MCP टूल्स म्हणजे काय आणि AI मॉडेल्स ती कशी वापरतात?

MCP टूल्स ही अशी फंक्शन्स आहेत जी AI मॉडेल संभाषणाबाहेरील एखादे काम करण्यासाठी कॉल करू शकते. उदाहरणार्थ, तुमच्या नोट्समध्ये शोध घेणे किंवा डेटाबेसवर क्वेरी चालवणे. प्रत्येक टूल MCP (Model Context Protocol) सर्व्हरवर असते आणि त्याला एक नाव आणि छोटे वर्णन असते, जे मॉडेलला ते टूल कधी वापरायचे हे ठरवण्यास मदत करते.

“MCP टूल” ही संज्ञा इतर अर्थांनीही वापरली जाते. दैनंदिन वापरात, लोक “MCP टूल्स” म्हणतात तेव्हा त्यांना अनेकदा MCP सर्व्हर (टूल्स उपलब्ध करून देणारी ॲप्लिकेशन्स) किंवा त्या सर्व्हरची यादी देणाऱ्या डिरेक्टरीज अभिप्रेत असतात. MCP Tools हे MCP सर्व्हरवरील टूल्सची यादी पाहण्यासाठी आणि त्यांना कॉल करण्यासाठी असलेल्या कमांड-लाइन प्रोग्रामचेही नाव आहे.

हे मार्गदर्शक सर्व्हर, डिरेक्टरीज किंवा कमांड लाइन्सबद्दल नसून प्रोटोकॉलमधील फंक्शन्सबद्दल आहे. टूल कशापासून बनलेले असते, सर्व्हर कोणत्या प्रकारची टूल्स देतात आणि टूल्स रिसोर्सेस, प्रॉम्प्ट्स आणि फंक्शन कॉलिंगपेक्षा कशी वेगळी आहेत, हे यात स्पष्ट केले आहे. त्यानंतर मॉडेल टूल वापरण्यासाठी कोणत्या पायऱ्या पार करते ते टप्प्याटप्प्याने सांगितले आहे आणि शेवटी टूल्सच्या वापराशी संबंधित सर्वात सामान्य समस्यांची माहिती दिली आहे.

MCP टूल्स म्हणजे काय?

MCP टूल हे असे फंक्शन आहे जे AI मॉडेल्सना इतर सॉफ्टवेअर ॲप्लिकेशन्ससह कामे पूर्ण करू देते. उदाहरणार्थ, माझे AI एजंट आणि वर्कफ्लो Gmail मध्ये ईमेलचे ड्राफ्ट तयार करण्यासाठी (create_draft), Trello कार्ड्स तयार करण्यासाठी (trelloWriteCard) आणि DataForSEO मधून थेट शोध परिणाम मिळवण्यासाठी (serp_organic_live_advanced) MCP टूल्स वापरतात; ही फक्त काही उदाहरणे आहेत.

सॉफ्टवेअर ॲप्स अनेकदा त्यांच्या MCP सर्व्हरवर अनेक MCP टूल्स देतात. उदाहरणार्थ, Trello MCP सर्व्हरवर सध्या 14 MCP टूल्स आहेत, जी AI मॉडेल्सना बोर्ड्स, लिस्ट्स, चेकलिस्ट्स, कार्ड्स आणि इतर बरेच काही वाचू आणि अपडेट करू देतात.

आणि टूल्सचे वर्णन कसे केले जाते आणि ती कशी उपलब्ध करून दिली जातात हे MCP प्रमाणित करत असल्यामुळे, हा प्रोटोकॉल सपोर्ट करणारे कोणतेही AI ॲप तेच MCP टूल वापरू शकते.

MCP टूलमध्ये काय असते

प्रत्येक MCP टूलमध्ये तीन गोष्टी असतात:

• नाव: मॉडेल टूल कॉल करताना वापरते तो छोटा आयडेंटिफायर (उदा., Google Calendar मधील get_event).
• वर्णन: टूल काय करते आणि ते कधी उपयुक्त ठरते याचे सोप्या भाषेतील स्पष्टीकरण. तुमच्या विनंतीसाठी टूल योग्य आहे का हे ठरवण्यासाठी लार्ज लँग्वेज मॉडेल (LLM) ते वाचते (उदा., “Returns a single event on the given calendar.”).
• इनपुट्स: टूल चालवण्यासाठी आवश्यक असलेली माहिती, जसे की नोट्स शोधण्यासाठी क्लायंटचे नाव आणि तारीख. ही माहिती JSON मध्ये लिहिलेली असते आणि डेव्हलपर्स तिला इनपुट स्कीमा म्हणतात, कारण ती प्रत्येक इनपुटचे स्वरूप (मजकूर, संख्या किंवा यादी) ठरवते.

विस्तृत करा

काही टूल्स अतिरिक्त मेटाडेटा जोडतात: डिस्प्ले नाव, ती परत करत असलेल्या परिणामांचे वर्णन (आउटपुट स्कीमा) आणि टूल कसे वागते याबद्दलची ॲनोटेशन्स.

AI मॉडेलला टूलमागील कोड कधीच दिसत नाही. टूल स्वतःबद्दल जे सांगते त्यावरूनच ते काम करते, त्यामुळे अस्पष्ट नाव किंवा वर्णनामुळे मॉडेल चुकीचे टूल निवडते.

MCP टूल्सचे कोणते प्रकार असतात

MCP टूल्स त्यांच्या कामानुसार चार गटांत विभागली जातात:

• शोध आणि लुकअप टूल्स: माहिती शोधतात किंवा मिळवतात (उदा., नोट्समध्ये शोध घेणे, फाइल वाचणे किंवा डेटाबेसवर क्वेरी चालवणे).
• ॲक्शन टूल्स: दुसऱ्या ॲपमध्ये काहीतरी तयार करतात किंवा बदलतात (उदा., टास्क जोडणे, कॅलेंडर इव्हेंट तयार करणे, सपोर्ट तिकीट उघडणे किंवा ईमेल पाठवणे).
• डेटा-प्रोसेसिंग टूल्स: डेटाचे रूपांतर किंवा विश्लेषण करतात (उदा., स्प्रेडशीट फाइलचे विश्लेषण करणे किंवा गणना करणे).
• सिस्टम टूल्स: स्थानिक सिस्टमशी संवाद साधतात (उदा., टर्मिनलमध्ये कमांड चालवणे).

MCP टूल्स विरुद्ध रिसोर्सेस & प्रॉम्प्ट्स

MCP टूल्सव्यतिरिक्त, MCP सर्व्हर आणखी दोन प्रकारचे बिल्डिंग ब्लॉक्स देऊ शकतो, ज्यांना प्रोटोकॉल प्रिमिटिव्ह्ज म्हणतो: रिसोर्सेस आणि प्रॉम्प्ट्स.

विस्तृत करा

उदाहरणार्थ, GitHub चा अधिकृत MCP सर्व्हर पुढील गोष्टी देतो:

• issue_write नावाचे टूल, जे इश्यूज तयार करते किंवा अपडेट करते,
• repository_content नावाचा रिसोर्स, जो रिपॉझिटरीमधील फाइल्सचा ॲक्सेस देतो,
• issue_to_fix_workflow नावाचा प्रॉम्प्ट, जो एखादी समस्या इश्यू म्हणून नोंदवण्याच्या आणि ती दुरुस्त करण्यासाठी GitHub च्या Copilot कोडिंग एजंटकडून pull request तयार करून घेण्याच्या पायऱ्या सेट करतो.

फरक हा आहे की प्रत्येक घटक काय करतो आणि तो कधी वापरायचा हे कोण ठरवते: तुम्ही, तुम्ही ज्या AI ॲपमध्ये काम करत आहात ते ॲप (उदा., Perplexity), की त्या ॲपमध्ये चालणारे AI मॉडेल.

• MCP टूल कृती करते किंवा माहिती शोधते. टूल कधी कॉल करायचे हे AI मॉडेल स्वतःहून ठरवते आणि तुमचे AI ॲप तो कॉल सर्व्हरकडे पाठवते. तुमचे AI मॉडेल टूल्स निवडते; तुमच्या AI ॲपने प्रत्येक कॉल तुम्हाला दाखवायला हवा आणि तो नाकारण्याची मुभा द्यायला हवी.
• रिसोर्स म्हणजे MCP सर्व्हरवर उपलब्ध असलेला मजकूर, जसे की फाइल किंवा रेकॉर्ड्सचा संच, ज्यातील प्रत्येकाचा स्वतःचा पत्ता (URI) असतो. तुमचे AI ॲप सर्व्हरकडे कोणते रिसोर्सेस आहेत ते विचारते, आवश्यक असलेला रिसोर्स त्याच्या पत्त्याद्वारे वाचते आणि तो मजकूर संदर्भ म्हणून संभाषणात जोडते.
• प्रॉम्प्ट म्हणजे सर्व्हरने दिलेला तयार संदेश टेम्पलेट, ज्यात कधी कधी तुम्ही भरायच्या रिकाम्या जागा असतात. तुमचे AI ॲप तुम्हाला उपलब्ध प्रॉम्प्ट्स दाखवते आणि तुम्ही त्यापैकी एक निवडता, अनेकदा स्लॅश कमांडच्या स्वरूपात.

AI मॉडेल्स MCP टूल्स कशी वापरतात

AI मॉडेल MCP टूल पाच टप्प्यांत वापरते: डिस्कव्हरी, टूल निवड, इन्व्होकेशन, परिणाम आणि एरर हँडलिंग. मॉडेल आणि सर्व्हर यांच्यातील सर्व देवाणघेवाण तुमचे AI ॲप करते.

विस्तृत करा

समजा तुम्ही तुमच्या AI ॲपला तुमची Trello मधील “This week” लिस्ट तपासून तुमच्या संपादकाला अपडेट देणाऱ्या ईमेलचा ड्राफ्ट तयार करायला सांगता. सुरुवातीपासून शेवटपर्यंत काय घडते ते असे:

1. डिस्कव्हरी: तुमचे AI ॲप MCP क्लायंट्सद्वारे MCP सर्व्हरशी कनेक्ट होते, तेव्हा ते सर्व्हरकडून उपलब्ध टूल्सची यादी मागते (या विनंतीला tools/list म्हणतात). ॲप जे पुढे पाठवते तेवढेच LLM ला दिसते: प्रत्येक टूलचे नाव, वर्णन आणि इनपुट्स.
2. टूल निवड: AI मॉडेल तुमच्या विनंतीची त्या वर्णनांशी तुलना करते आणि योग्य टूल्स निवडते. येथे ती टूल्स म्हणजे लिस्ट वाचण्यासाठी Trello चे trelloReadList आणि ईमेल लिहिण्यासाठी Gmail चे create_draft. मॉडेल इनपुट्सही भरते, जसे की कोणती लिस्ट वाचायची.
3. इन्व्होकेशन: मॉडेल टूल चालवण्यासाठी संरचित विनंतीसह उत्तर देते (या टप्प्याला “फंक्शन कॉलिंग” म्हणतात). तुमचे AI ॲप ती विनंती योग्य सर्व्हरकडे पाठवते (tools/call विनंती). ॲपने तुम्हाला तो कॉल दाखवायला हवा आणि तो नाकारण्याची मुभाही द्यायला हवी.
4. परिणाम: सर्व्हर फंक्शन चालवतो आणि result परत पाठवतो, या उदाहरणात तुमच्या लिस्टमधील कार्ड्स. तुमचे AI ॲप तो परिणाम संभाषणात जोडते आणि पुढे काय करायचे ते मॉडेल ठरवते: तुम्हाला उत्तर द्यायचे की दुसरे टूल कॉल करायचे, जसे की त्या कार्ड्सवर आधारित ईमेलसह create_draft.
5. एरर हँडलिंग: टूल चालले पण अयशस्वी झाले, उदाहरणार्थ लिस्ट अस्तित्वातच नसल्यामुळे, तर एरर परिणामाचा भाग म्हणून परत येते. मॉडेल ती वाचून वेगळ्या इनपुट्ससह पुन्हा प्रयत्न करू शकते. जर विनंतीच सदोष असेल, उदाहरणार्थ सर्व्हरकडे नसलेले टूल कॉल केल्यामुळे, तर ॲपला त्याऐवजी प्रोटोकॉल एरर मिळते. अशा वेळी मॉडेलला यातून सावरता येण्याची शक्यता कमी असते.

मुख्य मुद्दा असा आहे की मॉडेल केवळ वर्णनांच्या आधारे टूल्स निवडते आणि सर्व्हरशी सर्व संवाद तुमचे AI ॲप साधते.

MCP टूल्सच्या सामान्य समस्या आणि त्या कशा टाळाव्यात

MCP टूल्सच्या समस्या चार गोष्टींवर अवलंबून असतात: किती टूल्स कनेक्ट केलेली आहेत, त्यांना नावे आणि वर्णने कशी दिली आहेत, ती किती डेटा परत करतात आणि ती कोणत्या सर्व्हरवरून येतात.

प्रत्येक समस्या कशी दिसते आणि त्यावर काय उपयोगी ठरते ते असे:

MCP टूल्सना तुमच्या मंजुरीची गरज का असते?

MCP टूल्सना तुमच्या मंजुरीची गरज असते, कारण त्याशिवाय AI मॉडेल तुम्हाला अपेक्षित नसलेले बदल करू शकते किंवा तुमच्या नियंत्रणात नसलेल्या सर्व्हरसोबत संवेदनशील डेटा शेअर करू शकते.

विनंतीचा चुकीचा अर्थ लावल्यामुळे किंवा अस्पष्ट वर्णन असलेल्या टूलमुळे चुकीची कृती घडू शकते. शिवाय, प्रत्येक कॉलसोबत तुमची काही माहिती सर्व्हरकडे जाते.

म्हणूनच, AI ॲप्सनी प्रक्रियेत एखाद्या व्यक्तीचा सहभाग ठेवावा आणि कोणताही टूल कॉल नाकारण्याची क्षमता द्यावी, अशी प्रोटोकॉलची अपेक्षा आहे.

टूल्सना किती तपासणीची गरज आहे यानुसार त्यांचे वर्गीकरण करण्याचा एक व्यावहारिक मार्ग असा आहे:

• फक्त वाचणाऱ्या कृती: एखादी माहिती शोधणे, जसे की Trello च्या trelloReadList ने लिस्ट वाचणे, यामुळे काहीही बदलत नाही. तुमचे AI ॲप कोणते टूल चालले आणि त्याने काय शोधले हे दाखवत असेल, तर असे कॉल्स आधी न विचारता चालू शकतात.
• पूर्ववत करता येणाऱ्या कृती: Gmail च्या create_draft ने ईमेल ड्राफ्ट तयार करणे किंवा Trello कार्ड जोडणे यामुळे असा बदल होतो जो तुम्ही उलटवू शकता. कॉल चालण्यापूर्वी इनपुट्स तपासा.
• पूर्ववत न करता येणाऱ्या कृती: Gmail च्या send_message ने ईमेल पाठवणे, रेकॉर्ड्स हटवणे किंवा पेमेंट्स अथवा संवेदनशील डेटाशी संबंधित कोणतीही गोष्ट उलटवता येत नाही. अशा कृतींना प्रत्येक वेळी स्पष्ट परवानगी द्या.

Perplexity मध्ये MCP टूल्स वापरणे

Perplexity दोन्ही दिशांनी MCP टूल्ससोबत काम करते: तुम्ही कनेक्ट केलेल्या MCP सर्व्हरमधील टूल्स ते वापरू शकते आणि इतर AI ॲप्सना स्वतःची टूल्सही देते.

• MCP सर्व्हर Perplexity ला कनेक्ट करा: Pro, Max आणि Enterprise प्लॅन्सवर, तुम्ही MCP सर्व्हर असलेले कोणतेही बाह्य टूल किंवा डेटा स्रोत Perplexity ला कनेक्ट करू शकता आणि ते उत्तरांमध्ये तसेच Perplexity Computer एजंटिक वर्कफ्लोमध्ये वापरू शकता. Mac ॲपमध्ये, तुम्ही तुमच्या कॉम्प्युटरवर चालणारे MCP सर्व्हरही कनेक्ट करू शकता
• इतर AI ॲप्समध्ये Perplexity ची टूल्स वापरा: Perplexity चा MCP सर्व्हर Claude Code सारख्या, रिमोट MCP सर्व्हर सपोर्ट करणाऱ्या कोणत्याही AI ॲपला चार टूल्स (perplexity_search, perplexity_ask, perplexity_research आणि perplexity_reason) देतो. एक वेगळा सर्व्हर इतर AI ॲप्सना अनेक टप्प्यांची कामे Perplexity Computer कडे सोपवू देतो.

MCP टूल्सबद्दल वारंवार विचारले जाणारे प्रश्न

MCP म्हणजे फक्त टूल कॉलिंग आहे का?

नाही, MCP म्हणजे फक्त टूल कॉलिंग नाही. टूल कॉलिंग म्हणजे मॉडेल टूलची मागणी कशी करते, तर MCP म्हणजे AI ॲप टूल्स कशी शोधते आणि प्रत्येक कॉल ते टूल चालवणाऱ्या सर्व्हरकडे कसा पाठवते.

टूल कॉलिंग (ज्याला फंक्शन कॉलिंग असेही म्हणतात) हा AI मॉडेलच्या कामाचा भाग आहे: मॉडेलला टूल्सची यादी दिसते आणि ते त्यापैकी एक चालवण्याच्या विनंतीसह उत्तर देते. फक्त टूल कॉलिंग वापरल्यास, प्रत्येक AI ॲपला प्रत्येक टूल स्वतःच परिभाषित करावे लागते आणि चालवावे लागते.

MCP मुळे टूल्स सर्व्हरवर राहू शकतात, त्यामुळे MCP सपोर्ट करणारे कोणतेही AI ॲप ती टूल्स आपल्या मॉडेलला उपलब्ध करून देऊ शकते आणि मॉडेलच्या विनंत्या योग्य सर्व्हरकडे पाठवू शकते.

MCP APIs ची जागा घेईल का?

नाही, MCP APIs ची जागा घेणार नाही, कारण MCP आणि APIs एकत्र काम करतात. MCP टूल्स अनेकदा विद्यमान APIs वर आधारित असतात आणि मॉडेल एखादे टूल कॉल करते तेव्हा MCP सर्व्हर सामान्यतः API विनंती करतो.

कोणती AI ॲप्स MCP टूल्सना सपोर्ट करतात?

MCP टूल्स Claude, ChatGPT आणि Perplexity सारख्या AI असिस्टंट्समध्ये आणि Visual Studio Code व Cursor सारख्या डेव्हलपमेंट टूल्समध्ये काम करतात. MCP डॉक्युमेंटेशनमध्ये यांची नावे दिली आहेत आणि इतर अनेक ॲप्सही MCP सपोर्ट करतात असे नमूद केले आहे.

AI मॉडेलने स्वतः MCP सपोर्ट करणे आवश्यक आहे का?

नाही. AI मॉडेलने MCP सपोर्ट करण्याची गरज नाही, कारण प्रोटोकॉल तुमचे AI ॲप हाताळते. ते सर्व्हरशी कनेक्ट होते, त्यांची टूल्स मॉडेलकडे पाठवते आणि मॉडेलच्या टूल विनंत्या पुन्हा योग्य सर्व्हरकडे पाठवते. मॉडेलने फक्त फंक्शन कॉलिंग सपोर्ट करणे आवश्यक आहे.

MCP कालबाह्य होत आहे का?

नाही, MCP चा अजूनही सक्रियपणे विकास सुरू आहे. त्याच्या मेंटेनर्सनी जुलै 2026 मध्ये MCP स्पेसिफिकेशनची नवीन आवृत्ती प्रसिद्ध केली आणि ऑगस्ट 2026 मध्ये अपडेट केलेला रोडमॅप प्रकाशित केला, ज्यामध्ये संभाषण जसजसे केंद्रित होत जाईल तसतसे सर्व्हरना त्यांची टूल्स टप्प्याटप्प्याने उघड करू देण्याच्या कामाचा समावेश आहे.