Qu'est-ce que le Protocole de Contexte de Modèle (MCP)?

LeProtocole de Contexte de Modèle(MCP) est une norme ouverte développée par @AnthropicAIqui révolutionne la manière dont les modèles d'IA se connectent aux sources de données externes et aux outils. Initialement, l'impact de la norme était lent, mais depuis @OpenAIadopté tôt cette année, il a explosé en termes d'adoption. Il est souvent comparé à un "port USB-C pour les agents IA" - il fournit une méthode uniforme pour les connecter à divers outils et sources de données, simplifiant la manière dont l'IA interagit avec les ressources externes.

Au lieu que les développeurs créent des intégrations personnalisées pour chaque source de données ou outil, le MC établit un protocole de communication standardisé entre les modèles d'IA (clients) et les fournisseurs de données/outils (serveurs). L'objectif est d'aider les modèles de pointe à produire de meilleures réponses plus pertinentes en les connectant aux systèmes où les données résident, y compris les référentiels de contenu, les outils métier et les environnements de développement.

Au cœur de la MC, MCP aborde la limitation fondamentale des grands modèles de langage (LLM) étant isolés des données en temps réel et incapables de prendre des mesures directes à l'extérieur. MCP permet aux systèmes d'IA de découvrir et d'interagir avec des outils disponibles de manière dynamique, en soutenant une communication persistante à double sens entre les modèles et les systèmes externes. Cela est particulièrement important et puissant pour permettre aux agents d'IA autonomes d'avoir des capacités plus robustes, notamment dans le domaine de la finance décentralisée (DeFi).

Comment MC Optimise les Agents d'IA dans DeFi

MCP augmente considérablement les capacités des agents d'IA dans la DeFi en rationalisant la manière dont les agents traitent et interagissent avec les données en temps réel. MCP permet aux agents d'IA d'accéder dynamiquement à des flux de données externes, tels que des données de marché, à partir de sources telles que des bases de données relationnelles et des API. Cela rend plus facile pour les agents d'ingérer les derniers développements et améliore leur capacité à prendre des décisions éclairées. En intégrant diverses sources de données en temps réel, les agents peuvent analyser des points de données complexes et s'adapter aux conditions changeantes du marché - une tâche critique pour des cas d'utilisation comme la fourniture de liquidités.

MC améliore également l'efficacité des agents d'IA en permettant aux outils de prendre des mesures. Les agents peuvent non seulement extraire des données de systèmes externes, mais aussi pousser des mises à jour ou des actions dans ces systèmes, comme l'exécution de contrats intelligents ou la mise à jour des positions de liquidité. Cela permet aux agents d'exécuter de manière autonome des stratégies DeFi, les rendant plus efficaces dans l'espace. En éliminant le besoin d'intégrations personnalisées pour chaque outil ou source de données, MC réduit la complexité et accélère le déploiement de solutions DeFi pilotées par l'IA. Cela permet aux agents de s'adapter rapidement, de se développer et de répondre à de nouvelles opportunités, augmentant ainsi l'efficacité globale des opérations DeFi.

MCP est excellent pour fournir ces capacités de base aux agents - des outils pour obtenir des données et agir. En revanche, il n'est pas adapté pour permettre aux agents de se coordonner ou de communiquer entre eux. Contrairement aux outils, les agents ne sont pas conçus pour suivre des commandes rigides via une API fixe. Ils sont naturellement flexibles, utilisant un langage naturel pour exécuter toute une gamme de capacités et orchestrer des interactions qui impliquent souvent des états partagés. Je développe ce point dans la section « MCP Accélère le Besoin de Coordination de la Nuée d'Agents » ci-dessous.

Pour ceux qui sont nouveaux dans le concept, la voix de l'industrie leader @S4mmyEtha écrit un article détaillé sur MC le qualifiant de « déverrouillage majeur pour la crypto et l'IA open source » - vous pouvez trouver cet article ci-dessous.

Adoption de MC à travers les industries

Web3 et Blockchain

Web3 est un creuset naturel d'innovation, et devient rapidement un terrain d'essai pour les systèmes et méthodologies d'IA. Il en va de même pour MCP, qui améliore l'intégration de l'IA-blockchain et ouvre la voie à des systèmes intelligents pour interagir efficacement avec des applications décentralisées, débloquant de nouvelles efficacités dans Web3, comme récemment noté par @aelfblockchain.

Il existe plusieurs projets passionnants dans l'écosystème Web3 qui s'orientent vers MCP, ils comprennent :

@Arcdotfun – le principal cadre Rust pour les agents d'IA dans Web3 vient d'annoncer Ryzome, un magasin d'applications universel pour l'IA agentic, alimenté par MCP, qui normalise la communication entre les agents d'IA et les services numériques. Cela permet aux agents d'IA d'accéder facilement aux services Web 2 et Web 3 sans intégrations complexes.

@heurist_ai- un Cloud AI-as-a-Service décentralisé, a publié un certain nombre d'outils accessibles par MCP comme une intégration pour @getmasafiDonnées X.

Consultez leur Github pour un examen approfondi de leurcadre de l'agent.

@UnifaiNetwork- une start-up Web3 AI s'est positionnée comme MC pour Web3, en construisant une large gamme de plugins MC open source avec des capacités comprenant, les paiements de portefeuille, les échanges, les stratégies de gestion de liquidité, les paris alimentés par l'IA, et plus encore.

@StoryProtocol- la blockchain IP du monde, a également récemment annoncé des intégrations avec MCP pour permettre aux agents d'IA d'obtenir des informations sur les transactions, les licences, les transactions et la propriété dans leur écosystème, ainsi que permettre aux agents de créer et de transférer la PI.

Ces mises en œuvre par des équipes innovantes dans l'espace permettent aux LLMs d'interagir efficacement avec les données de la blockchain en temps réel, d'effectuer des audits de sécurité sur les contrats intelligents, de suivre les métriques des jetons, et même de faciliter les transactions on-chain avec les garanties appropriées.

E-commerce et vente au détail

Dans l'espace du commerce électronique et de la vente au détail, MCP transforme la façon dont les agents d'IA se connectent aux sources de données et aux outils, améliorant à la fois l'efficacité opérationnelle et l'expérience client. Des fonctions telles que les recherches de produits, le suivi des commandes et les recommandations de prix rationalisent les opérations et améliorent l'expérience d'achat globale.

Les premières intégrations de MCP dans l'espace comprennent :

@Shopifymagasins sontintégration MCPpour gérer facilement les produits, les clients, les commandes et plus encore avec des appels API simples à leur API d'administration.

@blocksl'un des principaux fournisseurs de paiement a utiliséMCP pour construire un agent d'IA extensible open source, nommé Goose, qui aide à installer, exécuter, éditer et tester du code avec n'importe quel LLM.

@WooCommercea inclusServeurs MCpour améliorer l'interaction avec leurs magasins, en permettant des outils complets pour gérer les produits, les commandes, les clients, l'expédition, les taxes, les remises et la configuration du magasin.

Entreprise B2B

Dans le secteur de l'entreprise, il y a eu une adoption significative de MC pour les opérations commerciales et les flux de travail. MC a connu une adoption à travers les offres principales de l'entreprise, y compris :

@OpenAI a intégré la technologiepour améliorer la communication standardisée entre les agents d'IA et les systèmes externes, rationaliser les flux de travail de l'entreprise et réduire les frais de développement.

@Microsofta inclusMCP dans des produits comme Copilot Studioet Kernel sémantique, permettant aux créateurs de se connecter directement aux serveurs de connaissances et aux API existants. Les actions et les connaissances sont automatiquement ajoutées à l'agent, et continuellement mises à jour à mesure que la fonctionnalité évolue.

@Databricksa adoptéun MCPserveur qui se connecte à leur API, permettant aux LLMs d'exécuter des requêtes SQL, de répertorier des emplois et d'obtenir l'état des emplois mis à jour'.

Outils de développement et d'ingénierie

Le développement logiciel a été l'un des premiers et des plus robustes adoptants de MC. Comme le souligne NSHipster dans un article récent, le «Language Server Protocol (LSP) a révolutionné la manière dont les langages de programmation s'intègrent aux outils de développement. Le Model Context Protocol (MCP) vise à faire de même pour une nouvelle génération d'outils d'IA.

Certains outils de développement majeurs et d'ingénierie qui prennent désormais en charge l'intégration de MC inclus :

@zeddotdev @Replit @codeiumdevet @Sourcegraph travaille avec MCpour améliorer leurs plateformes, en permettant aux agents de mieux récupérer des informations pour comprendre le contexte autour d'une tâche de codage, produisant un code plus nuancé et fonctionnel.

@github serveurs MCPfournir une intégration transparente avec leurs API, permettant des capacités avancées d'automatisation et d'interaction pour les développeurs et les outils.

Intégrations IDE pour l'analyse de codeet la génération, transformant l'IA d'un assistant passif en un partenaire actif et collaboratif dans le processus de développement logiciel.

L'expansion de la portée et de l'impact de MCP pour les systèmes d'IA

L'adoption rapide de MCP dans divers secteurs souligne sa valeur en tant que protocole standardisé pour l'interaction des outils d'IA. Initialement une initiative d'Anthropic, elle a maintenant évolué en un écosystème ouvert avec des milliers de serveurs construits par la communauté et des intégrations de grandes entreprises technologiques. Récemment, nous avons constaté une croissance phénoménale de l'accessibilité des serveurs MCP, avec plus de 300 disponibles spécifiquement pour les agents d'IA, comme le montre @Sumanth_077ci-dessous.

À mesure que MC mûrit, nous constatons :

1. Intégrations simplifiées - remplacement des connecteurs personnalisés par des interfaces standardisées.
2. Sécurité renforcée grâce à l'authentification au niveau du protocole et au contrôle d'accès.
3. Un écosystème de développeurs florissant créant des outils spécialisés et des connecteurs.
4. Compatibilité interplateforme entre différents modèles et applications d'IA.

MCP Accélère le Besoin de Coordination de l'Essaim d'Agents

Alors que MC résout le problème de connectivité entre les agents AI individuels et les sources de données, il ne résout pas le défi de coordination parmi les agents spécialisés multiples. C'est là que @TheoriqAIarrive.

Theoriq défend depuis deux ans l'utilisation d'essaims d'agents (que nous avons appelés collectifs avant que le terme essaims ne prenne son envol). Alors que nous développons le Protocole Theoriq, un protocole décentralisé multi-agent pour la finance pilotée par l'IA, nous posons les bases pour que les agents puissent communiquer, collaborer et exécuter des tâches financières complexes. Nous relevons déjà ce défi de front, en construisant un essaim de Provisionnement de Liquidité Onchain (OLP) basé sur le protocole qui apporte une valeur financière à l'écosystème DeFi et à ses acteurs. Plus d'informations à ce sujet ci-dessous.

Les agents spécialisés continueront à émerger et à devenir efficaces dans les tâches pour lesquelles ils sont conçus, et à mesure que chacun exploitera le protocole MC pour accéder aux données, ils auront toujours besoin de "rails de communication" pour communiquer entre eux. Ajouter de nombreux plugins MC à un agent générique sera moins efficace que d'avoir des agents spécialisés qui communiquent à travers un protocole coordonné.

L'ajout de MCP rend plus facile la connexion des agents aux sources externes, et l'ajout de cette capacité à ce sur quoi Theoriq travaille ne fera qu'augmenter les capacités des agents.

Le protocole Theoriq aborde ce défi de prochain niveau en :

1. Permettre la communication d'agent à agent - Alors que MCP connecte les agents aux sources de données, Theoriq connecte les agents à d'autres agents de manière minimisée en termes de confiance, y compris des communications de soutien et durables. Il est important de noter que MCP permet uniquement à un agent d'initier des demandes d'information, mais Theoriq permet aux agents d'être rappelés chaque fois qu'un événement important se produit (comme un changement sur le marché ou une actualité importante).
2. Fournir des mécanismes de coordination - les essaims de Theoriq permettent à des agents spécialisés de travailler ensemble sur des tâches complexes comme la fourniture de liquidité - ils peuvent communiquer dans un langage naturel avec une sémantique riche alors que MCP suit un paradigme API traditionnel avec des capacités plus rigides et étroitement définies.
3. Établir des incitations économiques – Contrairement à MC, Theoriq utilise l'économie des jetons et le paiement pour inciter les contributions et la participation de haute qualité des agents avec des résultats financiers.
4. Sécuriser les interactions des agents - L'architecture on-chain/off-chain de Theoriq garantit une communication d'agent sécurisée et vérifiable au-delà de ce que MCP offre.
5. Découverte et réputation de l'agent de support - Theoriq permet aux agents de se découvrir mutuellement en fonction de leurs capacités et de leur parcours, favorisant une collaboration plus efficace.

MCP en tant que couche d'outillage de l'Agent, Theoriq en tant que couche de coordination

Le protocole de contexte de modèle est apparu comme une infrastructure essentielle reliant les modèles d'IA aux données et aux outils. Il standardise la manière dont les agents interagissent avec le monde extérieur, rendant les agents spécialisés et capables de plus en plus faisables et précieux.

Cependant, à mesure que ces agents spécialisés prolifèrent, le besoin de coordination entre eux augmente. Theoriq comble cette lacune critique en fournissant les "rails" pour la communication entre les agents, permettant ainsi aux systèmes multi-agents complexes de relever des défis sophistiqués tels que la fourniture de liquidité en chaîne.

La combinaison de MCP pour la connectivité agent-monde et de Theoriq pour la coordination agent-agent crée une base puissante pour l'économie émergente des agents. Cette synergie permet l'excellence spécialisée plutôt que la médiocrité généralisée, indiquant la voie vers un écosystème AI plus efficace, capable et minimisé en termes de confiance. Nous anticipons que tous les principaux cadres d'agents AI dans Web3 adopteront MCP, tout comme Rig l'a fait. En collaborant avec ces cadres pour intégrer Theoriq pour la coordination d'essaim, nous prévoyons à la fois que MCP et Theoriq augmenteront en valeur.

Avertissement:

1. Cet article est repris de [MCRon Bodkin]. Tous les droits d'auteur appartiennent à l'auteur original [Ron Bodkin]. S'il y a des objections à cette réimpression, veuillez contacter le Portail Apprendreéquipe et ils s'en occuperont rapidement.
2. Clause de non-responsabilité : Les points de vue et opinions exprimés dans cet article sont uniquement ceux de l'auteur et ne constituent aucun conseil en investissement.
3. L'équipe Gate Learn traduit l'article dans d'autres langues. Copier, distribuer ou plagier les articles traduits est interdit sauf mention contraire.