MCP (Model Context Protocol) là gì? Vì sao khi thiết kế workflow ai cần phải biết

MCP là gì? Định nghĩa cốt lõi

Tại sao MCP lại quan trọng? Vấn đề “N x M” và giới hạn của LLM

• LLM đơn lẻ có giới hạn: Như đã đề cập, LLM tự thân rất mạnh mẽ trong xử lý ngôn ngữ nhưng lại yếu trong việc thực hiện các tác vụ cụ thể trong thế giới thực. Chúng giỏi dự đoán từ tiếp theo (ví dụ: “My Big Fat Greek…” -> “Wedding”), nhưng không thể tự động hóa công việc nếu không có sự trợ giúp.
• Tích hợp công cụ phức tạp: Bước tiến hóa tiếp theo là các nhà phát triển tìm cách kết nối LLM với các công cụ (tools) hoặc APIs bên ngoài (ví dụ: cho phép ChatGPT duyệt web, hay dùng Perplexity để tìm kiếm thông tin cập nhật). Điều này giúp LLM trở nên hữu ích hơn đáng kể. Tuy nhiên, quá trình tích hợp này thường rất phức tạp, tốn công và dễ gặp lỗi. Việc dán các công cụ khác nhau vào LLM giống như cố gắng lắp ráp một cỗ máy từ nhiều bộ phận không hoàn toàn tương thích.
• Bài toán “N x M”: Đây là vấn đề cốt lõi mà MCP giải quyết. Hãy tưởng tượng bạn có N mô hình LLM khác nhau (Claude, GPT, Gemini…) và M công cụ/nguồn dữ liệu khác nhau (Slack, Google Drive, PostgreSQL, GitHub,…). Để tất cả các LLM có thể làm việc với tất cả các công cụ, theo cách cũ, bạn cần xây dựng N * M kết nối tùy chỉnh riêng biệt. Đây là một cơn ác mộng về kỹ thuật và chi phí. Nếu Slack cập nhật API, bạn có thể phải sửa lại kết nối cho tất cả các LLM đang dùng nó.

• Các nhà cung cấp công cụ chỉ cần xây dựng 1 bộ phận tương thích với MCP (gọi là MCP Server).
• Các nhà cung cấp LLM chỉ cần xây dựng 1 bộ phận tương thích với MCP (gọi là MCP Client).

Kiến trúc và cách hoạt động của MCP

1. Host (Máy chủ lưu trữ): Đây là ứng dụng LLM mà người dùng cuối tương tác, ví dụ như Claude Desktop. Host cung cấp môi trường để các kết nối MCP diễn ra.
2. Client (Máy khách): Là các thành phần nằm bên trong Host. Mỗi Client thiết lập và duy trì một kết nối một-một (one-to-one) với một Server bên ngoài thông qua giao thức MCP.
3. Server (Máy chủ MCP): Là các tiến trình (processes) riêng biệt chạy bên ngoài Host. Server có nhiệm vụ cung cấp context (ngữ cảnh), tools (công cụ) và prompts (câu lệnh gợi ý) cho Client. Mỗi Server thực hiện các khả năng cụ thể của một dịch vụ hoặc nguồn dữ liệu (ví dụ: khả năng đọc/ghi file Google Drive, truy vấn database PostgreSQL) thông qua giao thức MCP đã được chuẩn hóa.

• Phía Server (Cung cấp cho LLM):
  • Prompts: Các hướng dẫn hoặc mẫu câu lệnh có thể được thêm vào ngữ cảnh của LLM. Chúng định hướng cách LLM nên tiếp cận một tác vụ hoặc dữ liệu cụ thể. (Ví dụ: “Khi người dùng hỏi về dữ liệu bán hàng, hãy sử dụng công cụ X để truy vấn bảng Y”).
  • Resources (Tài nguyên): Các đối tượng dữ liệu có cấu trúc (structured data) có thể được đưa vào cửa sổ ngữ cảnh của LLM. Điều này cho phép LLM tham chiếu thông tin từ các nguồn bên ngoài một cách trực tiếp. (Ví dụ: Cung cấp schema của database cho LLM).
  • Tools (Công cụ): Các hàm có thể thực thi (executable functions) mà LLM có thể gọi để lấy thông tin hoặc thực hiện hành động bên ngoài ngữ cảnh của nó. (Ví dụ: Gọi hàm để truy vấn database, sửa đổi một file).
• Phía Client (Yêu cầu từ LLM hoặc Host):
  • Root: Hãy coi đây là việc tạo ra một kênh an toàn để truy cập file. Nó cho phép ứng dụng AI (Host) làm việc an toàn với các tệp trên hệ thống cục bộ của bạn (mở tài liệu, đọc mã nguồn, phân tích tệp dữ liệu) mà không cấp quyền truy cập không hạn chế vào toàn bộ hệ thống tệp.
  • Sampling: Primitive này cho phép Server yêu cầu sự trợ giúp của LLM khi cần thiết. Đây là điểm rất mạnh, tạo ra sự tương tác hai chiều. Ví dụ: Một MCP Server đang phân tích schema database của bạn và cần tạo một câu truy vấn SQL phù hợp. Nó có thể yêu cầu LLM (thông qua Client) giúp xây dựng câu truy vấn đó dựa trên yêu cầu ngôn ngữ tự nhiên.

• Trước MCP: Bạn cần một kỹ sư xây dựng một tích hợp tùy chỉnh, viết code để kết nối Claude với PostgreSQL, xử lý định dạng dữ liệu, quản lý quyền truy cập – rất phức tạp.
• Với MCP:
  • Bạn cài đặt hoặc chạy một MCP Server dành riêng cho PostgreSQL. Server này biết cách kết nối với database của bạn và thực hiện các khả năng (như truy vấn dữ liệu) thông qua các Primitives của MCP.
  • Trong ứng dụng Claude (Host), MCP Client kết nối với MCP Server của PostgreSQL.
  • Khi bạn yêu cầu Claude (“Hãy cho tôi biết doanh thu tháng trước từ bảng ‘orders'”), Claude (thông qua Client) sẽ sử dụng Tool Primitive để gửi yêu cầu truy vấn đến MCP Server.
  • MCP Server thực hiện truy vấn trên database PostgreSQL.
  • Kết quả được Server xử lý và gửi lại cho Client dưới dạng Resource Primitive.
  • Claude nhận dữ liệu này, đưa vào ngữ cảnh và tạo ra câu trả lời cho bạn, kết hợp khả năng ngôn ngữ của nó với dữ liệu thực tế từ database.

Hệ sinh thái MCP đang phát triển mạnh mẽ

• Tích hợp sẵn có: Các nhà phát triển đã tạo ra các MCP Server cho nhiều hệ thống phổ biến như Google Drive, Slack, GitHub, Git, PostgreSQL,…
• SDKs: Bộ công cụ phát triển phần mềm (SDK) có sẵn cho các ngôn ngữ lập trình phổ biến như Typescript và Python, giúp các nhà phát triển dễ dàng hơn trong việc xây dựng các MCP Server hoặc tích hợp MCP Client vào ứng dụng của họ.
• Cộng đồng: Sự quan tâm và đóng góp từ cộng đồng mã nguồn mở đang ngày càng tăng.

Thách thức và tương lai của MCP

• Độ phức tạp cài đặt ban đầu: Một số người dùng phản ánh rằng việc thiết lập MCP Server cục bộ (tải về, di chuyển file, cấu hình) đôi khi còn hơi phức tạp và chưa thực sự thân thiện với người dùng cuối không chuyên về kỹ thuật.
• Giai đoạn sơ khai: MCP vẫn còn rất mới. Tiêu chuẩn có thể sẽ tiếp tục được cập nhật, tinh chỉnh. Cũng có khả năng các công ty khác (như OpenAI) sẽ đưa ra các tiêu chuẩn cạnh tranh. Cuộc chiến về tiêu chuẩn có thể vẫn còn ở phía trước.

Cơ hội nào cho lập trình viên và doanh nghiệp?

• Đối với lập trình viên kỹ thuật:
  • Xây dựng các MCP Server mới cho các dịch vụ, API hoặc nguồn dữ liệu chưa được hỗ trợ.
  • Phát triển các công cụ giúp đơn giản hóa việc triển khai và quản lý MCP Server (ví dụ: một “MCP App Store” như ý tưởng được đề cập trong video, nơi người dùng có thể dễ dàng tìm, cài đặt và triển khai các server).
  • Tích hợp MCP Client vào các ứng dụng AI tùy chỉnh.
• Đối với người làm kinh doanh/Startup (kể cả non-technical):
  • Quan sát và cập nhật: Giai đoạn này, điều quan trọng nhất là theo dõi sát sao sự phát triển của MCP và các tiêu chuẩn tương tự. Xem cộng đồng đón nhận nó như thế nào, các ông lớn khác phản ứng ra sao.
  • Nhận diện khoảng trống: Khi tiêu chuẩn trở nên ổn định hơn, hãy suy nghĩ về việc làm thế nào để tận dụng nó. Liệu có thể xây dựng các trợ lý AI chuyên biệt cho một ngành nghề cụ thể, tích hợp sâu với các công cụ mà ngành đó hay dùng thông qua MCP không?
  • Tập trung vào trải nghiệm người dùng: MCP giải quyết vấn đề kỹ thuật ở tầng dưới. Cơ hội nằm ở việc xây dựng các ứng dụng AI có trải nghiệm người dùng mượt mà, tận dụng sức mạnh tích hợp mà MCP mang lại.

Kết luận

• Giúp LLM trở nên có năng lực hơn, vượt ra ngoài giới hạn xử lý văn bản đơn thuần.
• Giảm đáng kể độ phức tạp và chi phí cho việc xây dựng các ứng dụng AI mạnh mẽ.
• Thúc đẩy một hệ sinh thái AI mở và tương thích hơn.