AI-agent vs MCP? Når du bør bruke hver av dem (& når du trenger begge)

En AI-agent er programvare som bestemmer egne handlinger og verktøykall for å oppnå et spesifikt mål, og Model Context Protocol (MCP) er en åpen standard for hvordan KI-applikasjoner kobler seg til eksterne verktøy og data. Dermed lar MCP AI-agenter samhandle med apper og spørre databaser for å fullføre oppgaver.

Artikkelen forklarer hva agenter og MCP-er er, hvordan de er forskjellige, og hvordan de fungerer. Du vil også lære når du bør bruke hver av dem, og når du bør bruke agenter og MCP-er sammen.

Hvordan er en AI-agent annerledes enn en MCP? Viktige forskjeller.

En AI-agent er den uavhengige aktøren som bestemmer hva som skal gjøres for å løse et problem, og en MCP er forbindelsen KI-verktøy bruker for å få tilgang til data og utføre oppgaver med andre apper.

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

En AI-agent er et programvaresystem som uavhengig velger den beste handlingsmåten for å fullføre en oppgave.

For eksempel, når den brukes til forskning, analyserer AI-agenten forskningsspørsmålet, bryter det ned i delspørsmål, delegerer hvert av dem til en underagent som leter etter relevant informasjon på tvers av ulike kilder, og "rapporterer" tilbake.

Hovedagenten analyserer funnene, justerer forskningsstrategien, sender flere agenter ut for å fylle hullene, og samler resultatet i en rapport. Over tid lærer den også hvordan den kan utføre deloppgavene mest effektivt.

AI-agenten er avhengig av tre komponenter:

• Resonneringskjerne: LLM-en som tolker inndata, planlegger og bestemmer hva som skal gjøres
• Verktøyintegrasjoner: Forbindelser til eksterne systemer. For eksempel databaser eller API-er som lar den få tilgang til informasjon og utføre handlinger.
• Minne: Korttidskontekst for økten og langtidslagret kunnskap brukt på tvers av seksjoner

Agentene opererer innenfor forhåndsdefinerte rekkverk (for eksempel ikke bruk kilder eldre enn 3 år eller sekundære statistikkoppsummeringer), men de bestemmer hvordan oppgaven skal fullføres.

Denne autonomien til å velge hvordan et mål skal oppnås skiller AI-agenter fra KI-arbeidsflyter. Sistnevnte følger en forhåndsdefinert, deterministisk sti, som er perfekt for strukturerte, repeterende oppgaver som ikke krever resonnering og beslutningstaking.

Hva er en MCP, og hvordan fungerer den?

MCP står for Model Context Protocol, og det er en sikker, standardisert måte for KI-applikasjoner som Perplexity å koble seg til eksterne verktøy og datakilder.

For eksempel bruker min personlige KI-assistent MCP for å koble til Notion, der jeg lagrer all kundeprosjektinformasjon, Google Kalender og Clockify, som jeg bruker til tidsregistrering.

Takket være dette vet den hvilket arbeid jeg må gjøre i en bestemt måned og hvor lang tid lignende oppgaver tok tidligere, slik at den kan sette av nok tid i kalenderen min og vurdere tilgjengeligheten min for ekstra arbeid.

MCP er en delt protokoll, så hvilket som helst KI-verktøy kan få tilgang til hvilken som helst app så lenge begge støtter MCP, uten at en utvikler må kode en skreddersydd forbindelse, slik tilfellet er med et REST API.

På et teknisk nivå består MCP av tre elementer:

• MCP-host: KI-applikasjonen som koordinerer og administrerer klienter (f.eks. Perplexity)
• MCP-klient: En "megler" inne i verten som støtter en forbindelse til MCP-serveren og sender informasjon videre til MCP-verten
• MCP-server: Fronten til en ressurs som en database eller en SaaS-app som gir MCP-klienten tilgang til funksjonene sine (Notion, Google Kalender, Clockify osv.).

Når bør du bruke en agent, MCP eller begge deler. Og når ingen av delene.

Valget mellom en AI-agent og en MCP koker ned til ett spørsmål: Trenger du hjelp til å fullføre en kompleks oppgave, eller vil du koble et KI-verktøy til eksterne ressurser?

Men ikke alle oppgaver trenger agentisk KI, og de som gjør det, trenger ofte også en MCP.

Her er en mer nyansert gjennomgang av når du bør bruke hver av dem, når du bør bruke dem sammen, og når du bør bruke andre alternativer:

• Bruk en AI-agent til å fullføre komplekse oppgaver der du ikke kan forutsi de eksakte stegene, og der hvert steg krever vurdering og beslutningstaking.
• Bruk en arbeidsflyt med direkte verktøykall for å fullføre rutineoppgaver med faste steg.
• Som utvikler bør du bruke MCP når du vil at appen din skal være kompatibel med eksisterende og fremtidige KI-verktøy.
• Som sluttbruker bør du bruke MCP for å øke kapasitetene til KI-assistenten din ved å koble den til andre apper og ressurser.
• Bruk AI-agenter og MCP sammen når du vil løse komplekse, unike oppgaver som krever autonomi og tilgang til tredjepartsverktøy og datakilder.

Forstørr

Hvordan fungerer AI-agenter og MCP sammen?

AI-agenten bestemmer hva som skal gjøres, og MCP videresender hver forespørsel til appene som er involvert.

Tenk deg at du er eieren av en liten nettbutikk, og du vil finne ut hvorfor salget ditt falt forrige måned, så du ber KI-assistenten din undersøke. KI-assistenten setter inn en agent som bruker MCP for å hente den nødvendige informasjonen:

1. Agent: Assistenten bestemmer seg for å sammenligne salget forrige måned med måneden før.
2. MCP: Den ber e-handelsplattformen om salg per produkt for begge måneder.
3. Agent: Den ser at ett produkt står for mesteparten av fallet, så den bestemmer seg for å sjekke produktets lager og annonser.
4. MCP: Den ber butikkplattformen om produktets lagernivåer og annonseplattformen om annonseytelsen.
5. Agent: Lageret var normalt, men annonsene sluttet å kjøre halvveis ut i måneden, så den bestemmer seg for å finne ut hvorfor.
6. MCP: Den ber annonseplattformen om kampanjehistorikken og får vite at kampanjen nådde den månedlige budsjettgrensen.
7. Agent: Den rapporterer den sannsynlige årsaken, foreslår å øke grensen eller flytte budsjettet, og lar eieren ta beslutningen.

Siden hvert steg avhenger av funnene fra det forrige, kan du ikke forutsi dem på forhånd. Agenten analyserer dataene som er hentet via MCP og bruker dem til å planlegge de neste handlingene.

Risikoer og rekkverk for agent og MCP

Å koble autonome AI-agenter til andre verktøy og apper via MCP utsetter deg for risiko. Vanlige bekymringer handler om at AI-agenter har mer tilgang enn de trenger, og at tredjeparter kaprer MCP-forbindelsen, for eksempel via indirekte promptinjeksjon eller overdreven agentmakt.

I de fleste tilfeller er løsningen å kontrollere informasjonen agenten kan få tilgang til manuelt, overvåke aktiviteten dens og bare bruke koblinger fra pålitelige kilder.

Bruk Perplexitys agenter og MCP

Perplexity bruker agenter og MCP i begge retninger. Agentene deres, som Computer, bruker MCP for å koble til eksterne apper, og andre KI-assistenter kan koble til Perplexity via MCP for å drive forskningen sin.

Perplexity Computer er en allsidig AI-agent som bruker MCP for å koble til tredjepartstjenester. Den kan søke og surfe på nettet, skrive og kjøre kode, opprette dokumenter, lese og sende e-post, administrere oppgaver i verktøy som Jira, Slack eller Notion, og mer.

Forbindelsen fungerer også motsatt vei. En KI-assistent som støtter MCP, som Claude, ChatGPT eller Cursor, kan bruke Perplexitys MCP-server til å utføre et nettsøk og få tilbake resultater med titler, URL-er og utdrag, eller tildele Computer en flertrinnsoppgave som skal fullføres.

Vanlige spørsmål

Er AI-agenter og MCP det samme?

Nei, AI-agenter og MCP er ikke det samme, og hver av dem løser ulike problemer. AI-agenter er programvareverktøy som autonomt fullfører brukernes oppgaver, mens MCP er en standardisert måte for KI-verktøy å få tilgang til andre apper på.

AI-agenter og MCP fungerer ofte sammen. En AI-agent kan bruke MCP for å få tilgang til data fra en annen programvareapplikasjon for å realisere det tildelte målet.

Hva er forskjellen mellom MCP og agentferdigheter?

MCP (Model Context Protocol) kobler et KI-verktøy til eksterne apper og data, mens agentferdigheter er gjenbrukbare instruksjoner, skript og ressurser som lærer en AI-agent hvordan den skal utføre en spesialisert oppgave og setter rekkverkene.

Er MCP det samme som API?

Nei, MCP og API er ikke det samme. API lar én del programvare kalle en annen ved hjelp av regler en utvikler bygger inn på forhånd, mens MCP lar AI-agenter se hvilke funksjoner som er tilgjengelige og bestemme hvilke de skal kalle uten at en utvikler koder forbindelsen på forhånd.

Når det er sagt, bruker MCP-servere ofte API-er for å koble til verktøy.

Hvordan skiller MCP seg fra A2A?

MCP (Model Context Protocol) kobler en AI-agent til verktøy og data, mens A2A (Agent2Agent) kobler AI-agenter sammen. Et team kan bruke begge, med MCP som håndterer verktøyintegrasjon og A2A som håndterer samarbeid mellom agenter.

Hvordan skiller MCP seg fra RAG?

RAG (retrieval-augmented generation) er et system som KI-verktøy bruker for å forankre svar i pålitelig informasjon fra en ekstern kunnskapskilde, mens MCP er en standard for å koble KI-applikasjoner til eksterne data og verktøy. Dermed kan en RAG bruke MCP for å få tilgang til kunnskapsbasen sin.

Kan du bruke MCP uten å være utvikler?

Ja, du kan bruke MCP uten å skrive kode ved å koble et MCP-kompatibelt KI-verktøy til en tjeneste som allerede støtter det. For eksempel kan Perplexity-brukere bruke MCP til å koble til populære apper som Gmail, ClickUp eller Figma.