MCP கருவிகள் என்றால் என்ன, AI மாடல்கள் அவற்றை எவ்வாறு பயன்படுத்துகின்றன?

MCP கருவிகள் என்பவை, உரையாடலுக்கு வெளியே ஒரு பணியைச் செய்ய AI மாடல் அழைக்கக்கூடிய செயல்பாடுகள் (functions) ஆகும். எடுத்துக்காட்டாக, உங்கள் குறிப்புகளில் தேடுவது அல்லது ஒரு தரவுத்தளத்தை வினவுவது. ஒவ்வொரு கருவியும் ஒரு MCP (Model Context Protocol) சர்வரில் இருக்கிறது; அதற்கு ஒரு பெயரும் சுருக்கமான விளக்கமும் உண்டு. அவற்றைக் கொண்டே அந்தக் கருவியை எப்போது பயன்படுத்த வேண்டும் என்பதை மாடல் தீர்மானிக்கிறது.

"MCP கருவி" என்ற சொல் வேறு பொருள்களிலும் பயன்படுத்தப்படுகிறது. அன்றாடப் பேச்சில், MCP சர்வர்களை (கருவிகளை வழங்கும் பயன்பாடுகள்) அல்லது அந்தச் சர்வர்களைப் பட்டியலிடும் கோப்பகங்களைக் குறிக்கவும் மக்கள் "MCP கருவிகள்" என்று சொல்கிறார்கள். மேலும், MCP சர்வரில் உள்ள கருவிகளைப் பட்டியலிடவும் அழைக்கவும் உதவும் ஒரு கட்டளை வரி நிரலின் பெயரும் MCP Tools தான்.

இந்த வழிகாட்டி சர்வர்கள், கோப்பகங்கள் அல்லது கட்டளை வரிகளைப் பற்றியது அல்ல; புரோட்டோகாலின் செயல்பாடுகளைப் பற்றியது. ஒரு கருவி எவற்றால் ஆனது, சர்வர்கள் வழங்கும் கருவிகளின் வகைகள், ரிசோர்ஸ்கள், ப்ராம்ப்ட்கள், ஃபங்ஷன் காலிங் ஆகியவற்றிலிருந்து கருவிகள் எவ்வாறு வேறுபடுகின்றன என்பதை இது விளக்குகிறது. பின்னர், ஒரு கருவியைப் பயன்படுத்த மாடல் மேற்கொள்ளும் படிநிலைகளை விவரித்து, கருவிகளைப் பயன்படுத்துவதில் பொதுவாக ஏற்படும் சிக்கல்களுடன் நிறைவடைகிறது.

MCP கருவிகள் என்றால் என்ன?

MCP கருவி என்பது, பிற மென்பொருள் பயன்பாடுகளைக் கொண்டு AI மாடல்கள் பணிகளை முடிக்க உதவும் ஒரு செயல்பாடு. உதாரணமாக, என் AI ஏஜென்ட்களும் பணிப்பாய்வுகளும் MCP கருவிகளைப் பயன்படுத்தி Gmail-இல் மின்னஞ்சல் வரைவுகளை உருவாக்குகின்றன (create_draft), Trello கார்டுகளை உருவாக்குகின்றன (trelloWriteCard), DataForSEO-விலிருந்து நேரடித் தேடல் முடிவுகளைப் பெறுகின்றன (serp_organic_live_advanced) — இவை சில உதாரணங்கள் மட்டுமே.

மென்பொருள் பயன்பாடுகள் பெரும்பாலும் தங்கள் MCP சர்வர்களில் பல MCP கருவிகளை வழங்குகின்றன. எடுத்துக்காட்டாக, Trello MCP சர்வரில் தற்போது 14 MCP கருவிகள் உள்ளன; இவை போர்டுகள், பட்டியல்கள், சரிபார்ப்புப் பட்டியல்கள், கார்டுகள் மற்றும் பலவற்றைப் படிக்கவும் புதுப்பிக்கவும் AI மாடல்களுக்கு உதவுகின்றன.

மேலும், கருவிகள் எவ்வாறு விவரிக்கப்பட்டு வழங்கப்படுகின்றன என்பதை MCP தரப்படுத்துவதால், இந்தப் புரோட்டோகாலை ஆதரிக்கும் எந்த AI ஆப்பும் அதே MCP கருவியைப் பயன்படுத்த முடியும்.

ஒரு MCP கருவியில் என்ன இருக்கும்

ஒவ்வொரு MCP கருவியிலும் மூன்று அம்சங்கள் இருக்கும்:

• பெயர்: கருவியை அழைக்கும்போது மாடல் பயன்படுத்தும் சுருக்கமான அடையாளங்காட்டி (எ.கா., Google Calendar-இல் get_event).
• விளக்கம்: கருவி என்ன செய்கிறது, எப்போது பயனுள்ளதாக இருக்கும் என்பதை எளிய மொழியில் விளக்கும் குறிப்பு. உங்கள் கோரிக்கைக்கு அந்தக் கருவி பொருந்துமா என்பதைத் தீர்மானிக்க, பெரிய மொழி மாடல் (LLM) இதைப் படிக்கிறது (எ.கா., "கொடுக்கப்பட்ட காலெண்டரில் உள்ள ஒரு நிகழ்வைத் தருகிறது.").
• உள்ளீடுகள்: கருவி இயங்கத் தேவையான தகவல்கள்; உதாரணமாக, குறிப்புகளைத் தேடுவதற்கு ஒரு வாடிக்கையாளர் பெயரும் ஒரு தேதியும். இது JSON-இல் எழுதப்படுகிறது. ஒவ்வொரு உள்ளீட்டுக்குமான வடிவத்தை (உரை, எண் அல்லது பட்டியல்) இது வரையறுப்பதால், டெவலப்பர்கள் இதை உள்ளீட்டு ஸ்கீமா (input schema) என்று அழைக்கிறார்கள்.

விரிவாக்கு

சில கருவிகள் கூடுதல் மெட்டாடேட்டாவையும் சேர்க்கின்றன: காட்சிப் பெயர், அவை தரும் முடிவுகளின் விளக்கம் (வெளியீட்டு ஸ்கீமா), கருவி எவ்வாறு செயல்படுகிறது என்பது குறித்த குறிப்புரைகள் (annotations).

ஒரு கருவியின் பின்னால் உள்ள குறியீட்டை AI மாடல் ஒருபோதும் பார்ப்பதில்லை. கருவி தன்னைப் பற்றி என்ன சொல்கிறதோ அதை வைத்தே அது செயல்படுகிறது; எனவே, பெயரோ விளக்கமோ தெளிவற்றதாக இருந்தால், மாடல் தவறான கருவியைத் தேர்ந்தெடுக்க நேரிடும்.

எந்தெந்த வகையான MCP கருவிகள் உள்ளன

MCP கருவிகள், அவை செய்யும் வேலையின் அடிப்படையில் நான்கு குழுக்களாகப் பிரிக்கப்படுகின்றன:

• தேடல் மற்றும் தகவல் பெறும் கருவிகள்: தகவலைக் கண்டறிகின்றன அல்லது பெறுகின்றன (எ.கா., குறிப்புகளைத் தேடுவது, ஒரு கோப்பைப் படிப்பது அல்லது ஒரு தரவுத்தளத்தை வினவுவது).
• செயல் கருவிகள்: மற்றொரு ஆப்பில் எதையாவது உருவாக்குகின்றன அல்லது மாற்றுகின்றன (எ.கா., ஒரு பணியைச் சேர்ப்பது, காலெண்டர் நிகழ்வை உருவாக்குவது, ஆதரவு டிக்கெட்டைத் திறப்பது அல்லது மின்னஞ்சல் அனுப்புவது).
• தரவுச் செயலாக்கக் கருவிகள்: தரவை மாற்றுகின்றன அல்லது பகுப்பாய்வு செய்கின்றன (எ.கா., ஒரு விரிதாள் கோப்பைப் பகுப்பாய்வு செய்வது அல்லது ஒரு கணக்கீட்டை இயக்குவது).
• சிஸ்டம் கருவிகள்: உள்ளூர் சிஸ்டத்துடன் தொடர்புகொள்கின்றன (எ.கா., டெர்மினலில் ஒரு கட்டளையை இயக்குவது).

MCP கருவிகள் vs. ரிசோர்ஸ்கள் & ப்ராம்ப்ட்கள்

MCP கருவிகளைத் தவிர, ஒரு MCP சர்வர் வேறு இரண்டு வகையான அடிப்படைக் கூறுகளையும் வழங்க முடியும்; புரோட்டோகால் இவற்றைப் பிரிமிட்டிவ்கள் (primitives) என்று அழைக்கிறது: ரிசோர்ஸ்கள் மற்றும் ப்ராம்ப்ட்கள்.

விரிவாக்கு

எடுத்துக்காட்டாக, GitHub-இன் அதிகாரப்பூர்வ MCP சர்வர் வழங்குபவை:

• இஷ்யூக்களை உருவாக்கும் அல்லது புதுப்பிக்கும் issue_write என்ற கருவி,
• ஒரு ரெபாசிட்டரியில் உள்ள கோப்புகளை அணுக உதவும் repository_content என்ற ரிசோர்ஸ்,
• ஒரு சிக்கலை இஷ்யூவாகப் புகாரளித்து, அதைச் சரிசெய்ய GitHub-இன் Copilot கோடிங் ஏஜென்ட் மூலம் ஒரு pull request-ஐ உருவாக்குவதற்கான படிநிலைகளை அமைக்கும் issue_to_fix_workflow என்ற ப்ராம்ப்ட்.

இவற்றுக்கிடையிலான வேறுபாடு, ஒவ்வொன்றும் என்ன செய்கிறது, அதை எப்போது பயன்படுத்த வேண்டும் என்பதை யார் தீர்மானிக்கிறார்கள் என்பதில்தான் உள்ளது: நீங்களா, நீங்கள் பயன்படுத்தும் AI ஆப்பா (எ.கா., Perplexity), அல்லது அந்த ஆப்பிற்குள் இயங்கும் AI மாடலா.

• ஒரு MCP கருவி செயல்களைச் செய்கிறது அல்லது தகவல்களைத் தேடுகிறது. ஒரு கருவியை எப்போது அழைக்க வேண்டும் என்பதை AI மாடல் தானாகவே தீர்மானிக்கிறது; உங்கள் AI ஆப் அந்த அழைப்பைச் சர்வருக்கு அனுப்புகிறது. கருவிகளை உங்கள் AI மாடல் தேர்ந்தெடுக்கிறது; ஒவ்வொரு அழைப்பையும் உங்கள் AI ஆப் உங்களுக்குக் காட்டி, அதை நிராகரிக்க உங்களை அனுமதிக்க வேண்டும்.
• ஒரு ரிசோர்ஸ் என்பது MCP சர்வரில் கிடைக்கும் உள்ளடக்கம்; உதாரணமாக, ஒரு கோப்பு அல்லது பதிவுகளின் தொகுப்பு. ஒவ்வொன்றுக்கும் தனி முகவரி (URI) உண்டு. சர்வரில் எந்தெந்த ரிசோர்ஸ்கள் உள்ளன என்று உங்கள் AI ஆப் கேட்டு, தனக்குத் தேவையானதை அதன் முகவரி மூலம் படித்து, அந்த உள்ளடக்கத்தைச் சூழலாக (context) உரையாடலில் சேர்க்கிறது.
• ஒரு ப்ராம்ப்ட் என்பது சர்வர் வழங்கும், தயார்நிலையில் உள்ள ஒரு செய்தி வார்ப்புரு; சில நேரங்களில் நீங்கள் நிரப்ப வேண்டிய காலியிடங்களும் அதில் இருக்கும். கிடைக்கும் ப்ராம்ப்ட்களை உங்கள் AI ஆப் காட்டும்; நீங்கள் அவற்றில் ஒன்றைத் தேர்ந்தெடுப்பீர்கள், பெரும்பாலும் ஒரு ஸ்லாஷ் கட்டளையாக.

AI மாடல்கள் MCP கருவிகளை எவ்வாறு பயன்படுத்துகின்றன

ஒரு AI மாடல் ஒரு MCP கருவியை ஐந்து படிநிலைகளில் பயன்படுத்துகிறது: கண்டறிதல், கருவித் தேர்வு, அழைப்பு, முடிவுகள், பிழை கையாளுதல். மாடலுக்கும் சர்வருக்கும் இடையிலான அனைத்தையும் உங்கள் AI ஆப் பரிமாறுகிறது.

விரிவாக்கு

உங்கள் Trello-வில் உள்ள "This week" பட்டியலைச் சரிபார்த்து, உங்கள் எடிட்டருக்கு ஒரு புதுப்பிப்புடன் மின்னஞ்சல் வரைவை உருவாக்கும்படி உங்கள் AI ஆப்பிடம் கேட்கிறீர்கள் என்று வைத்துக்கொள்வோம். தொடக்கம் முதல் இறுதி வரை என்ன நடக்கிறது என்பது இதோ:

1. கண்டறிதல்: உங்கள் AI ஆப் MCP கிளையன்ட்கள் மூலம் ஒரு MCP சர்வருடன் இணையும்போது, சர்வரில் கிடைக்கும் கருவிகளின் பட்டியலைக் கேட்கிறது (இந்தக் கோரிக்கை tools/list எனப்படும்). ஆப் அனுப்புவதை மட்டுமே LLM பார்க்கிறது: ஒவ்வொரு கருவியின் பெயர், விளக்கம், உள்ளீடுகள்.
2. கருவித் தேர்வு: AI மாடல் உங்கள் கோரிக்கையை அந்த விளக்கங்களுடன் ஒப்பிட்டு, பொருத்தமான கருவிகளைத் தேர்ந்தெடுக்கிறது. இங்கே அவை, பட்டியலைப் படிக்க Trello-வின் trelloReadList மற்றும் மின்னஞ்சலை எழுத Gmail-இன் create_draft. எந்தப் பட்டியலைப் படிக்க வேண்டும் என்பது போன்ற உள்ளீடுகளையும் மாடல் நிரப்புகிறது.
3. அழைப்பு: கருவியை இயக்குவதற்கான கட்டமைக்கப்பட்ட கோரிக்கையுடன் மாடல் பதிலளிக்கிறது (இந்தப் படிநிலை "ஃபங்ஷன் காலிங்" எனப்படும்). உங்கள் AI ஆப் அந்தக் கோரிக்கையைச் சரியான சர்வருக்கு அனுப்புகிறது (tools/call கோரிக்கை). அது அந்த அழைப்பை உங்களுக்குக் காட்டி, அதை நிராகரிக்கவும் உங்களை அனுமதிக்க வேண்டும்.
4. முடிவுகள்: சர்வர் அந்தச் செயல்பாட்டை இயக்கி, முடிவை (result) திருப்பி அனுப்புகிறது; இந்த உதாரணத்தில், உங்கள் பட்டியலில் உள்ள கார்டுகள். உங்கள் AI ஆப் அந்த முடிவை உரையாடலில் சேர்க்கிறது; அடுத்து என்ன செய்வது என்பதை மாடல் தீர்மானிக்கிறது: உங்களுக்குப் பதிலளிப்பதா, அல்லது அந்தக் கார்டுகளின் அடிப்படையிலான மின்னஞ்சலுடன் create_draft போன்ற மற்றொரு கருவியை அழைப்பதா.
5. பிழை கையாளுதல்: கருவி இயங்கியும் தோல்வியடைந்தால், உதாரணமாக பட்டியல் இல்லாததால், அந்தப் பிழை முடிவின் ஒரு பகுதியாகத் திரும்பி வரும். மாடல் அதைப் படித்து, வேறு உள்ளீடுகளுடன் மீண்டும் முயலலாம். கோரிக்கையே தவறாக இருந்தால், உதாரணமாக சர்வரில் இல்லாத ஒரு கருவியை அது அழைத்தால், ஆப்பிற்கு அதற்குப் பதிலாக ஒரு புரோட்டோகால் பிழை கிடைக்கும். இந்நிலையில் மாடல் மீள்வதற்கான வாய்ப்பு குறைவு.

முக்கியமான விஷயம் இதுதான்: மாடல் கருவிகளை அவற்றின் விளக்கங்களை மட்டுமே வைத்துத் தேர்ந்தெடுக்கிறது; சர்வர்களுடனான அனைத்துத் தொடர்புகளையும் உங்கள் AI ஆப்பே மேற்கொள்கிறது.

பொதுவான MCP கருவிச் சிக்கல்களும் அவற்றைத் தவிர்க்கும் வழிகளும்

MCP கருவிகளில் ஏற்படும் சிக்கல்கள் நான்கு விஷயங்களைச் சார்ந்தவை: எத்தனை கருவிகள் இணைக்கப்பட்டுள்ளன, அவை எவ்வாறு பெயரிடப்பட்டு விவரிக்கப்பட்டுள்ளன, அவை எவ்வளவு தரவைத் தருகின்றன, அவை எந்தச் சர்வர்களிலிருந்து வருகின்றன.

ஒவ்வொரு சிக்கலும் எப்படி வெளிப்படும், எது உதவும் என்பது இதோ:

MCP கருவிகளுக்கு ஏன் உங்கள் ஒப்புதல் தேவை?

MCP கருவிகளுக்கு உங்கள் ஒப்புதல் தேவை; ஏனெனில், அது இல்லாவிட்டால், நீங்கள் விரும்பாத மாற்றங்களை AI மாடல் செய்யக்கூடும், அல்லது உங்கள் கட்டுப்பாட்டில் இல்லாத ஒரு சர்வருடன் உணர்திறன் மிக்க தரவைப் பகிரக்கூடும்.

தவறாகப் புரிந்துகொள்ளப்பட்ட கோரிக்கையோ தெளிவில்லாமல் விவரிக்கப்பட்ட கருவியோ தவறான செயலைத் தூண்டலாம். மேலும், ஒவ்வொரு அழைப்பும் உங்கள் தகவல்களில் சிலவற்றை ஒரு சர்வருக்கு அனுப்புகிறது.

அதனால்தான், எந்தக் கருவி அழைப்பையும் நிராகரிக்கும் திறனுடன், ஒரு மனிதரைச் செயல்முறையில் ஈடுபடுத்தி வைத்திருக்க வேண்டும் என்று AI ஆப்களிடம் புரோட்டோகால் எதிர்பார்க்கிறது.

கருவிகளுக்கு எவ்வளவு சரிபார்ப்பு தேவை என்பதன் அடிப்படையில் அவற்றை வகைப்படுத்த ஒரு நடைமுறை வழி இதோ:

• படிக்க மட்டும் செய்யும் செயல்கள்: Trello-வின் trelloReadList மூலம் ஒரு பட்டியலைப் படிப்பது போல, எதையாவது தேடிப் பார்ப்பது எதையும் மாற்றாது. எந்தக் கருவி இயங்கியது, அது எதைத் தேடியது என்பதை உங்கள் AI ஆப் காட்டும் வரை, இந்த அழைப்புகள் முன்கூட்டியே கேட்காமலேயே இயங்கலாம்.
• செயல்தவிர்க்கக்கூடிய செயல்கள்: Gmail-இன் create_draft மூலம் மின்னஞ்சல் வரைவை உருவாக்குவது அல்லது ஒரு Trello கார்டைச் சேர்ப்பது, நீங்கள் திரும்ப மாற்றக்கூடிய ஒன்றை மாற்றுகிறது. அழைப்பு இயங்குவதற்கு முன் உள்ளீடுகளைச் சரிபாருங்கள்.
• செயல்தவிர்க்க முடியாத செயல்கள்: Gmail-இன் send_message மூலம் மின்னஞ்சல் அனுப்புவது, பதிவுகளை நீக்குவது, அல்லது பணம் செலுத்துதல் அல்லது உணர்திறன் மிக்க தரவு தொடர்பான எதையும் திரும்ப மாற்ற முடியாது. இவற்றுக்கு ஒவ்வொரு முறையும் வெளிப்படையான அனுமதி வழங்குங்கள்.

Perplexity-இல் MCP கருவிகளைப் பயன்படுத்துதல்

Perplexity இரு திசைகளிலும் MCP கருவிகளுடன் செயல்படுகிறது: நீங்கள் இணைக்கும் MCP சர்வர்களிலிருந்து கருவிகளை அது பயன்படுத்த முடியும்; அதே நேரம், பிற AI ஆப்களுக்குத் தனது சொந்தக் கருவிகளையும் வழங்குகிறது.

• MCP சர்வர்களை Perplexity-உடன் இணையுங்கள்: Pro, Max, Enterprise சந்தாக்களில், MCP சர்வர் உள்ள எந்த வெளிப்புறக் கருவி அல்லது தரவு மூலத்துடனும் Perplexity-ஐ இணைத்து, அதைப் பதில்களிலும் Perplexity Computer ஏஜென்டிக் பணிப்பாய்வுகளிலும் பயன்படுத்தலாம். Mac ஆப்பில், உங்கள் கணினியில் இயங்கும் MCP சர்வர்களையும் இணைக்கலாம்
• பிற AI ஆப்களில் Perplexity-இன் கருவிகளைப் பயன்படுத்துங்கள்: Perplexity-இன் MCP சர்வர், ரிமோட் MCP சர்வர்களை ஆதரிக்கும் Claude Code போன்ற எந்த AI ஆப்பிற்கும் நான்கு கருவிகளை (perplexity_search, perplexity_ask, perplexity_research, perplexity_reason) வழங்குகிறது. பல படிநிலைப் பணிகளை Perplexity Computer-இடம் ஒப்படைக்க, ஒரு தனிச் சர்வர் பிற AI ஆப்களை அனுமதிக்கிறது.

MCP கருவிகள்: அடிக்கடி கேட்கப்படும் கேள்விகள்

MCP என்பது வெறும் கருவி அழைப்பு (tool calling) மட்டும்தானா?

இல்லை, MCP என்பது வெறும் கருவி அழைப்பு மட்டுமல்ல. ஒரு கருவியை மாடல் எவ்வாறு கோருகிறது என்பதே கருவி அழைப்பு; AI ஆப் கருவிகளை எவ்வாறு கண்டறிந்து, ஒவ்வொரு அழைப்பையும் அதை இயக்கும் சர்வருக்கு எவ்வாறு அனுப்புகிறது என்பதே MCP.

கருவி அழைப்பு (ஃபங்ஷன் காலிங் என்றும் அழைக்கப்படுகிறது) என்பது இந்த வேலையில் AI மாடலின் பங்கு: மாடல் கருவிகளின் பட்டியலைப் பார்த்து, அவற்றில் ஒன்றை இயக்குவதற்கான கோரிக்கையுடன் பதிலளிக்கிறது. கருவி அழைப்பை மட்டும் நம்பியிருந்தால், ஒவ்வொரு AI ஆப்பும் ஒவ்வொரு கருவியையும் தானே வரையறுத்து இயக்க வேண்டும்.

MCP கருவிகளைச் சர்வர்களில் இருக்கச் செய்கிறது; எனவே, MCP-ஐ ஆதரிக்கும் எந்த AI ஆப்பும் அவற்றைத் தனது மாடலுக்கு வழங்கி, மாடலின் கோரிக்கைகளைச் சரியான சர்வருக்கு அனுப்ப முடியும்.

MCP, API-களுக்கு மாற்றாகிவிடுமா?

இல்லை, MCP, API-களுக்கு மாற்றாகாது, ஏனெனில் MCP-யும் API-களும் இணைந்து செயல்படுகின்றன. MCP கருவிகள் பெரும்பாலும் ஏற்கனவே உள்ள API-களின் மேல் அமைந்திருக்கும்; மாடல் ஒரு கருவியை அழைக்கும்போது, MCP சர்வர் பொதுவாக ஒரு API கோரிக்கையை அனுப்பும்.

எந்தெந்த AI ஆப்கள் MCP கருவிகளை ஆதரிக்கின்றன?

Claude, ChatGPT, Perplexity போன்ற AI உதவியாளர்களிலும், Visual Studio Code, Cursor போன்ற டெவலப்மென்ட் கருவிகளிலும் MCP கருவிகள் செயல்படுகின்றன. MCP ஆவணங்கள் இவற்றைக் குறிப்பிடுவதோடு, மேலும் பல ஆப்களும் இவற்றை ஆதரிக்கின்றன என்றும் கூறுகின்றன.

AI மாடலே MCP-ஐ ஆதரிக்க வேண்டுமா?

தேவையில்லை. புரோட்டோகாலை உங்கள் AI ஆப் கையாள்வதால், AI மாடல் MCP-ஐ ஆதரிக்க வேண்டியதில்லை. ஆப் சர்வர்களுடன் இணைந்து, அவற்றின் கருவிகளை மாடலுக்கு வழங்கி, மாடலின் கருவிக் கோரிக்கைகளைச் சரியான சர்வருக்குத் திருப்பி அனுப்புகிறது. மாடல் ஃபங்ஷன் காலிங்கை ஆதரித்தால் மட்டும் போதும்.

MCP வழக்கொழிந்து வருகிறதா?

இல்லை, MCP இன்னும் தீவிரமாக மேம்படுத்தப்பட்டு வருகிறது. அதன் பராமரிப்பாளர்கள் ஜூலை 2026-இல் MCP விவரக்குறிப்பின் புதிய பதிப்பை வெளியிட்டனர்; ஆகஸ்ட் 2026-இல் புதுப்பிக்கப்பட்ட ரோட்மேப்பை வெளியிட்டனர். உரையாடல் குறிப்பிட்ட திசையில் சுருங்கும்போது, சர்வர்கள் தங்கள் கருவிகளைப் படிப்படியாக வெளிப்படுத்த அனுமதிக்கும் பணியும் அதில் அடங்கும்.