    "longitude": -0.1276,    "current": "temperature_2m"}
response = requests.get(url, params=params)
data = response.json()
temperature = data["current"]["temperature_2m"]
print(f"Temperature in London: {temperature}°C")

Este exemplo utiliza un formato de solicitude preciso para consultar Open-Meteo a través de HTTPS para obter a temperatura actual a 2 metros para a latitude 51.5072 e a lonxitude -0.1276 (Londres).

Pola contra, un cliente MCP podería enviar unha solicitude JSON-RPC de tools/call coma a seguinte a un servidor con acceso a unha base de datos meteorolóxica:

json

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "get_weather",
    "arguments": {
      "city": "London"
    }
  }
}

Neste exemplo imaxinario, o cliente pídese ao servidor que use unha ferramenta específica (get-weather) no seu rexistro para executar unha tarefa (describir o tempo en Londres).

A principal diferenza é que esta funcionalidade sería unha das moitas proporcionadas polo servidor MCP. Non é necesario que o cliente MCP coñeza puntos de acceso específicos, parámetros, estruturas de resposta ou métodos de autenticación para xerar a solicitude. O LLM pode revisar as descricións das ferramentas no rexistro para escoller as que considere máis axeitadas para completar unha tarefa descrita en linguaxe natural.

O MCP e as APIs non son opostos. O MCP deseñouse para facilitar a descuberta e o mantemento das integracións. Por iso, as APIs adoitan ser a mellor opción para conexións de software que non son de intelixencia artificial e para tarefas e fluxos de traballo de LLM que son fixos e dependen dun grupo específico de APIs estables.

Necesitas xestionar un conxunto de ferramentas grande ou en crecemento: Un cliente MCP pode descubrir todas as ferramentas expoñidas por un servidor dun provedor en tempo de execución, o que reduce os custos xerais de configuración de cada API a medida que medra o teu conxunto de ferramentas.
A elección da ferramenta depende das solicitudes do usuario: O MCP é útil cando os pasos dunha tarefa non se poden predeterminar, como cando os usuarios lle dan ordes a un chatbot cunha ampla gama de solicitudes. O LLM pode inspeccionar os nomes, descricións e esquemas dispoñibles das ferramentas e logo elixir as que mellor se adapten a unha tarefa.
A funcionalidade dos provedores cambia con frecuencia: Cando os provedores engaden novas funcionalidades ás súas aplicacións, estas están dispoñibles de inmediato a través do MCP. Non necesitas engadir novas APIs nin reconfigurar as existentes.
Queres as mesmas integracións dispoñibles en varias aplicacións de intelixencia artificial: Un único servidor MCP pode expoñer as mesmas capacidades a varios axentes ou aplicacións, o que reduce o traballo de integración duplicado.

Recuperas datos estruturados: Se a túa ferramenta de intelixencia artificial recupera información estruturada previsible, como o estado dun envío ou un número de ticket de atención ao cliente, nunha etapa determinada do fluxo de traballo do usuario, unha solicitude de API estándar require menos tokens e tempo.
O teu fluxo de traballo está organizado nunha secuencia fixa: Se o teu fluxo de traballo segue unha secuencia estrita e repetible con APIs precisas e un resultado exacto, non hai necesidade de usar o MCP.
A túa aplicación executa un fluxo de traballo de alto volume: O uso de tokens pode ser especialmente prohibitivo para tarefas de alto volume. Se un fluxo de traballo complexo require entradas ou saídas iterativas de alto volume xunto co razoamento, é preferible utilizar unha combinación de chamadas de MCP e API.
O razoamento da intelixencia artificial non aporta ningún beneficio: Se a lóxica de aplicación ordinaria pode completar adecuadamente unha tarefa, unha chamada de API directa adoita ser máis sinxela e consome menos recursos.

A cuestión do MCP fronte á API afecta en gran medida aos desenvolvedores que crean aplicacións con funcións de intelixencia artificial. Con todo, é posible que tamén teñas dúbidas sobre se debes ou non usar o MCP para os teus fluxos de traballo profesionais na túa ferramenta de intelixencia artificial elixida.

Aplicanse as mesmas regras xerais: se queres acceso actualizado á funcionalidade de aplicacións de terceiros cunha ampla cobertura, os MCP son a mellor opción. Para tarefas rutinarias e de alto volume, unha configuración de API simple consumirá menos tokens.

A maioría das ferramentas de intelixencia artificial, incluíndo Perplexity, permiten aos usuarios configurar e usar conectores MCP sen traballo de código. Isto fai posible orquestrar fluxos de traballo de varios pasos sen abandonar a interface de chat. Por exemplo, é posible integrarse con plataformas como Gmail, HubSpot e Supabase en poucos clics.

Directorio de conectores de Perplexity que mostra integracións que inclúen Gmail, Outlook, HubSpot, Monday.com, Supabase e Vercel.

Os beneficios principais do MCP son a descuberta dinámica e a redución do mantemento das APIs. Ao conectar a túa aplicación a un servidor MCP, obtés acceso a todas as ferramentas, datos e ordes máis recentes ofrecidos polos provedores que elixas (ou polos teus sistemas locais).

Con todo, as APIs seguen a ser fundamentais. Constitúen a arquitectura subxacente da interconectividade de aplicacións. O MCP actúa como unha capa intermediaria entre unha aplicación e a funcionalidade externa. Permite que os axentes de intelixencia artificial accedan ao conxunto máis amplo posible de ferramentas nun formato que ten sentido para fluxos de traballo complexos.

MCP fronte a API: cales son as principais diferenzas?

Que é o Protocolo de Contexto de Modelo (MCP)?

Que é unha interface de programación de aplicacións (API)?

Casos de uso, beneficios e desvantaxes

Ilustración práctica do MCP fronte á API

Como elixir entre o MCP e unha API

Cando usar un MCP

Cando usar unha API directa

Uso dun conector MCP en Perplexity

Por que o MCP fai que as aplicacións baseadas en LLM sexan máis potentes