MCP ടൂളുകൾ എന്താണ്, AI മോഡലുകൾ അവ എങ്ങനെ ഉപയോഗിക്കുന്നു?

സംഭാഷണത്തിന് പുറത്ത് ഒരു ജോലി ചെയ്യാൻ AI മോഡലിന് വിളിക്കാവുന്ന ഫംഗ്ഷനുകളാണ് MCP ടൂളുകൾ. ഉദാഹരണത്തിന്, നിങ്ങളുടെ കുറിപ്പുകളിൽ തിരയുക അല്ലെങ്കിൽ ഒരു ഡാറ്റാബേസിൽ ക്വറി ചെയ്യുക. ഓരോ ടൂളും ഒരു MCP (Model Context Protocol) സെർവറിലാണ് ഉള്ളത്; അതിന് ഒരു പേരും ഹ്രസ്വമായ ഒരു വിവരണവും ഉണ്ട്, അത് എപ്പോൾ ഉപയോഗിക്കണമെന്ന് തീരുമാനിക്കാൻ ഇവ മോഡലിനെ സഹായിക്കുന്നു.

"MCP ടൂൾ" എന്ന പദം മറ്റ് അർത്ഥങ്ങളിലും ഉപയോഗിക്കാറുണ്ട്. ദൈനംദിന ഉപയോഗത്തിൽ, MCP സെർവറുകളെയോ (ടൂളുകൾ ലഭ്യമാക്കുന്ന ആപ്ലിക്കേഷനുകൾ) ആ സെർവറുകൾ പട്ടികപ്പെടുത്തുന്ന ഡയറക്ടറികളെയോ ഉദ്ദേശിച്ചും ആളുകൾ "MCP ടൂളുകൾ" എന്ന് പറയാറുണ്ട്. ഒരു MCP സെർവറിലെ ടൂളുകൾ ലിസ്റ്റ് ചെയ്യാനും വിളിക്കാനുമുള്ള ഒരു കമാൻഡ്-ലൈൻ പ്രോഗ്രാമിന്റെ പേരും MCP Tools എന്നാണ്.

ഈ ഗൈഡ് പ്രോട്ടോക്കോൾ ഫംഗ്ഷനുകളെക്കുറിച്ചാണ്, സെർവറുകൾ, ഡയറക്ടറികൾ, കമാൻഡ് ലൈനുകൾ എന്നിവയെക്കുറിച്ചല്ല. ഒരു ടൂളിൽ എന്തൊക്കെ ഉൾപ്പെടുന്നു, സെർവറുകൾ ലഭ്യമാക്കുന്ന ടൂളുകളുടെ തരങ്ങൾ, റിസോഴ്സുകൾ, പ്രോംപ്റ്റുകൾ, ഫംഗ്ഷൻ കോളിംഗ് എന്നിവയിൽ നിന്ന് ടൂളുകൾ എങ്ങനെ വ്യത്യസ്തമാണ് എന്നിവ ഇത് വിശദീകരിക്കുന്നു. തുടർന്ന് ഒരു ടൂൾ ഉപയോഗിക്കാൻ മോഡൽ കടന്നുപോകുന്ന ഘട്ടങ്ങൾ വിവരിക്കുകയും, ടൂളുകളുടെ ഉപയോഗവുമായി ബന്ധപ്പെട്ട ഏറ്റവും സാധാരണമായ പ്രശ്നങ്ങൾ ചർച്ച ചെയ്ത് അവസാനിക്കുകയും ചെയ്യുന്നു.

MCP ടൂളുകൾ എന്താണ്?

മറ്റ് സോഫ്റ്റ്‌വെയർ ആപ്ലിക്കേഷനുകളുമായി ചേർന്ന് ജോലികൾ പൂർത്തിയാക്കാൻ AI മോഡലുകളെ അനുവദിക്കുന്ന ഒരു ഫംഗ്ഷനാണ് MCP ടൂൾ. ഉദാഹരണത്തിന്, എന്റെ AI ഏജന്റുകളും വർക്ക്ഫ്ലോകളും Gmail-ൽ ഇമെയിലുകൾ ഡ്രാഫ്റ്റ് ചെയ്യാനും (create_draft), Trello കാർഡുകൾ സൃഷ്ടിക്കാനും (trelloWriteCard), DataForSEO-യിൽ നിന്ന് തത്സമയ തിരയൽ ഫലങ്ങൾ എടുക്കാനും (serp_organic_live_advanced) MCP ടൂളുകൾ ഉപയോഗിക്കുന്നു. ഇവ ചില ഉദാഹരണങ്ങൾ മാത്രം.

സോഫ്റ്റ്‌വെയർ ആപ്പുകൾ പലപ്പോഴും അവയുടെ MCP സെർവറുകളിൽ ഒന്നിലധികം MCP ടൂളുകൾ ലഭ്യമാക്കുന്നു. ഉദാഹരണത്തിന്, Trello MCP സെർവറിൽ നിലവിൽ 14 MCP ടൂളുകളുണ്ട്; ബോർഡുകൾ, ലിസ്റ്റുകൾ, ചെക്ക്‌ലിസ്റ്റുകൾ, കാർഡുകൾ എന്നിവയും മറ്റും വായിക്കാനും അപ്‌ഡേറ്റ് ചെയ്യാനും ഇവ AI മോഡലുകളെ പ്രാപ്തമാക്കുന്നു.

ടൂളുകൾ എങ്ങനെ വിവരിക്കണം, എങ്ങനെ ലഭ്യമാക്കണം എന്നത് MCP മാനദണ്ഡീകരിക്കുന്നതിനാൽ, ഈ പ്രോട്ടോക്കോൾ പിന്തുണയ്ക്കുന്ന ഏത് AI ആപ്പിനും ഒരേ MCP ടൂൾ ഉപയോഗിക്കാനാകും.

ഒരു MCP ടൂളിൽ എന്തൊക്കെ ഉൾപ്പെടുന്നു

ഓരോ MCP ടൂളിനും മൂന്ന് ഘടകങ്ങളുണ്ട്:

• പേര്: ടൂൾ വിളിക്കുമ്പോൾ മോഡൽ ഉപയോഗിക്കുന്ന ഒരു ഹ്രസ്വ ഐഡന്റിഫയർ (ഉദാ. Google Calendar-ലെ get_event).
• വിവരണം: ടൂൾ എന്താണ് ചെയ്യുന്നതെന്നും എപ്പോഴാണ് അത് ഉപയോഗപ്രദമാകുന്നതെന്നും ലളിതമായ ഭാഷയിൽ നൽകുന്ന വിശദീകരണം. ടൂൾ നിങ്ങളുടെ അഭ്യർത്ഥനയ്ക്ക് യോജിക്കുന്നുണ്ടോ എന്ന് തീരുമാനിക്കാൻ ലാർജ് ലാംഗ്വേജ് മോഡൽ (LLM) ഇത് വായിക്കുന്നു (ഉദാ. "Returns a single event on the given calendar.").
• ഇൻപുട്ടുകൾ: ടൂൾ പ്രവർത്തിക്കാൻ ആവശ്യമായ വിവരങ്ങൾ, ഉദാഹരണത്തിന് കുറിപ്പുകൾ തിരയുന്നതിനായി ഒരു ക്ലയന്റിന്റെ പേരും ഒരു തീയതിയും. ഇത് JSON-ലാണ് എഴുതുന്നത്; ഓരോ ഇൻപുട്ടിന്റെയും രൂപം (ടെക്സ്റ്റ്, നമ്പർ, അല്ലെങ്കിൽ ലിസ്റ്റ്) നിശ്ചയിക്കുന്നതിനാൽ ഡെവലപ്പർമാർ ഇതിനെ ഇൻപുട്ട് സ്കീമ എന്ന് വിളിക്കുന്നു.

വലുതാക്കുക

ചില ടൂളുകൾ അധിക മെറ്റാഡാറ്റയും ചേർക്കുന്നു: ഒരു ഡിസ്‌പ്ലേ നാമം, അവ തിരികെ നൽകുന്ന ഫലങ്ങളുടെ വിവരണം (ഔട്ട്‌പുട്ട് സ്കീമ), ടൂൾ എങ്ങനെ പെരുമാറുന്നു എന്നതിനെക്കുറിച്ചുള്ള അനോട്ടേഷനുകൾ.

ഒരു ടൂളിന് പിന്നിലെ കോഡ് AI മോഡൽ ഒരിക്കലും കാണുന്നില്ല. ടൂൾ തന്നെക്കുറിച്ച് പറയുന്ന കാര്യങ്ങളെ അടിസ്ഥാനമാക്കിയാണ് മോഡൽ പ്രവർത്തിക്കുന്നത്; അതിനാൽ അവ്യക്തമായ ഒരു പേരോ വിവരണമോ മോഡൽ തെറ്റായ ടൂൾ തിരഞ്ഞെടുക്കാൻ കാരണമാകുന്നു.

ഏതൊക്കെ തരം MCP ടൂളുകളുണ്ട്

ചെയ്യുന്ന ജോലിയുടെ അടിസ്ഥാനത്തിൽ MCP ടൂളുകളെ നാല് വിഭാഗങ്ങളായി തിരിക്കാം:

• തിരയൽ, ലുക്കപ്പ് ടൂളുകൾ: വിവരങ്ങൾ കണ്ടെത്തുകയോ വീണ്ടെടുക്കുകയോ ചെയ്യുന്നു (ഉദാ. കുറിപ്പുകൾ തിരയുക, ഒരു ഫയൽ വായിക്കുക, അല്ലെങ്കിൽ ഒരു ഡാറ്റാബേസിൽ ക്വറി ചെയ്യുക).
• ആക്ഷൻ ടൂളുകൾ: മറ്റൊരു ആപ്പിൽ എന്തെങ്കിലും സൃഷ്ടിക്കുകയോ മാറ്റുകയോ ചെയ്യുന്നു (ഉദാ. ഒരു ടാസ്ക് ചേർക്കുക, ഒരു കലണ്ടർ ഇവന്റ് സൃഷ്ടിക്കുക, ഒരു സപ്പോർട്ട് ടിക്കറ്റ് തുറക്കുക, അല്ലെങ്കിൽ ഒരു ഇമെയിൽ അയയ്ക്കുക).
• ഡാറ്റ പ്രോസസ്സിംഗ് ടൂളുകൾ: ഡാറ്റ രൂപാന്തരപ്പെടുത്തുകയോ വിശകലനം ചെയ്യുകയോ ചെയ്യുന്നു (ഉദാ. ഒരു സ്പ്രെഡ്‌ഷീറ്റ് ഫയൽ വിശകലനം ചെയ്യുക അല്ലെങ്കിൽ ഒരു കണക്കുകൂട്ടൽ നടത്തുക).
• സിസ്റ്റം ടൂളുകൾ: ലോക്കൽ സിസ്റ്റവുമായി സംവദിക്കുന്നു (ഉദാ. ഒരു ടെർമിനലിൽ ഒരു കമാൻഡ് എക്സിക്യൂട്ട് ചെയ്യുക).

MCP ടൂളുകളും റിസോഴ്സുകളും & പ്രോംപ്റ്റുകളും തമ്മിലുള്ള വ്യത്യാസം

MCP ടൂളുകൾക്ക് പുറമേ, ഒരു MCP സെർവറിന് മറ്റ് രണ്ട് തരം അടിസ്ഥാന ഘടകങ്ങളും ലഭ്യമാക്കാനാകും; പ്രോട്ടോക്കോൾ ഇവയെ പ്രിമിറ്റീവുകൾ എന്ന് വിളിക്കുന്നു: റിസോഴ്സുകളും പ്രോംപ്റ്റുകളും.

വലുതാക്കുക

ഉദാഹരണത്തിന്, GitHub-ന്റെ ഔദ്യോഗിക MCP സെർവർ ഇവ ലഭ്യമാക്കുന്നു:

• ഇഷ്യൂകൾ സൃഷ്ടിക്കുകയോ അപ്‌ഡേറ്റ് ചെയ്യുകയോ ചെയ്യുന്ന issue_write എന്ന ടൂൾ,
• ഒരു റിപ്പോസിറ്ററിയിലെ ഫയലുകളിലേക്ക് ആക്സസ് നൽകുന്ന repository_content എന്ന റിസോഴ്സ്,
• ഒരു പ്രശ്നം ഇഷ്യൂ ആയി റിപ്പോർട്ട് ചെയ്യാനും അത് പരിഹരിക്കാൻ GitHub-ന്റെ Copilot കോഡിംഗ് ഏജന്റിനെക്കൊണ്ട് ഒരു pull request സൃഷ്ടിക്കാനുമുള്ള ഘട്ടങ്ങൾ സജ്ജമാക്കുന്ന issue_to_fix_workflow എന്ന പ്രോംപ്റ്റ്.

ഓരോന്നും എന്ത് ചെയ്യുന്നു എന്നതും, ഏത് എപ്പോൾ ഉപയോഗിക്കണമെന്ന് ആരാണ് തീരുമാനിക്കുന്നത് എന്നതുമാണ് വ്യത്യാസം: നിങ്ങൾ, നിങ്ങൾ ഉപയോഗിക്കുന്ന AI ആപ്പ് (ഉദാ. Perplexity), അല്ലെങ്കിൽ ആ ആപ്പിനുള്ളിൽ പ്രവർത്തിക്കുന്ന AI മോഡൽ.

• ഒരു MCP ടൂൾ പ്രവർത്തനങ്ങൾ നടത്തുകയോ വിവരങ്ങൾ തിരയുകയോ ചെയ്യുന്നു. ഒരു ടൂൾ എപ്പോൾ വിളിക്കണമെന്ന് AI മോഡൽ സ്വയം തീരുമാനിക്കുന്നു, നിങ്ങളുടെ AI ആപ്പ് ആ കോൾ സെർവറിലേക്ക് കൈമാറുന്നു. നിങ്ങളുടെ AI മോഡൽ ടൂളുകൾ തിരഞ്ഞെടുക്കുന്നു; നിങ്ങളുടെ AI ആപ്പ് ഓരോ കോളും നിങ്ങളെ കാണിക്കുകയും അത് നിരസിക്കാൻ നിങ്ങളെ അനുവദിക്കുകയും വേണം.
• ഒരു റിസോഴ്സ് എന്നത് MCP സെർവറിൽ ലഭ്യമായ ഉള്ളടക്കമാണ്, ഉദാഹരണത്തിന് ഒരു ഫയൽ അല്ലെങ്കിൽ ഒരു കൂട്ടം റെക്കോർഡുകൾ; ഓരോന്നിനും അതിന്റേതായ വിലാസം (ഒരു URI) ഉണ്ട്. സെർവറിൽ ഏതൊക്കെ റിസോഴ്സുകൾ ഉണ്ടെന്ന് നിങ്ങളുടെ AI ആപ്പ് ചോദിക്കുന്നു, ആവശ്യമുള്ളത് അതിന്റെ വിലാസം ഉപയോഗിച്ച് വായിക്കുന്നു, ആ ഉള്ളടക്കം കോൺടെക്സ്റ്റായി സംഭാഷണത്തിലേക്ക് ചേർക്കുന്നു.
• ഒരു പ്രോംപ്റ്റ് എന്നത് സെർവർ നൽകുന്ന, തയ്യാറാക്കിവെച്ച ഒരു സന്ദേശ ടെംപ്ലേറ്റാണ്; ചിലപ്പോൾ നിങ്ങൾ പൂരിപ്പിക്കേണ്ട ഒഴിഞ്ഞ ഭാഗങ്ങളും അതിൽ ഉണ്ടാകും. നിങ്ങളുടെ AI ആപ്പ് ലഭ്യമായ പ്രോംപ്റ്റുകൾ കാണിക്കുന്നു, നിങ്ങൾ അവയിലൊന്ന് തിരഞ്ഞെടുക്കുന്നു, പലപ്പോഴും ഒരു സ്ലാഷ് കമാൻഡായി.

AI മോഡലുകൾ MCP ടൂളുകൾ എങ്ങനെ ഉപയോഗിക്കുന്നു

ഒരു AI മോഡൽ അഞ്ച് ഘട്ടങ്ങളിലായാണ് ഒരു MCP ടൂൾ ഉപയോഗിക്കുന്നത്: ഡിസ്കവറി, ടൂൾ തിരഞ്ഞെടുപ്പ്, ഇൻവോക്കേഷൻ, ഫലങ്ങൾ, എറർ കൈകാര്യം ചെയ്യൽ. മോഡലിനും സെർവറിനും ഇടയിലുള്ള എല്ലാ കാര്യങ്ങളും കൈമാറുന്നത് നിങ്ങളുടെ AI ആപ്പാണ്.

വലുതാക്കുക

നിങ്ങളുടെ Trello-യിലെ "This week" ലിസ്റ്റ് പരിശോധിച്ച്, ഒരു അപ്‌ഡേറ്റുമായി നിങ്ങളുടെ എഡിറ്റർക്ക് ഒരു ഇമെയിൽ ഡ്രാഫ്റ്റ് ചെയ്യാൻ നിങ്ങളുടെ AI ആപ്പിനോട് ആവശ്യപ്പെടുന്നു എന്ന് കരുതുക. തുടക്കം മുതൽ ഒടുക്കം വരെ സംഭവിക്കുന്നത് ഇതാണ്:

1. ഡിസ്കവറി: നിങ്ങളുടെ AI ആപ്പ് MCP ക്ലയന്റുകൾ വഴി ഒരു MCP സെർവറുമായി കണക്റ്റ് ചെയ്യുമ്പോൾ, സെർവറിൽ ലഭ്യമായ ടൂളുകളുടെ ലിസ്റ്റ് അത് ആവശ്യപ്പെടുന്നു (tools/list എന്ന് വിളിക്കുന്ന ഒരു അഭ്യർത്ഥന). ആപ്പ് കൈമാറുന്നത് മാത്രമേ LLM കാണുന്നുള്ളൂ: ഓരോ ടൂളിന്റെയും പേര്, വിവരണം, ഇൻപുട്ടുകൾ.
2. ടൂൾ തിരഞ്ഞെടുപ്പ്: AI മോഡൽ നിങ്ങളുടെ അഭ്യർത്ഥനയെ ആ വിവരണങ്ങളുമായി താരതമ്യം ചെയ്ത് യോജിക്കുന്ന ടൂളുകൾ തിരഞ്ഞെടുക്കുന്നു. ഇവിടെ, ലിസ്റ്റ് വായിക്കാൻ Trello-യുടെ trelloReadList-ഉം ഇമെയിൽ എഴുതാൻ Gmail-ന്റെ create_draft-ഉം ആണ് അവ. ഏത് ലിസ്റ്റ് വായിക്കണം എന്നതുപോലുള്ള ഇൻപുട്ടുകളും മോഡൽ പൂരിപ്പിക്കുന്നു.
3. ഇൻവോക്കേഷൻ: ടൂൾ പ്രവർത്തിപ്പിക്കാനുള്ള ഒരു ഘടനാപരമായ അഭ്യർത്ഥനയുമായി മോഡൽ മറുപടി നൽകുന്നു ("ഫംഗ്ഷൻ കോളിംഗ്" എന്ന് വിളിക്കുന്ന ഒരു ഘട്ടം). നിങ്ങളുടെ AI ആപ്പ് ആ അഭ്യർത്ഥന ശരിയായ സെർവറിലേക്ക് അയയ്ക്കുന്നു (ഒരു tools/call അഭ്യർത്ഥന). ആപ്പ് ആ കോൾ നിങ്ങളെ കാണിക്കുകയും അത് നിരസിക്കാൻ അനുവദിക്കുകയും വേണം.
4. ഫലങ്ങൾ: സെർവർ ഫംഗ്ഷൻ പ്രവർത്തിപ്പിച്ച് result തിരികെ അയയ്ക്കുന്നു, ഇവിടെ അത് നിങ്ങളുടെ ലിസ്റ്റിലെ കാർഡുകളാണ്. നിങ്ങളുടെ AI ആപ്പ് ഫലം സംഭാഷണത്തിലേക്ക് ചേർക്കുന്നു, അടുത്തതായി എന്ത് ചെയ്യണമെന്ന് മോഡൽ തീരുമാനിക്കുന്നു: നിങ്ങൾക്ക് മറുപടി നൽകുക, അല്ലെങ്കിൽ ആ കാർഡുകളെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു ഇമെയിലുമായി create_draft പോലുള്ള മറ്റൊരു ടൂൾ വിളിക്കുക.
5. എറർ കൈകാര്യം ചെയ്യൽ: ടൂൾ പ്രവർത്തിക്കുകയും എന്നാൽ പരാജയപ്പെടുകയും ചെയ്താൽ, ഉദാഹരണത്തിന് ലിസ്റ്റ് നിലവിലില്ലാത്തതിനാൽ, ആ എറർ ഫലത്തിന്റെ ഭാഗമായി തിരികെ വരുന്നു. മോഡലിന് അത് വായിച്ച് വ്യത്യസ്ത ഇൻപുട്ടുകളോടെ വീണ്ടും ശ്രമിക്കാനാകും. അഭ്യർത്ഥന തന്നെ തകരാറിലാണെങ്കിൽ, ഉദാഹരണത്തിന് സെർവറിൽ ഇല്ലാത്ത ഒരു ടൂളിനെയാണ് അത് വിളിക്കുന്നതെങ്കിൽ, ആപ്പിന് പകരം ഒരു പ്രോട്ടോക്കോൾ എറർ ലഭിക്കുന്നു. ഇതിൽ നിന്ന് കരകയറാൻ മോഡലിന് സാധ്യത കുറവാണ്.

പ്രധാന കാര്യം ഇതാണ്: മോഡൽ ടൂളുകൾ തിരഞ്ഞെടുക്കുന്നത് അവയുടെ വിവരണങ്ങൾ മാത്രം നോക്കിയാണ്, സെർവറുകളുമായുള്ള എല്ലാ ആശയവിനിമയവും നടത്തുന്നത് നിങ്ങളുടെ AI ആപ്പാണ്.

MCP ടൂളുകളിലെ സാധാരണ പ്രശ്നങ്ങളും അവ എങ്ങനെ ഒഴിവാക്കാമെന്നും

MCP ടൂളുകളിലെ പ്രശ്നങ്ങൾ നാല് കാര്യങ്ങളിലേക്കാണ് ചുരുങ്ങുന്നത്: എത്ര ടൂളുകൾ കണക്റ്റ് ചെയ്തിട്ടുണ്ട്, അവയ്ക്ക് എങ്ങനെ പേരും വിവരണവും നൽകിയിരിക്കുന്നു, അവ എത്ര ഡാറ്റ തിരികെ നൽകുന്നു, ഏത് സെർവറുകളിൽ നിന്നാണ് അവ വരുന്നത്.

ഓരോ പ്രശ്നവും എങ്ങനെയിരിക്കുമെന്നും എന്താണ് സഹായിക്കുന്നതെന്നും ഇതാ:

MCP ടൂളുകൾക്ക് നിങ്ങളുടെ അംഗീകാരം ആവശ്യമായിരിക്കുന്നത് എന്തുകൊണ്ട്?

MCP ടൂളുകൾക്ക് നിങ്ങളുടെ അംഗീകാരം ആവശ്യമാണ്, കാരണം അതില്ലാതെ, നിങ്ങൾ ഉദ്ദേശിക്കാത്ത മാറ്റങ്ങൾ AI മോഡൽ വരുത്തുകയോ നിങ്ങൾക്ക് നിയന്ത്രണമില്ലാത്ത ഒരു സെർവറുമായി സെൻസിറ്റീവ് ഡാറ്റ പങ്കിടുകയോ ചെയ്തേക്കാം.

തെറ്റായി മനസ്സിലാക്കിയ ഒരു അഭ്യർത്ഥനയോ അവ്യക്തമായി വിവരിച്ച ഒരു ടൂളോ തെറ്റായ പ്രവർത്തനത്തിന് കാരണമാകാം. ഓരോ കോളും നിങ്ങളുടെ ചില വിവരങ്ങൾ ഒരു സെർവറിലേക്ക് അയയ്ക്കുകയും ചെയ്യുന്നു.

അതുകൊണ്ടാണ്, ഏത് ടൂൾ കോളും നിരസിക്കാനുള്ള കഴിവോടെ, ഒരു വ്യക്തിയെ പ്രക്രിയയിൽ ഉൾപ്പെടുത്തണമെന്ന് പ്രോട്ടോക്കോൾ AI ആപ്പുകളിൽ നിന്ന് പ്രതീക്ഷിക്കുന്നത്.

ഓരോ ടൂളിനും എത്രത്തോളം പരിശോധന ആവശ്യമാണ് എന്നതിനനുസരിച്ച് ടൂളുകളെ തരംതിരിക്കാനുള്ള ഒരു പ്രായോഗിക മാർഗം ഇതാ:

• വായിക്കുക മാത്രം ചെയ്യുന്ന പ്രവർത്തനങ്ങൾ: Trello-യുടെ trelloReadList ഉപയോഗിച്ച് ഒരു ലിസ്റ്റ് വായിക്കുന്നത് പോലെ, എന്തെങ്കിലും തിരയുന്നത് ഒന്നും മാറ്റുന്നില്ല. ഏത് ടൂളാണ് പ്രവർത്തിച്ചതെന്നും അത് എന്താണ് തിരഞ്ഞതെന്നും നിങ്ങളുടെ AI ആപ്പ് കാണിക്കുന്നിടത്തോളം, ഈ കോളുകൾ മുൻകൂട്ടി ചോദിക്കാതെ തന്നെ പ്രവർത്തിക്കാം.
• പഴയപടിയാക്കാവുന്ന പ്രവർത്തനങ്ങൾ: Gmail-ന്റെ create_draft ഉപയോഗിച്ച് ഒരു ഇമെയിൽ ഡ്രാഫ്റ്റ് സൃഷ്ടിക്കുന്നതോ ഒരു Trello കാർഡ് ചേർക്കുന്നതോ, നിങ്ങൾക്ക് പഴയപടിയാക്കാവുന്ന ഒരു മാറ്റമാണ് വരുത്തുന്നത്. കോൾ പ്രവർത്തിക്കുന്നതിന് മുമ്പ് ഇൻപുട്ടുകൾ പരിശോധിക്കുക.
• പഴയപടിയാക്കാനാകാത്ത പ്രവർത്തനങ്ങൾ: Gmail-ന്റെ send_message ഉപയോഗിച്ച് ഒരു ഇമെയിൽ അയയ്ക്കുന്നത്, റെക്കോർഡുകൾ ഇല്ലാതാക്കുന്നത്, അല്ലെങ്കിൽ പേയ്‌മെന്റുകളോ സെൻസിറ്റീവ് ഡാറ്റയോ ഉൾപ്പെടുന്ന ഏതൊരു കാര്യവും പഴയപടിയാക്കാനാകില്ല. ഓരോ തവണയും ഇവയ്ക്ക് വ്യക്തമായ അനുമതി നൽകുക.

Perplexity-യിൽ MCP ടൂളുകൾ ഉപയോഗിക്കുന്നത്

Perplexity ഇരു ദിശകളിലും MCP ടൂളുകളുമായി പ്രവർത്തിക്കുന്നു: നിങ്ങൾ കണക്റ്റ് ചെയ്യുന്ന MCP സെർവറുകളിൽ നിന്നുള്ള ടൂളുകൾ ഇതിന് ഉപയോഗിക്കാനാകും, കൂടാതെ ഇത് സ്വന്തം ടൂളുകൾ മറ്റ് AI ആപ്പുകൾക്ക് ലഭ്യമാക്കുകയും ചെയ്യുന്നു.

• MCP സെർവറുകൾ Perplexity-യുമായി കണക്റ്റ് ചെയ്യുക: Pro, Max, Enterprise പ്ലാനുകളിൽ, MCP സെർവറുള്ള ഏത് ബാഹ്യ ടൂളുമായോ ഡാറ്റാ ഉറവിടവുമായോ Perplexity കണക്റ്റ് ചെയ്യാനും അത് ഉത്തരങ്ങളിലും Perplexity Computer ഏജന്റിക് വർക്ക്ഫ്ലോകളിലും ഉപയോഗിക്കാനും നിങ്ങൾക്ക് കഴിയും. Mac ആപ്പിൽ, നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ പ്രവർത്തിക്കുന്ന MCP സെർവറുകളും കണക്റ്റ് ചെയ്യാം
• മറ്റ് AI ആപ്പുകളിൽ Perplexity-യുടെ ടൂളുകൾ ഉപയോഗിക്കുക: Perplexity-യുടെ MCP സെർവർ, റിമോട്ട് MCP സെർവറുകളെ പിന്തുണയ്ക്കുന്ന Claude Code പോലുള്ള ഏത് AI ആപ്പിനും നാല് ടൂളുകൾ (perplexity_search, perplexity_ask, perplexity_research, perplexity_reason) ലഭ്യമാക്കുന്നു. മൾട്ടി-സ്റ്റെപ്പ് ടാസ്കുകൾ Perplexity Computer-ന് കൈമാറാൻ മറ്റ് AI ആപ്പുകളെ ഒരു പ്രത്യേക സെർവർ അനുവദിക്കുന്നു.

MCP ടൂളുകൾ: പതിവ് ചോദ്യങ്ങൾ

MCP എന്നത് വെറും ടൂൾ കോളിംഗ് മാത്രമാണോ?

അല്ല, MCP വെറും ടൂൾ കോളിംഗ് മാത്രമല്ല. ഒരു ടൂളിനായി മോഡൽ ആവശ്യപ്പെടുന്ന രീതിയാണ് ടൂൾ കോളിംഗ്; AI ആപ്പ് ടൂളുകൾ കണ്ടെത്തുകയും ഓരോ കോളും അത് പ്രവർത്തിപ്പിക്കുന്ന സെർവറിലേക്ക് റൂട്ട് ചെയ്യുകയും ചെയ്യുന്ന രീതിയാണ് MCP.

ടൂൾ കോളിംഗ് (ഫംഗ്ഷൻ കോളിംഗ് എന്നും അറിയപ്പെടുന്നു) എന്നത് ഈ ജോലിയിൽ AI മോഡലിന്റെ പങ്കാണ്: മോഡൽ ടൂളുകളുടെ ഒരു ലിസ്റ്റ് കാണുകയും അവയിലൊന്ന് പ്രവർത്തിപ്പിക്കാനുള്ള അഭ്യർത്ഥനയുമായി മറുപടി നൽകുകയും ചെയ്യുന്നു. ടൂൾ കോളിംഗ് മാത്രം ഉപയോഗിക്കുമ്പോൾ, ഓരോ AI ആപ്പും ഓരോ ടൂളും സ്വയം നിർവചിക്കുകയും പ്രവർത്തിപ്പിക്കുകയും വേണം.

ടൂളുകൾ സെർവറുകളിൽ നിലനിൽക്കാൻ MCP അനുവദിക്കുന്നു, അതിനാൽ MCP പിന്തുണയ്ക്കുന്ന ഏത് AI ആപ്പിനും അവ തങ്ങളുടെ മോഡലിന് ലഭ്യമാക്കാനും മോഡലിന്റെ അഭ്യർത്ഥനകൾ ശരിയായ സെർവറിലേക്ക് അയയ്ക്കാനും കഴിയും.

MCP, API-കൾക്ക് പകരമാകുമോ?

ഇല്ല, MCP, API-കൾക്ക് പകരമാകില്ല, കാരണം MCP-യും API-കളും ഒരുമിച്ചാണ് പ്രവർത്തിക്കുന്നത്. MCP ടൂളുകൾ പലപ്പോഴും നിലവിലുള്ള API-കൾക്ക് മുകളിലാണ് പ്രവർത്തിക്കുന്നത്, മോഡൽ ഒരു ടൂൾ വിളിക്കുമ്പോൾ MCP സെർവർ സാധാരണയായി ഒരു API അഭ്യർത്ഥന നടത്തുന്നു.

ഏതൊക്കെ AI ആപ്പുകൾ MCP ടൂളുകളെ പിന്തുണയ്ക്കുന്നു?

Claude, ChatGPT, Perplexity പോലുള്ള AI അസിസ്റ്റന്റുകളിലും Visual Studio Code, Cursor പോലുള്ള ഡെവലപ്‌മെന്റ് ടൂളുകളിലും MCP ടൂളുകൾ പ്രവർത്തിക്കുന്നു. MCP ഡോക്യുമെന്റേഷൻ ഇവയുടെ പേരുകൾ പരാമർശിക്കുകയും മറ്റ് പല ആപ്പുകളും MCP പിന്തുണയ്ക്കുന്നുണ്ടെന്ന് ചൂണ്ടിക്കാണിക്കുകയും ചെയ്യുന്നു.

AI മോഡൽ തന്നെ MCP-യെ പിന്തുണയ്ക്കേണ്ടതുണ്ടോ?

ഇല്ല. നിങ്ങളുടെ AI ആപ്പാണ് പ്രോട്ടോക്കോൾ കൈകാര്യം ചെയ്യുന്നത് എന്നതിനാൽ AI മോഡൽ MCP-യെ പിന്തുണയ്ക്കേണ്ടതില്ല. ആപ്പ് സെർവറുകളുമായി കണക്റ്റ് ചെയ്യുന്നു, അവയുടെ ടൂളുകൾ മോഡലിന് കൈമാറുന്നു, മോഡലിന്റെ ടൂൾ അഭ്യർത്ഥനകൾ ശരിയായ സെർവറിലേക്ക് തിരികെ അയയ്ക്കുന്നു. മോഡൽ ഫംഗ്ഷൻ കോളിംഗിനെ പിന്തുണച്ചാൽ മാത്രം മതി.

MCP കാലഹരണപ്പെടുകയാണോ?

ഇല്ല, MCP ഇപ്പോഴും സജീവമായി വികസിപ്പിച്ചുകൊണ്ടിരിക്കുകയാണ്. 2026 ജൂലൈയിൽ അതിന്റെ മെയിന്റെയ്നർമാർ MCP സ്പെസിഫിക്കേഷന്റെ പുതിയ പതിപ്പ് പുറത്തിറക്കി, 2026 ഓഗസ്റ്റിൽ ഒരു അപ്‌ഡേറ്റ് ചെയ്ത റോഡ്‌മാപ്പ് പ്രസിദ്ധീകരിക്കുകയും ചെയ്തു; ഒരു സംഭാഷണം കൂടുതൽ കൃത്യമാകുന്നതിനനുസരിച്ച് സെർവറുകൾക്ക് അവയുടെ ടൂളുകൾ ക്രമേണ വെളിപ്പെടുത്താൻ സഹായിക്കുന്ന പ്രവർത്തനങ്ങളും അതിൽ ഉൾപ്പെടുന്നു.