MCP ಟೂಲ್‌ಗಳು ಎಂದರೇನು ಮತ್ತು AI ಮಾದರಿಗಳು ಅವುಗಳನ್ನು ಹೇಗೆ ಬಳಸುತ್ತವೆ?

MCP ಟೂಲ್‌ಗಳು ಎಂದರೆ ಸಂಭಾಷಣೆಯ ಹೊರಗೆ ಯಾವುದಾದರೂ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಲು AI ಮಾದರಿಯು ಕರೆಯಬಹುದಾದ ಫಂಕ್ಷನ್‌ಗಳು. ಉದಾಹರಣೆಗೆ, ನಿಮ್ಮ ಟಿಪ್ಪಣಿಗಳನ್ನು ಹುಡುಕುವುದು ಅಥವಾ ಡೇಟಾಬೇಸ್ ಅನ್ನು ಕ್ವೆರಿ ಮಾಡುವುದು. ಪ್ರತಿಯೊಂದು ಟೂಲ್ MCP (Model Context Protocol) ಸರ್ವರ್‌ನಲ್ಲಿ ಇರುತ್ತದೆ ಮತ್ತು ಅದಕ್ಕೆ ಒಂದು ಹೆಸರು ಹಾಗೂ ಸಂಕ್ಷಿಪ್ತ ವಿವರಣೆ ಇರುತ್ತದೆ; ಅದನ್ನು ಯಾವಾಗ ಬಳಸಬೇಕು ಎಂದು ನಿರ್ಧರಿಸಲು ಇವು ಮಾದರಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತವೆ.

"MCP ಟೂಲ್" ಎಂಬ ಪದವನ್ನು ಬೇರೆ ಅರ್ಥಗಳಲ್ಲೂ ಬಳಸಲಾಗುತ್ತದೆ. ದೈನಂದಿನ ಬಳಕೆಯಲ್ಲಿ, ಜನರು MCP ಸರ್ವರ್‌ಗಳನ್ನು (ಟೂಲ್‌ಗಳನ್ನು ಒದಗಿಸುವ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು) ಅಥವಾ ಆ ಸರ್ವರ್‌ಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುವ ಡೈರೆಕ್ಟರಿಗಳನ್ನು ಉದ್ದೇಶಿಸಿ "MCP ಟೂಲ್‌ಗಳು" ಎನ್ನುತ್ತಾರೆ. MCP ಸರ್ವರ್‌ನಲ್ಲಿರುವ ಟೂಲ್‌ಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಲು ಮತ್ತು ಕರೆಯಲು ಬಳಸುವ ಕಮಾಂಡ್-ಲೈನ್ ಪ್ರೋಗ್ರಾಂ ಒಂದರ ಹೆಸರೂ MCP Tools ಆಗಿದೆ.

ಈ ಮಾರ್ಗದರ್ಶಿಯು ಸರ್ವರ್‌ಗಳು, ಡೈರೆಕ್ಟರಿಗಳು ಅಥವಾ ಕಮಾಂಡ್ ಲೈನ್‌ಗಳ ಬಗ್ಗೆ ಅಲ್ಲ, ಪ್ರೋಟೋಕಾಲ್ ಫಂಕ್ಷನ್‌ಗಳ ಬಗ್ಗೆ. ಟೂಲ್ ಯಾವ ಅಂಶಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಸರ್ವರ್‌ಗಳು ಯಾವ ಬಗೆಯ ಟೂಲ್‌ಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ ಮತ್ತು ಟೂಲ್‌ಗಳು ರಿಸೋರ್ಸ್‌ಗಳು, ಪ್ರಾಂಪ್ಟ್‌ಗಳು ಹಾಗೂ ಫಂಕ್ಷನ್ ಕಾಲಿಂಗ್‌ನಿಂದ ಹೇಗೆ ಭಿನ್ನವಾಗಿವೆ ಎಂಬುದನ್ನು ಇದು ವಿವರಿಸುತ್ತದೆ. ನಂತರ ಟೂಲ್ ಬಳಸಲು ಮಾದರಿಯು ಅನುಸರಿಸುವ ಹಂತಗಳನ್ನು ಒಂದೊಂದಾಗಿ ತಿಳಿಸುತ್ತದೆ ಮತ್ತು ಅವುಗಳ ಬಳಕೆಗೆ ಸಂಬಂಧಿಸಿದ ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳೊಂದಿಗೆ ಮುಕ್ತಾಯಗೊಳ್ಳುತ್ತದೆ.

MCP ಟೂಲ್‌ಗಳು ಎಂದರೇನು?

MCP ಟೂಲ್ ಎಂಬುದು ಇತರ ಸಾಫ್ಟ್‌ವೇರ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳೊಂದಿಗೆ ಕಾರ್ಯಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು AI ಮಾದರಿಗಳಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುವ ಫಂಕ್ಷನ್. ಉದಾಹರಣೆಗೆ, ನನ್ನ AI ಏಜೆಂಟ್‌ಗಳು ಮತ್ತು ಕಾರ್ಯಪ್ರವಾಹಗಳು Gmail ನಲ್ಲಿ ಇಮೇಲ್‌ಗಳ ಕರಡು ಸಿದ್ಧಪಡಿಸಲು (create_draft), Trello ಕಾರ್ಡ್‌ಗಳನ್ನು ರಚಿಸಲು (trelloWriteCard) ಮತ್ತು DataForSEO ನಿಂದ ಲೈವ್ ಹುಡುಕಾಟ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಲು (serp_organic_live_advanced) MCP ಟೂಲ್‌ಗಳನ್ನು ಬಳಸುತ್ತವೆ; ಇವು ಕೆಲವು ಉದಾಹರಣೆಗಳು ಮಾತ್ರ.

ಸಾಫ್ಟ್‌ವೇರ್ ಆ್ಯಪ್‌ಗಳು ತಮ್ಮ MCP ಸರ್ವರ್‌ಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಹಲವು MCP ಟೂಲ್‌ಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, Trello MCP ಸರ್ವರ್‌ನಲ್ಲಿ ಪ್ರಸ್ತುತ 14 MCP ಟೂಲ್‌ಗಳಿವೆ; ಇವು ಬೋರ್ಡ್‌ಗಳು, ಪಟ್ಟಿಗಳು, ಚೆಕ್‌ಲಿಸ್ಟ್‌ಗಳು, ಕಾರ್ಡ್‌ಗಳು ಮತ್ತು ಇನ್ನಷ್ಟನ್ನು ಓದಲು ಹಾಗೂ ಅಪ್‌ಡೇಟ್ ಮಾಡಲು AI ಮಾದರಿಗಳಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತವೆ.

ಟೂಲ್‌ಗಳನ್ನು ಹೇಗೆ ವಿವರಿಸಬೇಕು ಮತ್ತು ಒದಗಿಸಬೇಕು ಎಂಬುದನ್ನು MCP ಪ್ರಮಾಣೀಕರಿಸುವುದರಿಂದ, ಈ ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ಬೆಂಬಲಿಸುವ ಯಾವುದೇ AI ಆ್ಯಪ್ ಅದೇ MCP ಟೂಲ್ ಅನ್ನು ಬಳಸಬಹುದು.

MCP ಟೂಲ್‌ನಲ್ಲಿ ಏನೆಲ್ಲ ಇರುತ್ತದೆ

ಪ್ರತಿಯೊಂದು MCP ಟೂಲ್‌ನಲ್ಲಿ ಮೂರು ಅಂಶಗಳಿರುತ್ತವೆ:

• ಹೆಸರು: ಟೂಲ್ ಅನ್ನು ಕರೆಯುವಾಗ ಮಾದರಿಯು ಬಳಸುವ ಸಂಕ್ಷಿಪ್ತ ಐಡೆಂಟಿಫೈಯರ್ (ಉದಾ., Google Calendar ನಲ್ಲಿ get_event).
• ವಿವರಣೆ: ಟೂಲ್ ಏನು ಮಾಡುತ್ತದೆ ಮತ್ತು ಅದು ಯಾವಾಗ ಉಪಯುಕ್ತ ಎಂಬುದರ ಸರಳ ಭಾಷೆಯ ವಿವರಣೆ. ಟೂಲ್ ನಿಮ್ಮ ವಿನಂತಿಗೆ ಹೊಂದುತ್ತದೆಯೇ ಎಂದು ನಿರ್ಧರಿಸಲು ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿ (LLM) ಇದನ್ನು ಓದುತ್ತದೆ (ಉದಾ., "ನೀಡಲಾದ ಕ್ಯಾಲೆಂಡರ್‌ನಲ್ಲಿನ ಒಂದು ಈವೆಂಟ್ ಅನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ.").
• ಇನ್‌ಪುಟ್‌ಗಳು: ಟೂಲ್ ರನ್ ಆಗಲು ಅಗತ್ಯವಿರುವ ಮಾಹಿತಿ, ಉದಾಹರಣೆಗೆ ಟಿಪ್ಪಣಿಗಳ ಹುಡುಕಾಟಕ್ಕಾಗಿ ಕ್ಲೈಂಟ್ ಹೆಸರು ಮತ್ತು ದಿನಾಂಕ. ಇದನ್ನು JSON ನಲ್ಲಿ ಬರೆಯಲಾಗುತ್ತದೆ, ಮತ್ತು ಪ್ರತಿ ಇನ್‌ಪುಟ್‌ನ ರೂಪವನ್ನು (ಪಠ್ಯ, ಸಂಖ್ಯೆ ಅಥವಾ ಪಟ್ಟಿ) ಇದು ನಿಗದಿಪಡಿಸುವುದರಿಂದ ಡೆವಲಪರ್‌ಗಳು ಇದನ್ನು ಇನ್‌ಪುಟ್ ಸ್ಕೀಮಾ ಎಂದು ಕರೆಯುತ್ತಾರೆ.

ವಿಸ್ತರಿಸಿ

ಕೆಲವು ಟೂಲ್‌ಗಳು ಹೆಚ್ಚುವರಿ ಮೆಟಾಡೇಟಾವನ್ನು ಸೇರಿಸುತ್ತವೆ: ಪ್ರದರ್ಶನ ಹೆಸರು, ಅವು ಹಿಂತಿರುಗಿಸುವ ಫಲಿತಾಂಶಗಳ ವಿವರಣೆ (ಔಟ್‌ಪುಟ್ ಸ್ಕೀಮಾ) ಮತ್ತು ಟೂಲ್ ಹೇಗೆ ವರ್ತಿಸುತ್ತದೆ ಎಂಬುದರ ಕುರಿತ ಟಿಪ್ಪಣಿಗಳು (annotations).

AI ಮಾದರಿಯು ಟೂಲ್‌ನ ಹಿಂದಿರುವ ಕೋಡ್ ಅನ್ನು ಎಂದಿಗೂ ನೋಡುವುದಿಲ್ಲ. ಟೂಲ್ ತನ್ನ ಬಗ್ಗೆ ಏನು ಹೇಳುತ್ತದೆಯೋ ಅದರ ಆಧಾರದ ಮೇಲೆಯೇ ಅದು ಕೆಲಸ ಮಾಡುತ್ತದೆ, ಹಾಗಾಗಿ ಅಸ್ಪಷ್ಟ ಹೆಸರು ಅಥವಾ ವಿವರಣೆಯಿಂದ ಮಾದರಿಯು ತಪ್ಪು ಟೂಲ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ.

ಯಾವ ಬಗೆಯ MCP ಟೂಲ್‌ಗಳಿವೆ

MCP ಟೂಲ್‌ಗಳು ಅವು ಮಾಡುವ ಕೆಲಸದ ಆಧಾರದ ಮೇಲೆ ನಾಲ್ಕು ಗುಂಪುಗಳಾಗಿ ವಿಂಗಡಣೆಯಾಗುತ್ತವೆ:

• ಹುಡುಕಾಟ ಮತ್ತು ಲುಕಪ್ ಟೂಲ್‌ಗಳು: ಮಾಹಿತಿಯನ್ನು ಹುಡುಕುತ್ತವೆ ಅಥವಾ ಹಿಂಪಡೆಯುತ್ತವೆ (ಉದಾ., ಟಿಪ್ಪಣಿಗಳನ್ನು ಹುಡುಕುವುದು, ಫೈಲ್ ಓದುವುದು ಅಥವಾ ಡೇಟಾಬೇಸ್ ಅನ್ನು ಕ್ವೆರಿ ಮಾಡುವುದು).
• ಕ್ರಿಯಾ ಟೂಲ್‌ಗಳು: ಇನ್ನೊಂದು ಆ್ಯಪ್‌ನಲ್ಲಿ ಏನನ್ನಾದರೂ ರಚಿಸುತ್ತವೆ ಅಥವಾ ಬದಲಾಯಿಸುತ್ತವೆ (ಉದಾ., ಕಾರ್ಯವನ್ನು ಸೇರಿಸುವುದು, ಕ್ಯಾಲೆಂಡರ್ ಈವೆಂಟ್ ರಚಿಸುವುದು, ಸಪೋರ್ಟ್ ಟಿಕೆಟ್ ತೆರೆಯುವುದು ಅಥವಾ ಇಮೇಲ್ ಕಳುಹಿಸುವುದು).
• ಡೇಟಾ-ಸಂಸ್ಕರಣಾ ಟೂಲ್‌ಗಳು: ಡೇಟಾವನ್ನು ಪರಿವರ್ತಿಸುತ್ತವೆ ಅಥವಾ ವಿಶ್ಲೇಷಿಸುತ್ತವೆ (ಉದಾ., ಸ್ಪ್ರೆಡ್‌ಶೀಟ್ ಫೈಲ್ ವಿಶ್ಲೇಷಿಸುವುದು ಅಥವಾ ಲೆಕ್ಕಾಚಾರ ನಡೆಸುವುದು).
• ಸಿಸ್ಟಂ ಟೂಲ್‌ಗಳು: ಸ್ಥಳೀಯ ಸಿಸ್ಟಂನೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುತ್ತವೆ (ಉದಾ., ಟರ್ಮಿನಲ್‌ನಲ್ಲಿ ಕಮಾಂಡ್ ಎಕ್ಸಿಕ್ಯೂಟ್ ಮಾಡುವುದು).

MCP ಟೂಲ್‌ಗಳು vs. ರಿಸೋರ್ಸ್‌ಗಳು & ಪ್ರಾಂಪ್ಟ್‌ಗಳು

MCP ಟೂಲ್‌ಗಳ ಜೊತೆಗೆ, MCP ಸರ್ವರ್ ಇನ್ನೆರಡು ಬಗೆಯ ಮೂಲ ಘಟಕಗಳನ್ನು ಒದಗಿಸಬಹುದು; ಪ್ರೋಟೋಕಾಲ್ ಇವುಗಳನ್ನು ಪ್ರಿಮಿಟಿವ್‌ಗಳು ಎಂದು ಕರೆಯುತ್ತದೆ: ರಿಸೋರ್ಸ್‌ಗಳು ಮತ್ತು ಪ್ರಾಂಪ್ಟ್‌ಗಳು.

ವಿಸ್ತರಿಸಿ

ಉದಾಹರಣೆಗೆ, GitHub ನ ಅಧಿಕೃತ MCP ಸರ್ವರ್ ಇವುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ:

• ಇಶ್ಯೂಗಳನ್ನು ರಚಿಸುವ ಅಥವಾ ಅಪ್‌ಡೇಟ್ ಮಾಡುವ issue_write ಎಂಬ ಟೂಲ್,
• ರೆಪಾಸಿಟರಿಯಲ್ಲಿನ ಫೈಲ್‌ಗಳಿಗೆ ಪ್ರವೇಶ ನೀಡುವ repository_content ಎಂಬ ರಿಸೋರ್ಸ್,
• ಸಮಸ್ಯೆಯೊಂದನ್ನು ಇಶ್ಯೂ ಆಗಿ ವರದಿ ಮಾಡಲು ಮತ್ತು ಅದನ್ನು ಸರಿಪಡಿಸಲು GitHub ನ Copilot ಕೋಡಿಂಗ್ ಏಜೆಂಟ್ ಮೂಲಕ pull request ರಚಿಸಲು ಬೇಕಾದ ಹಂತಗಳನ್ನು ಸಿದ್ಧಪಡಿಸುವ issue_to_fix_workflow ಎಂಬ ಪ್ರಾಂಪ್ಟ್.

ವ್ಯತ್ಯಾಸವೆಂದರೆ ಪ್ರತಿಯೊಂದೂ ಏನು ಮಾಡುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಯಾವಾಗ ಬಳಸಬೇಕು ಎಂದು ಯಾರು ನಿರ್ಧರಿಸುತ್ತಾರೆ ಎಂಬುದು: ನೀವು, ನೀವು ಕೆಲಸ ಮಾಡುತ್ತಿರುವ AI ಆ್ಯಪ್ (ಉದಾ., Perplexity), ಅಥವಾ ಆ ಆ್ಯಪ್‌ನೊಳಗೆ ರನ್ ಆಗುತ್ತಿರುವ AI ಮಾದರಿ.

• MCP ಟೂಲ್ ಕ್ರಿಯೆಗಳನ್ನು ನಡೆಸುತ್ತದೆ ಅಥವಾ ಮಾಹಿತಿಯನ್ನು ಹುಡುಕುತ್ತದೆ. ಟೂಲ್ ಅನ್ನು ಯಾವಾಗ ಕರೆಯಬೇಕು ಎಂಬುದನ್ನು AI ಮಾದರಿಯು ಸ್ವಾಯತ್ತವಾಗಿ ನಿರ್ಧರಿಸುತ್ತದೆ, ಮತ್ತು ನಿಮ್ಮ AI ಆ್ಯಪ್ ಆ ಕರೆಯನ್ನು ಸರ್ವರ್‌ಗೆ ರವಾನಿಸುತ್ತದೆ. ನಿಮ್ಮ AI ಮಾದರಿಯು ಟೂಲ್‌ಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ; ನಿಮ್ಮ AI ಆ್ಯಪ್ ಪ್ರತಿಯೊಂದು ಕರೆಯನ್ನು ನಿಮಗೆ ತೋರಿಸಬೇಕು ಮತ್ತು ಅದನ್ನು ನಿರಾಕರಿಸಲು ನಿಮಗೆ ಅವಕಾಶ ನೀಡಬೇಕು.
• ರಿಸೋರ್ಸ್ ಎಂಬುದು MCP ಸರ್ವರ್‌ನಲ್ಲಿ ಲಭ್ಯವಿರುವ ವಿಷಯ, ಉದಾಹರಣೆಗೆ ಫೈಲ್ ಅಥವಾ ದಾಖಲೆಗಳ ಸಮೂಹ; ಪ್ರತಿಯೊಂದಕ್ಕೂ ತನ್ನದೇ ಆದ ವಿಳಾಸ (URI) ಇರುತ್ತದೆ. ನಿಮ್ಮ AI ಆ್ಯಪ್ ಸರ್ವರ್‌ನಲ್ಲಿ ಯಾವ ರಿಸೋರ್ಸ್‌ಗಳಿವೆ ಎಂದು ಕೇಳುತ್ತದೆ, ತನಗೆ ಬೇಕಾದುದನ್ನು ಅದರ ವಿಳಾಸದ ಮೂಲಕ ಓದುತ್ತದೆ ಮತ್ತು ಆ ವಿಷಯವನ್ನು ಸಂದರ್ಭವಾಗಿ ಸಂಭಾಷಣೆಗೆ ಸೇರಿಸುತ್ತದೆ.
• ಪ್ರಾಂಪ್ಟ್ ಎಂಬುದು ಸರ್ವರ್ ಒದಗಿಸುವ ಸಿದ್ಧ ಸಂದೇಶ ಟೆಂಪ್ಲೇಟ್; ಕೆಲವೊಮ್ಮೆ ಇದರಲ್ಲಿ ನೀವು ಭರ್ತಿ ಮಾಡಬೇಕಾದ ಖಾಲಿ ಸ್ಥಳಗಳಿರುತ್ತವೆ. ನಿಮ್ಮ AI ಆ್ಯಪ್ ಲಭ್ಯವಿರುವ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ನಿಮಗೆ ತೋರಿಸುತ್ತದೆ, ಮತ್ತು ನೀವು ಅವುಗಳಲ್ಲಿ ಒಂದನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತೀರಿ, ಸಾಮಾನ್ಯವಾಗಿ ಸ್ಲ್ಯಾಶ್ ಕಮಾಂಡ್ ರೂಪದಲ್ಲಿ.

AI ಮಾದರಿಗಳು MCP ಟೂಲ್‌ಗಳನ್ನು ಹೇಗೆ ಬಳಸುತ್ತವೆ

AI ಮಾದರಿಯು MCP ಟೂಲ್ ಅನ್ನು ಐದು ಹಂತಗಳಲ್ಲಿ ಬಳಸುತ್ತದೆ: ಅನ್ವೇಷಣೆ, ಟೂಲ್ ಆಯ್ಕೆ, ಇನ್ವೊಕೇಶನ್, ಫಲಿತಾಂಶಗಳು ಮತ್ತು ದೋಷ ನಿರ್ವಹಣೆ. ಮಾದರಿ ಮತ್ತು ಸರ್ವರ್ ನಡುವಿನ ಎಲ್ಲವನ್ನೂ ನಿಮ್ಮ AI ಆ್ಯಪ್ ರವಾನಿಸುತ್ತದೆ.

ವಿಸ್ತರಿಸಿ

ನಿಮ್ಮ Trello ನಲ್ಲಿನ "This week" ಪಟ್ಟಿಯನ್ನು ಪರಿಶೀಲಿಸಿ, ಅಪ್‌ಡೇಟ್‌ನೊಂದಿಗೆ ನಿಮ್ಮ ಸಂಪಾದಕರಿಗೆ ಇಮೇಲ್‌ನ ಕರಡು ಸಿದ್ಧಪಡಿಸುವಂತೆ ನೀವು ನಿಮ್ಮ AI ಆ್ಯಪ್‌ಗೆ ಕೇಳುತ್ತೀರಿ ಎಂದುಕೊಳ್ಳಿ. ಆರಂಭದಿಂದ ಕೊನೆಯವರೆಗೆ ನಡೆಯುವುದು ಹೀಗೆ:

1. ಅನ್ವೇಷಣೆ: ನಿಮ್ಮ AI ಆ್ಯಪ್ MCP ಕ್ಲೈಂಟ್‌ಗಳ ಮೂಲಕ MCP ಸರ್ವರ್‌ಗೆ ಸಂಪರ್ಕಗೊಂಡಾಗ, ಅದು ಸರ್ವರ್‌ನಲ್ಲಿ ಲಭ್ಯವಿರುವ ಟೂಲ್‌ಗಳ ಪಟ್ಟಿಯನ್ನು ಕೇಳುತ್ತದೆ (tools/list ಎಂಬ ವಿನಂತಿ). ಆ್ಯಪ್ ರವಾನಿಸುವುದನ್ನು ಮಾತ್ರ LLM ನೋಡುತ್ತದೆ: ಪ್ರತಿ ಟೂಲ್‌ನ ಹೆಸರು, ವಿವರಣೆ ಮತ್ತು ಇನ್‌ಪುಟ್‌ಗಳು.
2. ಟೂಲ್ ಆಯ್ಕೆ: AI ಮಾದರಿಯು ನಿಮ್ಮ ವಿನಂತಿಯನ್ನು ಆ ವಿವರಣೆಗಳೊಂದಿಗೆ ಹೋಲಿಸಿ, ಸೂಕ್ತವಾದ ಟೂಲ್‌ಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ. ಇಲ್ಲಿ, ಅವು ಪಟ್ಟಿಯನ್ನು ಓದಲು Trello ನ trelloReadList ಮತ್ತು ಇಮೇಲ್ ಬರೆಯಲು Gmail ನ create_draft. ಯಾವ ಪಟ್ಟಿಯನ್ನು ಓದಬೇಕು ಎಂಬಂತಹ ಇನ್‌ಪುಟ್‌ಗಳನ್ನೂ ಅದು ಭರ್ತಿ ಮಾಡುತ್ತದೆ.
3. ಇನ್ವೊಕೇಶನ್: ಟೂಲ್ ಅನ್ನು ರನ್ ಮಾಡಲು ಮಾದರಿಯು ರಚನಾತ್ಮಕ ವಿನಂತಿಯೊಂದಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ (ಈ ಹಂತವನ್ನು "ಫಂಕ್ಷನ್ ಕಾಲಿಂಗ್" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ). ನಿಮ್ಮ AI ಆ್ಯಪ್ ಆ ವಿನಂತಿಯನ್ನು ಸರಿಯಾದ ಸರ್ವರ್‌ಗೆ ಕಳುಹಿಸುತ್ತದೆ (tools/call ವಿನಂತಿ). ಅದು ಆ ಕರೆಯನ್ನು ನಿಮಗೆ ತೋರಿಸಬೇಕು ಮತ್ತು ಅದನ್ನು ನಿರಾಕರಿಸಲು ನಿಮಗೆ ಅವಕಾಶ ನೀಡಬೇಕು.
4. ಫಲಿತಾಂಶಗಳು: ಸರ್ವರ್ ಫಂಕ್ಷನ್ ಅನ್ನು ರನ್ ಮಾಡಿ result ಅನ್ನು ಹಿಂದಕ್ಕೆ ಕಳುಹಿಸುತ್ತದೆ; ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಅದು ನಿಮ್ಮ ಪಟ್ಟಿಯಲ್ಲಿರುವ ಕಾರ್ಡ್‌ಗಳು. ನಿಮ್ಮ AI ಆ್ಯಪ್ ಫಲಿತಾಂಶವನ್ನು ಸಂಭಾಷಣೆಗೆ ಸೇರಿಸುತ್ತದೆ, ಮತ್ತು ಮುಂದೆ ಏನು ಮಾಡಬೇಕು ಎಂಬುದನ್ನು ಮಾದರಿಯು ನಿರ್ಧರಿಸುತ್ತದೆ: ನಿಮಗೆ ಉತ್ತರಿಸುವುದು ಅಥವಾ ಆ ಕಾರ್ಡ್‌ಗಳನ್ನು ಆಧರಿಸಿದ ಇಮೇಲ್‌ನೊಂದಿಗೆ create_draft ನಂತಹ ಇನ್ನೊಂದು ಟೂಲ್ ಅನ್ನು ಕರೆಯುವುದು.
5. ದೋಷ ನಿರ್ವಹಣೆ: ಟೂಲ್ ರನ್ ಆದರೂ ವಿಫಲವಾದರೆ, ಉದಾಹರಣೆಗೆ ಪಟ್ಟಿ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಕಾರಣ, ದೋಷವು ಫಲಿತಾಂಶದ ಭಾಗವಾಗಿ ಹಿಂತಿರುಗುತ್ತದೆ. ಮಾದರಿಯು ಅದನ್ನು ಓದಿ ಬೇರೆ ಇನ್‌ಪುಟ್‌ಗಳೊಂದಿಗೆ ಮತ್ತೆ ಪ್ರಯತ್ನಿಸಬಹುದು. ವಿನಂತಿಯೇ ದೋಷಪೂರಿತವಾಗಿದ್ದರೆ, ಉದಾಹರಣೆಗೆ ಸರ್ವರ್‌ನಲ್ಲಿ ಇಲ್ಲದ ಟೂಲ್ ಅನ್ನು ಅದು ಕರೆದರೆ, ಆ್ಯಪ್‌ಗೆ ಬದಲಿಗೆ ಪ್ರೋಟೋಕಾಲ್ ದೋಷ ಸಿಗುತ್ತದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ ಮಾದರಿಯು ಚೇತರಿಸಿಕೊಳ್ಳುವ ಸಾಧ್ಯತೆ ಕಡಿಮೆ.

ಮುಖ್ಯ ಅಂಶವೆಂದರೆ, ಮಾದರಿಯು ಟೂಲ್‌ಗಳನ್ನು ಅವುಗಳ ವಿವರಣೆಗಳ ಆಧಾರದ ಮೇಲೆ ಮಾತ್ರ ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ, ಮತ್ತು ಸರ್ವರ್‌ಗಳೊಂದಿಗಿನ ಎಲ್ಲಾ ಸಂವಹನವನ್ನು ನಿಮ್ಮ AI ಆ್ಯಪ್ ನಡೆಸುತ್ತದೆ.

ಸಾಮಾನ್ಯ MCP ಟೂಲ್ ಸಮಸ್ಯೆಗಳು ಮತ್ತು ಅವುಗಳನ್ನು ತಪ್ಪಿಸುವುದು ಹೇಗೆ

MCP ಟೂಲ್‌ಗಳ ಸಮಸ್ಯೆಗಳು ನಾಲ್ಕು ಅಂಶಗಳಿಗೆ ಸಂಬಂಧಿಸಿವೆ: ಎಷ್ಟು ಟೂಲ್‌ಗಳು ಸಂಪರ್ಕಗೊಂಡಿವೆ, ಅವುಗಳನ್ನು ಹೇಗೆ ಹೆಸರಿಸಲಾಗಿದೆ ಮತ್ತು ವಿವರಿಸಲಾಗಿದೆ, ಅವು ಎಷ್ಟು ಡೇಟಾವನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತವೆ ಮತ್ತು ಅವು ಯಾವ ಸರ್ವರ್‌ಗಳಿಂದ ಬರುತ್ತವೆ.

ಪ್ರತಿಯೊಂದು ಸಮಸ್ಯೆ ಹೇಗೆ ಕಾಣುತ್ತದೆ ಮತ್ತು ಯಾವುದು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂಬುದು ಇಲ್ಲಿದೆ:

MCP ಟೂಲ್‌ಗಳಿಗೆ ನಿಮ್ಮ ಅನುಮೋದನೆ ಏಕೆ ಬೇಕು?

MCP ಟೂಲ್‌ಗಳಿಗೆ ನಿಮ್ಮ ಅನುಮೋದನೆ ಬೇಕು, ಏಕೆಂದರೆ ಅದಿಲ್ಲದೆ AI ಮಾದರಿಯು ನೀವು ಉದ್ದೇಶಿಸದ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಬಹುದು ಅಥವಾ ನಿಮ್ಮ ನಿಯಂತ್ರಣದಲ್ಲಿಲ್ಲದ ಸರ್ವರ್‌ನೊಂದಿಗೆ ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಹಂಚಿಕೊಳ್ಳಬಹುದು.

ತಪ್ಪಾಗಿ ಅರ್ಥೈಸಿದ ವಿನಂತಿ ಅಥವಾ ಅಸ್ಪಷ್ಟವಾಗಿ ವಿವರಿಸಿದ ಟೂಲ್ ತಪ್ಪು ಕ್ರಿಯೆಯನ್ನು ಪ್ರಚೋದಿಸಬಹುದು. ಅಲ್ಲದೆ, ಪ್ರತಿಯೊಂದು ಕರೆಯು ನಿಮ್ಮ ಕೆಲವು ಮಾಹಿತಿಯನ್ನು ಸರ್ವರ್‌ಗೆ ಕಳುಹಿಸುತ್ತದೆ.

ಅದಕ್ಕಾಗಿಯೇ, ಯಾವುದೇ ಟೂಲ್ ಕರೆಯನ್ನು ನಿರಾಕರಿಸುವ ಸಾಮರ್ಥ್ಯದೊಂದಿಗೆ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಒಬ್ಬ ವ್ಯಕ್ತಿಯನ್ನು ಒಳಗೊಳ್ಳುವಂತೆ AI ಆ್ಯಪ್‌ಗಳಿಂದ ಪ್ರೋಟೋಕಾಲ್ ನಿರೀಕ್ಷಿಸುತ್ತದೆ.

ಟೂಲ್‌ಗಳಿಗೆ ಎಷ್ಟು ಪರಿಶೀಲನೆ ಬೇಕು ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ಅವುಗಳನ್ನು ವಿಂಗಡಿಸಲು ಒಂದು ಪ್ರಾಯೋಗಿಕ ವಿಧಾನ ಇಲ್ಲಿದೆ:

• ಓದುವುದನ್ನು ಮಾತ್ರ ಮಾಡುವ ಕ್ರಿಯೆಗಳು: Trello ನ trelloReadList ಮೂಲಕ ಪಟ್ಟಿಯನ್ನು ಓದುವಂತೆ, ಏನನ್ನಾದರೂ ಹುಡುಕುವುದರಿಂದ ಏನೂ ಬದಲಾಗುವುದಿಲ್ಲ. ಯಾವ ಟೂಲ್ ರನ್ ಆಯಿತು ಮತ್ತು ಅದು ಏನನ್ನು ಹುಡುಕಿತು ಎಂಬುದನ್ನು ನಿಮ್ಮ AI ಆ್ಯಪ್ ತೋರಿಸುವವರೆಗೆ, ಈ ಕರೆಗಳು ಮೊದಲು ಕೇಳದೆಯೇ ರನ್ ಆಗಬಹುದು.
• ರದ್ದುಗೊಳಿಸಬಹುದಾದ ಕ್ರಿಯೆಗಳು: Gmail ನ create_draft ಮೂಲಕ ಇಮೇಲ್ ಕರಡು ರಚಿಸುವುದು ಅಥವಾ Trello ಕಾರ್ಡ್ ಸೇರಿಸುವುದು ನೀವು ಹಿಂತೆಗೆದುಕೊಳ್ಳಬಹುದಾದ ಬದಲಾವಣೆಯನ್ನು ಮಾಡುತ್ತದೆ. ಕರೆ ರನ್ ಆಗುವ ಮೊದಲು ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.
• ರದ್ದುಗೊಳಿಸಲಾಗದ ಕ್ರಿಯೆಗಳು: Gmail ನ send_message ಮೂಲಕ ಇಮೇಲ್ ಕಳುಹಿಸುವುದು, ದಾಖಲೆಗಳನ್ನು ಅಳಿಸುವುದು ಅಥವಾ ಪಾವತಿಗಳು ಇಲ್ಲವೇ ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಒಳಗೊಂಡ ಯಾವುದನ್ನೂ ಹಿಂತೆಗೆದುಕೊಳ್ಳಲು ಸಾಧ್ಯವಿಲ್ಲ. ಇವುಗಳಿಗೆ ಪ್ರತಿ ಬಾರಿಯೂ ಸ್ಪಷ್ಟ ಅನುಮತಿ ನೀಡಿ.

Perplexity ನಲ್ಲಿ MCP ಟೂಲ್‌ಗಳನ್ನು ಬಳಸುವುದು

Perplexity ಎರಡೂ ದಿಕ್ಕುಗಳಲ್ಲಿ MCP ಟೂಲ್‌ಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ: ನೀವು ಸಂಪರ್ಕಿಸುವ MCP ಸರ್ವರ್‌ಗಳ ಟೂಲ್‌ಗಳನ್ನು ಅದು ಬಳಸಬಲ್ಲದು, ಮತ್ತು ತನ್ನದೇ ಆದ ಟೂಲ್‌ಗಳನ್ನು ಇತರ AI ಆ್ಯಪ್‌ಗಳಿಗೆ ಒದಗಿಸುತ್ತದೆ.

• MCP ಸರ್ವರ್‌ಗಳನ್ನು Perplexity ಗೆ ಸಂಪರ್ಕಿಸಿ: Pro, Max ಮತ್ತು Enterprise ಪ್ಲಾನ್‌ಗಳಲ್ಲಿ, MCP ಸರ್ವರ್ ಹೊಂದಿರುವ ಯಾವುದೇ ಬಾಹ್ಯ ಟೂಲ್ ಅಥವಾ ಡೇಟಾ ಮೂಲಕ್ಕೆ ನೀವು Perplexity ಅನ್ನು ಸಂಪರ್ಕಿಸಿ, ಅದನ್ನು ಉತ್ತರಗಳಲ್ಲಿ ಮತ್ತು Perplexity Computer ನ ಏಜೆಂಟ್ ಆಧಾರಿತ ಕಾರ್ಯಪ್ರವಾಹಗಳಲ್ಲಿ ಬಳಸಬಹುದು. Mac ಆ್ಯಪ್‌ನಲ್ಲಿ, ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ ರನ್ ಆಗುವ MCP ಸರ್ವರ್‌ಗಳನ್ನೂ ನೀವು ಸಂಪರ್ಕಿಸಬಹುದು
• ಇತರ AI ಆ್ಯಪ್‌ಗಳಲ್ಲಿ Perplexity ನ ಟೂಲ್‌ಗಳನ್ನು ಬಳಸಿ: Perplexity ನ MCP ಸರ್ವರ್ ರಿಮೋಟ್ MCP ಸರ್ವರ್‌ಗಳನ್ನು ಬೆಂಬಲಿಸುವ Claude Code ನಂತಹ ಯಾವುದೇ AI ಆ್ಯಪ್‌ಗೆ ನಾಲ್ಕು ಟೂಲ್‌ಗಳನ್ನು (perplexity_search, perplexity_ask, perplexity_research ಮತ್ತು perplexity_reason) ಒದಗಿಸುತ್ತದೆ. ಪ್ರತ್ಯೇಕ ಸರ್ವರ್ ಒಂದರ ಮೂಲಕ ಇತರ AI ಆ್ಯಪ್‌ಗಳು ಬಹು-ಹಂತದ ಕಾರ್ಯಗಳನ್ನು Perplexity Computer ಗೆ ಹಸ್ತಾಂತರಿಸಬಹುದು.

MCP ಟೂಲ್‌ಗಳ ಕುರಿತು ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು

MCP ಎಂದರೆ ಕೇವಲ ಟೂಲ್ ಕಾಲಿಂಗ್ ಮಾತ್ರವೇ?

ಇಲ್ಲ, MCP ಕೇವಲ ಟೂಲ್ ಕಾಲಿಂಗ್ ಅಲ್ಲ. ಟೂಲ್ ಕಾಲಿಂಗ್ ಎಂಬುದು ಮಾದರಿಯು ಟೂಲ್‌ಗಾಗಿ ಕೇಳುವ ವಿಧಾನ, ಮತ್ತು MCP ಎಂಬುದು AI ಆ್ಯಪ್ ಟೂಲ್‌ಗಳನ್ನು ಕಂಡುಕೊಂಡು ಪ್ರತಿ ಕರೆಯನ್ನು ಅದನ್ನು ರನ್ ಮಾಡುವ ಸರ್ವರ್‌ಗೆ ರವಾನಿಸುವ ವಿಧಾನ.

ಟೂಲ್ ಕಾಲಿಂಗ್ (ಫಂಕ್ಷನ್ ಕಾಲಿಂಗ್ ಎಂದೂ ಕರೆಯಲಾಗುತ್ತದೆ) ಎಂಬುದು ಕೆಲಸದಲ್ಲಿ AI ಮಾದರಿಯ ಪಾಲು: ಮಾದರಿಯು ಟೂಲ್‌ಗಳ ಪಟ್ಟಿಯನ್ನು ನೋಡಿ, ಅವುಗಳಲ್ಲಿ ಒಂದನ್ನು ರನ್ ಮಾಡುವ ವಿನಂತಿಯೊಂದಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ. ಕೇವಲ ಟೂಲ್ ಕಾಲಿಂಗ್ ಇದ್ದರೆ, ಪ್ರತಿಯೊಂದು AI ಆ್ಯಪ್ ಪ್ರತಿಯೊಂದು ಟೂಲ್ ಅನ್ನು ಸ್ವತಃ ವ್ಯಾಖ್ಯಾನಿಸಿ ರನ್ ಮಾಡಬೇಕಾಗುತ್ತದೆ.

MCP ಯಿಂದಾಗಿ ಟೂಲ್‌ಗಳು ಸರ್ವರ್‌ಗಳಲ್ಲಿ ಇರಬಹುದು, ಹಾಗಾಗಿ MCP ಅನ್ನು ಬೆಂಬಲಿಸುವ ಯಾವುದೇ AI ಆ್ಯಪ್ ಅವುಗಳನ್ನು ತನ್ನ ಮಾದರಿಗೆ ಒದಗಿಸಬಹುದು ಮತ್ತು ಮಾದರಿಯ ವಿನಂತಿಗಳನ್ನು ಸರಿಯಾದ ಸರ್ವರ್‌ಗೆ ಕಳುಹಿಸಬಹುದು.

MCP, API ಗಳ ಸ್ಥಾನವನ್ನು ಆಕ್ರಮಿಸುತ್ತದೆಯೇ?

ಇಲ್ಲ, MCP, API ಗಳ ಸ್ಥಾನವನ್ನು ಆಕ್ರಮಿಸುವುದಿಲ್ಲ, ಏಕೆಂದರೆ MCP ಮತ್ತು API ಗಳು ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತವೆ. MCP ಟೂಲ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಈಗಾಗಲೇ ಇರುವ API ಗಳ ಮೇಲೆ ನಿರ್ಮಿತವಾಗಿರುತ್ತವೆ, ಮತ್ತು ಮಾದರಿಯು ಟೂಲ್ ಅನ್ನು ಕರೆದಾಗ, MCP ಸರ್ವರ್ ಸಾಮಾನ್ಯವಾಗಿ API ವಿನಂತಿಯನ್ನು ಮಾಡುತ್ತದೆ.

ಯಾವ AI ಆ್ಯಪ್‌ಗಳು MCP ಟೂಲ್‌ಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ?

MCP ಟೂಲ್‌ಗಳು Claude, ChatGPT ಮತ್ತು Perplexity ನಂತಹ AI ಸಹಾಯಕಗಳಲ್ಲಿ ಹಾಗೂ Visual Studio Code ಮತ್ತು Cursor ನಂತಹ ಡೆವಲಪ್‌ಮೆಂಟ್ ಟೂಲ್‌ಗಳಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ. MCP ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಇವುಗಳನ್ನು ಹೆಸರಿಸುತ್ತದೆ ಮತ್ತು ಇತರ ಅನೇಕ ಆ್ಯಪ್‌ಗಳೂ ಇವುಗಳನ್ನು ಬೆಂಬಲಿಸುತ್ತವೆ ಎಂದು ತಿಳಿಸುತ್ತದೆ.

AI ಮಾದರಿಯೇ MCP ಅನ್ನು ಬೆಂಬಲಿಸಬೇಕೇ?

ಇಲ್ಲ. ಪ್ರೋಟೋಕಾಲ್ ಅನ್ನು ನಿಮ್ಮ AI ಆ್ಯಪ್ ನಿರ್ವಹಿಸುವುದರಿಂದ AI ಮಾದರಿಯು MCP ಅನ್ನು ಬೆಂಬಲಿಸಬೇಕಾಗಿಲ್ಲ. ಆ್ಯಪ್ ಸರ್ವರ್‌ಗಳಿಗೆ ಸಂಪರ್ಕಿಸುತ್ತದೆ, ಅವುಗಳ ಟೂಲ್‌ಗಳನ್ನು ಮಾದರಿಗೆ ರವಾನಿಸುತ್ತದೆ ಮತ್ತು ಮಾದರಿಯ ಟೂಲ್ ವಿನಂತಿಗಳನ್ನು ಸರಿಯಾದ ಸರ್ವರ್‌ಗೆ ಮರಳಿ ಕಳುಹಿಸುತ್ತದೆ. ಮಾದರಿಯು ಫಂಕ್ಷನ್ ಕಾಲಿಂಗ್ ಅನ್ನು ಬೆಂಬಲಿಸಿದರೆ ಸಾಕು.

MCP ಹಳತಾಗುತ್ತಿದೆಯೇ?

ಇಲ್ಲ, MCP ಇನ್ನೂ ಸಕ್ರಿಯ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿದೆ. ಇದರ ನಿರ್ವಾಹಕರು ಜುಲೈ 2026 ರಲ್ಲಿ MCP ಸ್ಪೆಸಿಫಿಕೇಶನ್‌ನ ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದರು ಮತ್ತು ಆಗಸ್ಟ್ 2026 ರಲ್ಲಿ ಅಪ್‌ಡೇಟ್ ಮಾಡಿದ ರೋಡ್‌ಮ್ಯಾಪ್ ಅನ್ನು ಪ್ರಕಟಿಸಿದರು; ಸಂಭಾಷಣೆಯ ವ್ಯಾಪ್ತಿ ಕಿರಿದಾದಂತೆ ಸರ್ವರ್‌ಗಳು ತಮ್ಮ ಟೂಲ್‌ಗಳನ್ನು ಹಂತಹಂತವಾಗಿ ಬಹಿರಂಗಪಡಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಕೆಲಸವೂ ಇದರಲ್ಲಿ ಸೇರಿದೆ.