Bước tiếp theo trong tự động hóa AI: Model Context Protocol (MCP)

Các loại mô hình AI khác nhau, từ các mô hình ngôn ngữ lớn đến hệ thống computer vision, có khả năng hỗ trợ nhiều tác vụ khác nhau, bao gồm tạo văn bản, phân tích hình ảnh, phát hiện mẫu và đưa ra dự đoán. Tuy nhiên, việc kết nối các mô hình này với các hệ thống máy tính thực tế một cách liền mạch, có khả năng mở rộng thường đòi hỏi những nỗ lực tích hợp phức tạp.

Mặc dù một mô hình có thể hoạt động tốt khi đứng một mình, việc deploying nó trong môi trường thực tế thường yêu cầu quyền truy cập vào các công cụ bên ngoài, dữ liệu trực tiếp hoặc ngữ cảnh đặc thù theo miền. Việc ghép nối các yếu tố này lại với nhau thường liên quan đến mã tùy chỉnh, thiết lập thủ công và khả năng tái sử dụng bị hạn chế.

Gần đây, khái niệm Model Context Protocol (MCP) đang thu hút sự chú ý trong AI community. MCP là một tiêu chuẩn mở cho phép các hệ thống AI trao đổi thông tin với các công cụ, tệp và cơ sở dữ liệu bằng một định dạng có cấu trúc, được chia sẻ chung. Thay vì xây dựng các tích hợp cho mọi trường hợp sử dụng, các nhà phát triển có thể sử dụng MCP để hợp lý hóa cách các mô hình truy cập và tương tác với ngữ cảnh mà chúng cần.

Bạn có thể hình dung MCP giống như một bộ chuyển đổi đa năng. Giống như bộ chuyển đổi du lịch cho phép các thiết bị của bạn cắm vào các ổ cắm điện khác nhau trên khắp thế giới, MCP cho phép các mô hình AI kết nối với nhiều hệ thống, công cụ và nguồn data khác nhau mà không cần thiết lập tùy chỉnh cho từng nguồn.

Trong bài viết này, chúng ta sẽ xem xét kỹ hơn MCP là gì, cách thức hoạt động và vai trò của nó trong việc làm cho AI trở nên hiệu quả hơn trong các ứng dụng thực tế. Chúng ta cũng sẽ khám phá một số ví dụ thực tế về nơi MCP đang được sử dụng.

Model Context Protocol là gì?#

Model Context Protocol (MCP) là một tiêu chuẩn mở được tạo ra bởi Anthropic, một công ty nghiên cứu và an toàn AI nổi tiếng với việc xây dựng các language models nâng cao. Nó cung cấp cho các mô hình AI một cách rõ ràng để kết nối với các công cụ, tệp hoặc cơ sở dữ liệu.

Hầu hết các trợ lý AI ngày nay đều dựa vào các large language models để trả lời câu hỏi hoặc hoàn thành tác vụ. Tuy nhiên, các mô hình đó thường cần thêm dữ liệu để phản hồi tốt. Nếu không có một hệ thống chung, mỗi kết nối phải được xây dựng từ đầu.

Ví dụ, một chatbot được thiết kế để hỗ trợ CNTT có thể cần lấy thông tin từ hệ thống ticketing nội bộ của công ty. Nếu không có MCP, việc này sẽ yêu cầu một tích hợp tùy chỉnh, làm cho quá trình thiết lập tốn thời gian và khó bảo trì.

MCP giải quyết vấn đề đó bằng cách đóng vai trò như một cổng kết nối chung cho tất cả các công cụ và model. Nó không thuộc về bất kỳ công ty hay model cụ thể nào - thay vào đó, nó là một khái niệm mới về cách các hệ thống AI có thể kết nối với dữ liệu và dịch vụ bên ngoài.

Fig 1. MCP giống như một cổng chung cho tất cả các công cụ và mô hình.

Bất kỳ nhà phát triển nào cũng có thể sử dụng MCP để xây dựng các trợ lý hoạt động với thông tin trực tiếp. Điều này giúp giảm thời gian thiết lập và tránh nhầm lẫn khi chuyển đổi giữa các công cụ hoặc nền tảng.

Nguồn gốc và sự chấp nhận của Model Context Protocol#

Anthropic đã giới thiệu ý tưởng về Model Context Protocol (MCP) vào November 2024. Nó bắt đầu như một dự án mã nguồn mở nhằm cải thiện cách các mô hình ngôn ngữ tương tác với các công cụ và dữ liệu.

Kể từ đó, MCP đã nhận được rất nhiều sự chú ý. Nó bắt đầu với các nhà phát triển xây dựng các công cụ nội bộ cho những việc như tìm kiếm tài liệu và hỗ trợ lập trình. Sự quan tâm ban đầu đó đã phát triển nhanh chóng, với các công ty lớn hơn bắt đầu sử dụng MCP trong các hệ thống production của họ.

Fig 2. MCP so với tích hợp AI truyền thống.

Đến đầu năm 2025, sự hỗ trợ cho MCP bắt đầu lan rộng khắp ngành công nghệ. OpenAI và Google DeepMind, hai phòng thí nghiệm nghiên cứu AI hàng đầu, đã thông báo rằng hệ thống của họ sẽ hoạt động với giao thức này.

Cùng lúc đó, Microsoft đã phát hành các công cụ giúp nhà phát triển sử dụng MCP dễ dàng hơn, bao gồm hỗ trợ cho các sản phẩm phổ biến như Copilot Studio, giúp các doanh nghiệp xây dựng trợ lý AI và Visual Studio Code, một trình soạn thảo mã được sử dụng rộng rãi.

Các thành phần chính của Model Context Protocol#

Tại trung tâm của MCP là ba thành phần chính: client, server và một bộ quy tắc chung gọi là giao thức. Hãy coi nó giống như một cuộc trò chuyện giữa hai bên: một bên yêu cầu thông tin và bên kia cung cấp thông tin đó.

Trong thiết lập này, hệ thống AI đóng vai trò là client. Khi nó cần thứ gì đó, như một tệp tin, một mục trong cơ sở dữ liệu hoặc một công cụ để thực hiện hành động, nó sẽ gửi một yêu cầu. Ở phía bên kia, server nhận yêu cầu đó, lấy thông tin cần thiết từ đúng nguồn và gửi trả lại theo cách mà AI có thể hiểu được.

Cấu trúc này có nghĩa là các nhà phát triển không phải xây dựng kết nối tùy chỉnh mỗi khi họ muốn một AI model làm việc với một công cụ hoặc nguồn dữ liệu mới. MCP giúp chuẩn hóa quy trình, làm cho mọi thứ trở nên nhanh hơn, đơn giản hơn và đáng tin cậy hơn.

Tổng quan về cách thức hoạt động của MCP#

Dưới đây là quy trình cách MCP kết nối một trợ lý AI với dữ liệu hoặc công cụ bên ngoài:

• Trợ lý kiểm tra những gì nó biết: Khi người dùng hỏi điều gì đó, trợ lý trước tiên kiểm tra xem nó đã có câu trả lời hay chưa. Nếu chưa, nó quyết định nhờ sự trợ giúp từ một hệ thống khác.
• Nó tạo một yêu cầu: Đóng vai trò là một MCP client, trợ lý tạo ra một yêu cầu. Điều này bao gồm những dữ liệu nào nó cần và lý do tại sao.
• Yêu cầu đến được server: Yêu cầu được gửi đến một server được kết nối với một công cụ, ứng dụng hoặc cơ sở dữ liệu. Server có thể hiểu và xử lý yêu cầu đó bằng cách sử dụng các quy tắc của MCP.
• Server thực hiện công việc: Nó có thể tìm kiếm dữ liệu, chạy một truy vấn, cập nhật tệp tin hoặc thực hiện hành động khác trong công cụ được kết nối - bất cứ điều gì trợ lý đã yêu cầu.
• Server phản hồi: Dữ liệu được đóng gói theo định dạng MCP và gửi lại cho trợ lý. Điều này giúp model hiểu được ngay lập tức.
• Trợ lý trả lời: Với ngữ cảnh đã được cập nhật, trợ lý sử dụng thông tin mới để hoàn thành phản hồi của mình. Người dùng nhận được câu trả lời chính xác, phù hợp và dựa trên dữ liệu thời gian thực.

Fig 3. Cách thức hoạt động của MCP trong các ứng dụng AI.

Khám phá các ứng dụng thực tế của MCP#

Ngày nay, MCP đã và đang được sử dụng trên nhiều công cụ và nền tảng dựa vào ngữ cảnh real-time. Dưới đây là một số ví dụ về cách các công ty đang sử dụng giao thức này để kết nối các mô hình ngôn ngữ với các hệ thống trực tiếp và dữ liệu có cấu trúc:

• Phát triển phần mềm: Các trợ lý lập trình trở nên hữu ích hơn khi chúng biết bạn đang làm việc với cái gì. Các công cụ như Zed (một trình soạn thảo mã nhanh, cộng tác) và Replit (một nền tảng trực tuyến để viết và chạy mã) sử dụng MCP để các trợ lý của họ có thể đọc các tệp đang mở và theo dõi các thay đổi của bạn khi bạn lập trình.
• Trợ lý doanh nghiệp: Nhiều công ty sử dụng các công cụ nội bộ như wiki, bộ phận hỗ trợ hoặc hệ thống Quản lý Quan hệ Khách hàng (CRM). Các doanh nghiệp như Apollo (một nền tảng cho các nhóm bán hàng) sử dụng MCP để cho phép trợ lý của họ tìm thông tin trên các hệ thống này - mà không làm người dùng phải chuyển đổi giữa các ứng dụng.
• Tác nhân đa công cụ: Một số tác vụ trải rộng trên nhiều hệ thống. Với MCP, các trợ lý có thể tìm kiếm tài liệu và gửi cập nhật hoặc tin nhắn một cách trơn tru.
• Trợ lý máy tính để bàn: Các trợ lý chạy trên máy tính của bạn đôi khi cần truy cập vào các tệp cục bộ. Ứng dụng máy tính để bàn Claude, được xây dựng bởi Anthropic như một phần trong gia đình trợ lý AI của mình, sử dụng MCP để xử lý các yêu cầu này một cách an toàn, giữ dữ liệu của bạn trên thiết bị thay vì gửi lên đám mây.

Fig 4. Ví dụ về cách MCP xử lý dữ liệu trên nhiều hệ thống.

Sử dụng MCP để thúc đẩy các ứng dụng computer vision#

Tiếp theo, hãy xem xét kỹ hơn một nhánh của AI nơi MCP chỉ mới bắt đầu xuất hiện: computer vision.

Mặc dù các mô hình computer vision như Ultralytics YOLO11 rất giỏi trong việc nhận diện các mẫu và đối tượng trong hình ảnh, nhưng những thông tin chi tiết của chúng có thể trở nên có sức ảnh hưởng lớn hơn nữa khi được kết hợp với bối cảnh phù hợp.

Trong các ứng dụng thực tế, đặc biệt là trong lĩnh vực healthcare, việc bổ sung bối cảnh như lịch sử bệnh án, kết quả xét nghiệm hoặc ghi chú lâm sàng có thể nâng cao đáng kể tính hữu ích của các dự đoán mô hình, dẫn đến các kết quả có ý nghĩa và được thông tin đầy đủ hơn.

Đó là nơi Model Context Protocol (MCP) phát huy tác dụng. Mặc dù nó chưa được sử dụng rộng rãi và vẫn là một cách tiếp cận đang phát triển được các nhà nghiên cứu và kỹ sư khám phá, nó cho thấy rất nhiều tiềm năng.

Tăng cường chẩn đoán hình ảnh y tế với AI nhận biết ngữ cảnh và MCP#

Ví dụ, trong việc chẩn đoán diabetic retinopathy, một tình trạng có thể gây mất thị lực ở những người mắc bệnh tiểu đường, trợ lý AI có thể sử dụng MCP để điều phối nhiều công cụ chuyên specialized. Nó có thể bắt đầu bằng việc truy xuất hồ sơ bệnh nhân từ cơ sở dữ liệu và đánh giá rủi ro bệnh tiểu đường bằng cách sử dụng một mô hình dự đoán.

Sau đó, một model computer vision phân tích hình ảnh võng mạc để tìm dấu hiệu tổn thương, chẳng hạn như xuất huyết hoặc sưng tấy, cho thấy sự hiện diện hoặc mức độ nghiêm trọng của bệnh võng mạc. Cuối cùng, trợ lý có thể tìm kiếm các thử nghiệm lâm sàng phù hợp dựa trên hồ sơ của bệnh nhân.

MCP cho phép tất cả các công cụ này giao tiếp thông qua một giao thức chung, cho phép trợ lý kết hợp phân tích hình ảnh và dữ liệu có cấu trúc trong một quy trình làm việc liền mạch.

Fig 5. Hình ảnh võng mạc được xử lý bởi trợ lý AI sử dụng MCP.

Mỗi công cụ được truy cập thông qua một MCP server, cho phép trợ lý gửi các yêu cầu có cấu trúc và nhận các phản hồi đã được chuẩn hóa. Điều này loại bỏ nhu cầu về các tích hợp tùy chỉnh và cho phép trợ lý kết hợp phân tích hình ảnh với dữ liệu bệnh nhân quan trọng trong một quy trình làm việc trơn tru và hiệu quả. Mặc dù MCP vẫn còn mới, đã có rất nhiều nghiên cứu và công việc đang diễn ra nhằm biến các trường hợp sử dụng như thế này trở nên khả thi trong thực tế.

Ưu điểm và nhược điểm của Model Context Protocol#

Dưới đây là một số ưu điểm chính mà MCP mang lại:

• Giao tiếp nhất quán và được chuẩn hóa: Giao thức đảm bảo cấu trúc yêu cầu/phản hồi đồng nhất, giúp việc gỡ lỗi và ghi nhật ký trở nên dễ quản lý hơn.
• Tính module được cải thiện: Các hệ thống trở nên có tính module hơn, cho phép các thành phần khác nhau (model, công cụ, cơ sở dữ liệu) phát triển độc lập.
• Tạo điều kiện cho sự tự chủ trong Agentic AI: AI agents có thể suy luận và hành động trên nhiều công cụ mà không cần các quy trình làm việc do con người xác định, cho phép hành vi linh hoạt và tự chủ hơn.

Mặt khác, đây là một vài hạn chế cần lưu ý khi nói đến MCP:

• Độ phức tạp khi thiết lập ban đầu: Việc thiết lập các server và host tuân thủ MCP cho các hệ thống hiện có đòi hỏi nỗ lực kỹ thuật và có khả năng phải suy nghĩ lại về các kiến trúc hiện tại.
• Chi phí hiệu năng: Việc thêm một lớp giao thức có thể gây ra độ trễ, đặc biệt nếu các công cụ bị phân tán hoặc được truy cập qua mạng.
• Đường cong học tập: Các nhóm phát triển cần hiểu kiến trúc MCP (host, client, server) và cách thiết kế cho nó, điều này có thể làm chậm quá trình áp dụng.

Các điểm chính cần lưu ý#

Các model AI đang ngày càng trở nên mạnh mẽ hơn, nhưng chúng vẫn dựa vào việc truy cập đúng dữ liệu. Model Context Protocol (MCP) cung cấp cho các nhà phát triển một cách nhất quán và chuẩn hóa để thiết lập các kết nối đó. Thay vì xây dựng từng tích hợp từ đầu, các nhóm có thể tuân theo một định dạng chung hoạt động trên các công cụ và hệ thống khác nhau.

Khi sự chấp nhận ngày càng tăng, MCP có tiềm năng trở thành một phần tiêu chuẩn trong cách các trợ lý AI được thiết kế và triển khai. Nó giúp tối ưu hóa thiết lập, cải thiện luồng dữ liệu và mang lại cấu trúc cho các tương tác model trong thế giới thực.

Tham gia community đang phát triển của chúng tôi. Ghé thăm GitHub repository của chúng tôi để tìm hiểu thêm về AI và khám phá các licensing options của chúng tôi để bắt đầu với Vision AI. Bạn muốn xem nó được sử dụng như thế nào trong đời thực? Hãy xem các ứng dụng của AI in healthcare và computer vision in retail trên trang giải pháp của chúng tôi.