📰 Latest From Nobodynaga

Artikel terbaru mengenai Artificial Intelligence (AI), Blogging, SEO, Digital Productivity dan Creator Economy. Ikuti panduan, tutorial, ulasan AI tools serta strategi digital terkini yang diterbitkan oleh Nobodynaga.

Model Context Protocol (MCP): Standard Baharu Yang Menghubungkan AI Dengan Persekitaran Sebenar

🤖 AI INFRASTRUCTURE • Canon Guide

Ketahui bagaimana Model Context Protocol (MCP) membolehkan Large Language Model (LLM) dan AI Agent berhubung dengan aplikasi, pangkalan data dan perkhidmatan luaran menggunakan satu standard komunikasi yang terbuka dan selamat.

Model Context Protocol (MCP): Standard Baharu Yang Menghubungkan AI Dengan Dunia Sebenar

Oleh Nobodynaga • Dikemaskini Ogos 2026

📌 Ringkasan

Model AI seperti ChatGPT, Claude dan Gemini sangat bijak menjawab soalan. Namun secara semula jadi, model ini tidak boleh terus mengakses fail syarikat, Google Drive, GitHub, pangkalan data atau aplikasi dalaman tanpa mekanisme komunikasi yang standard.

Di sinilah Model Context Protocol (MCP) memainkan peranan penting. MCP ialah satu piawaian terbuka yang membolehkan AI berhubung dengan aplikasi, sumber data dan perkhidmatan luaran menggunakan satu protokol komunikasi yang seragam.

MCP kini menjadi salah satu komponen utama dalam AI Infrastructure kerana ia membolehkan AI Agent menggunakan alat (Tools), membaca Resources dan melaksanakan tugasan dunia sebenar dengan lebih selamat dan sistematik.

🎯 Mengapa Panduan Ini Penting?

Kemampuan Large Language Model bergantung kepada maklumat yang dimiliki semasa latihan dan konteks yang diberikan oleh pengguna.

Namun dalam dunia sebenar, AI sering memerlukan akses kepada dokumen syarikat, pangkalan data, sistem CRM, GitHub, Notion, Google Drive dan pelbagai aplikasi lain untuk memberikan jawapan yang tepat atau melaksanakan sesuatu tugasan.

Model Context Protocol diwujudkan bagi menyediakan satu standard komunikasi yang membolehkan semua sistem ini bekerjasama tanpa memerlukan integrasi tersuai untuk setiap aplikasi.

🎓 Apa Yang Anda Akan Pelajari

  • Apakah itu Model Context Protocol (MCP).
  • Mengapa MCP diwujudkan.
  • Masalah yang diselesaikan oleh MCP.
  • Bagaimana MCP Client dan MCP Server berfungsi.
  • Peranan Resources, Tools dan Prompts.
  • Hubungan MCP dengan AI Agent.
  • Perbezaan antara API tradisional dan MCP.
  • Amalan keselamatan dalam penggunaan MCP.
  • Masa depan MCP dalam AI Infrastructure.

🗺️ Learning Roadmap

✅ AI Infrastructure
⬇
✅ Large Language Model (LLM)
⬇
✅ Retrieval-Augmented Generation (RAG)
⬇
✅ Embeddings
⬇
✅ Vector Database
⬇
📍 Model Context Protocol (MCP)
⬇
AI Agent

📚 Kandungan Artikel

  1. Apa Itu Model Context Protocol (MCP)?
  2. Mengapa MCP Diperkenalkan?
  3. Bagaimana MCP Berfungsi?
  4. MCP Client, MCP Server, Resources dan Tools.
  5. MCP vs API Tradisional.
  6. MCP Dalam AI Agent.
  7. Keselamatan dan Tadbir Urus MCP.
  8. FAQ.
  9. Glosari.
  10. Rujukan.

Jika Embeddings membantu AI memahami makna dan Vector Database membantu AI mencari maklumat yang relevan, maka Model Context Protocol (MCP) pula membolehkan AI berhubung dengan aplikasi dan sistem dunia sebenar. Dalam bahagian seterusnya, kita akan melihat mengapa MCP diperkenalkan dan bagaimana ia menyelesaikan masalah integrasi AI moden.

Apakah Itu Model Context Protocol (MCP)?

Model Context Protocol (MCP) ialah satu standard komunikasi terbuka (open standard) yang membolehkan Large Language Model (LLM) berhubung dengan aplikasi, pangkalan data, fail dan pelbagai perkhidmatan luaran menggunakan satu protokol yang seragam.

Secara ringkas, MCP bertindak sebagai "bahasa universal" yang membolehkan AI berkomunikasi dengan sistem lain tanpa memerlukan integrasi khas bagi setiap aplikasi.

Sebelum MCP diperkenalkan, pembangun perlu membina integrasi API yang berbeza untuk setiap sistem. Kini, dengan satu standard yang sama, AI boleh menggunakan pelbagai aplikasi dengan cara yang lebih konsisten, selamat dan mudah dikembangkan.

Mengapa Model Context Protocol Diperkenalkan?

Large Language Model seperti ChatGPT, Claude atau Gemini sangat baik dalam memahami bahasa manusia, tetapi secara semula jadi model ini tidak mempunyai akses kepada maklumat di luar konteks perbualan.

Sebagai contoh, AI tidak boleh terus:

  • Membaca fail dalam Google Drive.
  • Menyemak isu dalam GitHub.
  • Mengakses pangkalan data syarikat.
  • Membuka halaman Notion.
  • Menghantar mesej ke Slack.
  • Menyemak rekod dalam CRM.

Tanpa satu piawaian komunikasi, setiap aplikasi memerlukan integrasi API yang berbeza. Keadaan ini menyebabkan pembangunan AI menjadi lebih kompleks, mahal dan sukar diselenggara.

Model Context Protocol diwujudkan untuk menyelesaikan masalah ini.

Masalah Sebelum MCP

Bayangkan sebuah AI Assistant perlu berhubung dengan lima aplikasi yang berbeza.

Sebelum MCP
  • ChatGPT ↔ Google Drive API
  • ChatGPT ↔ GitHub API
  • ChatGPT ↔ Slack API
  • ChatGPT ↔ Notion API
  • ChatGPT ↔ Database API

Setiap aplikasi menggunakan API, format data dan kaedah pengesahan yang berbeza. Ini menyebabkan pembangun perlu membina dan menyelenggara banyak integrasi yang berasingan.

Penyelesaian Yang Dibawa Oleh MCP

MCP memperkenalkan satu lapisan komunikasi yang standard di antara AI dan aplikasi luaran.

Selepas MCP
  • 🤖 AI Assistant
  • ⬇
  • 🔌 Model Context Protocol (MCP)
  • ⬇
  • 📁 Google Drive
  • 💻 GitHub
  • 📝 Notion
  • 💬 Slack
  • 🗄️ Database

Kini AI hanya perlu memahami satu protokol komunikasi, manakala setiap aplikasi menyediakan MCP Server masing-masing.

MCP Ibarat USB-C Untuk AI

Analogi yang paling popular ialah membandingkan MCP dengan USB-C.

Sebelum USB-C diperkenalkan, setiap peranti menggunakan penyambung yang berbeza.

  • Micro USB
  • Mini USB
  • Lightning
  • Penyambung proprietari

USB-C memperkenalkan satu piawaian yang membolehkan pelbagai peranti menggunakan sambungan yang sama.

Model Context Protocol melakukan perkara yang serupa dalam dunia AI.

  • AI hanya memahami satu protokol.
  • Aplikasi hanya perlu menyediakan MCP Server.
  • Pembangun tidak lagi perlu membina integrasi khas bagi setiap AI.

MCP Bukan Pengganti API

Salah satu salah faham yang sering berlaku ialah menganggap MCP akan menggantikan API.

Sebenarnya, MCP tidak menggantikan API. Sebaliknya, MCP menggunakan API yang sedia ada dan menyediakan satu lapisan piawaian supaya AI boleh berinteraksi dengan pelbagai sistem menggunakan cara yang konsisten.

Ringkasnya:

  • API ialah cara aplikasi berkomunikasi.
  • MCP ialah standard yang membolehkan AI menggunakan API tersebut secara seragam.

Mengapa MCP Sangat Penting Untuk AI Agent?

AI Agent perlu melakukan lebih daripada sekadar menjawab soalan. Ia juga perlu membaca dokumen, mendapatkan data terkini, menjalankan arahan dan berinteraksi dengan pelbagai sistem.

Semua tugasan ini memerlukan satu mekanisme komunikasi yang boleh dipercayai.

Model Context Protocol menyediakan asas tersebut dengan membolehkan AI Agent menggunakan pelbagai alat dan sumber melalui satu standard yang sama.

💡 Nobodynaga Insight

Jika Large Language Model ialah "otak" AI, Embeddings membantu AI memahami makna, dan Vector Database menyimpan pengetahuan, maka Model Context Protocol (MCP) ialah "jambatan komunikasi" yang membolehkan AI menggunakan dunia sebenar. Tanpa MCP, AI Agent akan terhad kepada maklumat yang diberikan oleh pengguna atau yang telah dipelajari semasa latihan model.

Daripada Standard Kepada Seni Bina MCP

Kini kita memahami mengapa MCP diperkenalkan dan masalah yang cuba diselesaikannya. Dalam bahagian seterusnya, kita akan melihat seni bina MCP secara lebih terperinci termasuk peranan MCP Client, MCP Server, Resources, Tools dan Prompts yang membentuk ekosistem Model Context Protocol.

Bagaimana Model Context Protocol (MCP) Berfungsi?

Selepas memahami mengapa Model Context Protocol (MCP) diwujudkan, persoalan seterusnya ialah bagaimana protokol ini sebenarnya berfungsi.

Secara asasnya, MCP menggunakan seni bina Client–Server. Large Language Model tidak berhubung secara terus dengan aplikasi seperti Google Drive, GitHub atau pangkalan data. Sebaliknya, semua komunikasi melalui MCP supaya setiap sistem menggunakan bahasa yang sama.

Komponen Utama MCP

Ekosistem MCP dibina daripada beberapa komponen utama yang bekerjasama untuk membolehkan AI berinteraksi dengan dunia luar.

  • MCP Client – Komponen yang digunakan oleh AI untuk menghantar permintaan.
  • MCP Server – Komponen yang menyediakan akses kepada aplikasi atau sumber data.
  • Resources – Maklumat atau dokumen yang boleh dibaca oleh AI.
  • Tools – Fungsi atau tindakan yang boleh dijalankan oleh AI.
  • Prompts – Arahan atau templat yang membantu AI melaksanakan tugasan dengan lebih konsisten.

Setiap komponen mempunyai tanggungjawab yang berbeza tetapi saling melengkapi.

MCP Client

MCP Client ialah komponen yang berada di dalam aplikasi AI seperti Claude Desktop, Cursor atau AI Agent.

Apabila pengguna menghantar arahan, MCP Client akan menentukan sama ada AI perlu mendapatkan maklumat daripada sistem luar atau menjalankan sesuatu tindakan.

Jika diperlukan, MCP Client akan menghantar permintaan kepada MCP Server menggunakan protokol MCP.

👤 Pengguna
⬇
🤖 AI Assistant
⬇
🔌 MCP Client

MCP Server

MCP Server bertindak sebagai jambatan antara AI dan aplikasi sebenar.

Setiap MCP Server memahami cara berkomunikasi dengan sistem yang diwakilinya.

Sebagai contoh:

  • Google Drive MCP Server.
  • GitHub MCP Server.
  • Notion MCP Server.
  • PostgreSQL MCP Server.
  • Filesystem MCP Server.

AI tidak perlu mengetahui bagaimana API setiap aplikasi berfungsi kerana semua komunikasi dikendalikan oleh MCP Server.

Resources

Resources ialah maklumat yang boleh dibaca oleh AI tetapi tidak semestinya diubah.

Contoh Resources termasuk:

  • Dokumen PDF.
  • Fail Markdown.
  • Nota dalam Notion.
  • Repositori GitHub.
  • Fail CSV.
  • Pangkalan pengetahuan syarikat.

Resources membolehkan AI memahami konteks tambahan sebelum memberikan jawapan.

Tools

Jika Resources membolehkan AI membaca maklumat, Tools pula membolehkan AI melakukan tindakan.

Contohnya:

  • Mencipta fail baharu.
  • Menghantar e-mel.
  • Mengemaskini rekod pelanggan.
  • Menjalankan SQL Query.
  • Mencipta Issue dalam GitHub.
  • Menghantar mesej ke Slack.

Inilah yang membezakan AI Assistant biasa dengan AI Agent yang mampu melaksanakan tugasan sebenar.

Prompts

Selain Resources dan Tools, MCP turut menyokong Prompts.

Prompts ialah arahan atau templat yang boleh digunakan semula untuk tugasan tertentu.

Sebagai contoh, sesebuah organisasi boleh menyediakan Prompt standard untuk:

  • Menjana laporan bulanan.
  • Meringkaskan mesyuarat.
  • Menyemak kod pengaturcaraan.
  • Menjawab soalan pelanggan.

Pendekatan ini membantu memastikan AI memberikan jawapan yang lebih konsisten.

Bagaimana Semua Komponen Ini Bekerjasama?

Aliran Kerja MCP

  1. 👤 Pengguna menghantar arahan kepada AI.
  2. 🤖 Large Language Model memahami permintaan.
  3. 🔌 MCP Client mengenal pasti Resource atau Tool yang diperlukan.
  4. 🌐 MCP Server berhubung dengan aplikasi yang berkaitan.
  5. 📂 Resource dibaca atau Tool dilaksanakan.
  6. 📨 Maklumat dikembalikan kepada AI.
  7. ✅ AI menghasilkan jawapan atau menyelesaikan tugasan.

Transport Layer

MCP juga menentukan bagaimana komunikasi berlaku antara Client dan Server melalui Transport Layer.

Pelaksanaan MCP biasanya menggunakan protokol moden seperti JSON-RPC melalui STDIO atau HTTP, bergantung kepada jenis aplikasi dan persekitaran pelaksanaan.

Dengan menggunakan format komunikasi yang standard, pembangun tidak perlu mereka bentuk mekanisme komunikasi baharu untuk setiap aplikasi.

Mengapa Seni Bina Ini Penting?

Pendekatan Client–Server membolehkan AI berkembang dengan lebih mudah.

Apabila aplikasi baharu ingin disokong, pembangun hanya perlu menyediakan MCP Server tanpa mengubah cara AI berfungsi.

Ini menjadikan ekosistem AI lebih fleksibel, mudah diselenggara dan boleh diskalakan.

💡 Nobodynaga Insight

Sebelum MCP, setiap AI memerlukan integrasi API yang berasingan untuk setiap aplikasi. Dengan MCP, AI hanya perlu memahami satu protokol komunikasi. Konsep ini menjadikan pembangunan AI Agent lebih mudah, lebih konsisten dan lebih mudah berkembang apabila bilangan aplikasi terus bertambah.

Daripada Seni Bina Kepada Penggunaan Dunia Sebenar

Kini kita telah memahami bagaimana MCP Client, MCP Server, Resources dan Tools bekerjasama. Dalam bahagian seterusnya, kita akan melihat bagaimana Model Context Protocol digunakan dalam AI Agent, Enterprise AI, pembangunan perisian dan aplikasi Generative AI di dunia sebenar.

Bagaimana MCP Digunakan Dalam AI Infrastructure?

Model Context Protocol (MCP) bukan sekadar protokol komunikasi. Dalam AI Infrastructure moden, MCP menjadi penghubung antara Large Language Model (LLM), AI Agent, Retrieval-Augmented Generation (RAG) dan pelbagai sistem perusahaan.

Jika Embeddings membantu AI memahami makna dan Vector Database membantu AI mencari maklumat, MCP pula membolehkan AI menggunakan maklumat tersebut untuk berinteraksi dengan dunia sebenar.

MCP Bersama Large Language Model (LLM)

Large Language Model seperti ChatGPT, Claude dan Gemini sangat mahir memahami bahasa manusia. Namun secara lalai, model ini tidak mempunyai akses kepada fail, aplikasi atau pangkalan data organisasi.

Melalui MCP, LLM boleh meminta maklumat daripada sistem luar apabila diperlukan tanpa perlu mengetahui bagaimana API setiap aplikasi berfungsi.

Pendekatan ini menjadikan AI lebih fleksibel kerana model hanya perlu memahami satu protokol komunikasi.

MCP Dalam Retrieval-Augmented Generation (RAG)

Dalam sistem RAG, Vector Database bertanggungjawab mencari maklumat yang berkaitan.

Namun terdapat situasi di mana AI memerlukan akses kepada dokumen yang belum berada di dalam Vector Database atau data yang sentiasa berubah.

Melalui MCP, AI boleh mendapatkan maklumat secara langsung daripada aplikasi seperti:

  • Google Drive.
  • Microsoft SharePoint.
  • GitHub Repository.
  • Notion Workspace.
  • Confluence.
  • CRM dan ERP.

Maklumat tersebut kemudiannya digunakan sebagai konteks sebelum Large Language Model menjana jawapan.

MCP Dalam AI Agent

AI Agent merupakan antara teknologi yang paling banyak mendapat manfaat daripada Model Context Protocol.

Berbeza dengan chatbot biasa, AI Agent bukan sahaja menjawab soalan tetapi juga boleh melaksanakan tugasan secara autonomi.

Sebagai contoh, AI Agent boleh:

  • Membaca e-mel baharu.
  • Menyemak jadual kalendar.
  • Mencari fail projek.
  • Menghasilkan laporan.
  • Mengemas kini pangkalan data.
  • Menghantar notifikasi kepada pengguna.

Semua tindakan ini dilakukan melalui MCP Server yang menyediakan akses kepada sistem berkaitan.

MCP Dalam Enterprise AI

Banyak organisasi menggunakan puluhan aplikasi yang berbeza untuk operasi harian.

Tanpa MCP, setiap aplikasi memerlukan integrasi API yang tersendiri.

Dengan MCP, AI boleh menggunakan satu standard komunikasi untuk mengakses pelbagai sistem perusahaan seperti:

  • Salesforce
  • SAP
  • Microsoft 365
  • Google Workspace
  • Jira
  • ServiceNow

Pendekatan ini mengurangkan kerumitan pembangunan dan memudahkan penyelenggaraan sistem AI.

MCP Dan AI Coding Assistant

Model Context Protocol juga memainkan peranan penting dalam AI Coding Assistant.

Melalui MCP, AI boleh membaca keseluruhan projek pembangunan perisian, memahami struktur fail, menyemak dokumentasi serta mencadangkan perubahan kod dengan lebih tepat.

Inilah sebab mengapa banyak AI Coding Assistant moden mula menyokong MCP sebagai kaedah standard untuk mengakses projek pembangunan.

Keselamatan Dalam MCP

Oleh kerana MCP membolehkan AI mengakses sistem luar, aspek keselamatan menjadi keutamaan.

Pelaksanaan MCP yang baik biasanya mengamalkan prinsip berikut:

  • Authentication – memastikan identiti pengguna atau aplikasi disahkan.
  • Authorization – mengehadkan tindakan yang dibenarkan.
  • Least Privilege – AI hanya diberi akses minimum yang diperlukan.
  • User Consent – pengguna memberi kebenaran sebelum tindakan sensitif dijalankan.
  • Audit Log – semua aktiviti direkodkan untuk tujuan pemantauan.

Pendekatan ini membantu mengurangkan risiko penyalahgunaan dan meningkatkan kepercayaan terhadap sistem AI.

Contoh Aliran Kerja AI Menggunakan MCP

Workflow AI Agent Dengan MCP

  1. 👤 Pengguna meminta laporan jualan bulanan.
  2. 🤖 AI memahami permintaan.
  3. 🔌 MCP Client menghubungi MCP Server.
  4. 📊 MCP Server mendapatkan data daripada sistem ERP.
  5. 📂 AI membaca fail sokongan daripada Google Drive.
  6. 🧠 Large Language Model menganalisis maklumat.
  7. 📄 AI menghasilkan laporan lengkap.
  8. 📧 Laporan dihantar kepada pengguna.

Mengapa MCP Menjadi Standard Baharu?

Sebelum MCP, pembangun perlu membina integrasi yang berbeza bagi setiap aplikasi dan setiap AI.

Kini, organisasi hanya perlu menyediakan MCP Server untuk sistem mereka. Mana-mana AI yang menyokong MCP boleh menggunakan sistem tersebut tanpa perubahan besar pada kod aplikasi.

Pendekatan ini mempercepatkan pembangunan AI, mengurangkan kos integrasi dan memudahkan penyelenggaraan apabila ekosistem aplikasi semakin berkembang.

💡 Nobodynaga Insight

Jika API merupakan "bahasa komunikasi" antara dua aplikasi, maka Model Context Protocol ialah "standard komunikasi" yang membolehkan pelbagai AI menggunakan bahasa yang sama. Inilah sebab mengapa MCP dianggap sebagai salah satu inovasi paling penting dalam pembangunan AI Agent dan Enterprise AI pada era Generative AI.

Daripada Infrastruktur Kepada Penggunaan Praktikal

Kini kita telah melihat bagaimana MCP digunakan dalam AI Infrastructure dan Enterprise AI. Dalam bahagian seterusnya, kita akan membandingkan MCP dengan API tradisional, melihat kelebihan serta limitasinya, dan meneroka contoh penggunaan sebenar dalam organisasi moden.

MCP vs API Tradisional

Salah satu persoalan yang paling kerap ditanya ialah sama ada Model Context Protocol (MCP) akan menggantikan API tradisional.

Jawapannya ialah tidak.

API dan MCP mempunyai tujuan yang berbeza tetapi saling melengkapi. API membolehkan aplikasi berkomunikasi antara satu sama lain, manakala MCP menyediakan satu piawaian supaya AI boleh menggunakan API tersebut dengan cara yang konsisten.

🔹 API Tradisional

  • Tujuan: Komunikasi antara aplikasi.
  • Integrasi: Berbeza bagi setiap aplikasi.
  • Format: Bergantung kepada API.
  • Pengguna: Pembangun aplikasi.
  • Kesesuaian: Sistem tradisional.

🔹 Model Context Protocol (MCP)

  • Tujuan: Komunikasi antara AI dan aplikasi.
  • Integrasi: Satu standard komunikasi.
  • Format: Standard MCP.
  • Pengguna: AI Assistant & AI Agent.
  • Kesesuaian: Generative AI & Enterprise AI.
📌 Ringkasan Perbandingan

API ialah mekanisme komunikasi yang digunakan oleh aplikasi untuk berinteraksi antara satu sama lain. MCP pula ialah piawaian yang membolehkan AI menggunakan pelbagai API melalui satu protokol komunikasi yang seragam. Dengan kata lain, MCP melengkapkan API, bukannya menggantikannya.

Local MCP vs Remote MCP

Pelaksanaan MCP boleh dibahagikan kepada dua pendekatan utama bergantung kepada lokasi aplikasi atau sumber data.

Local MCP

Local MCP digunakan apabila AI berinteraksi dengan aplikasi atau fail yang berada pada komputer atau rangkaian dalaman pengguna.

Contohnya:

  • Membaca fail dalam komputer.
  • Mengakses folder projek pembangunan.
  • Menggunakan SQLite Database.
  • Menyemak kod sumber tempatan.

Remote MCP

Remote MCP pula digunakan apabila AI perlu berhubung dengan perkhidmatan awan atau sistem perusahaan.

Contohnya:

  • Google Drive.
  • GitHub.
  • Slack.
  • Microsoft 365.
  • Salesforce.
  • Jira.

Pendekatan ini membolehkan AI bekerja merentas pelbagai sistem tanpa mengira lokasi data tersebut disimpan.

Contoh Penggunaan MCP Dalam Dunia Sebenar

Model Context Protocol semakin digunakan dalam pelbagai aplikasi AI moden.

Antara contoh penggunaan yang biasa ditemui ialah:

  • AI Coding Assistant yang membaca keseluruhan projek perisian.
  • AI Enterprise Search yang mengakses dokumen syarikat.
  • AI Customer Support yang menyemak rekod pelanggan.
  • AI Research Assistant yang mencari maklumat daripada pelbagai sumber.
  • AI Agent yang melaksanakan tugasan secara automatik.

Semua aplikasi ini menggunakan MCP bagi menghubungkan AI dengan sumber data yang berkaitan.

Platform Yang Menyokong MCP

Semakin banyak platform AI mula menyokong Model Context Protocol sebagai standard komunikasi.

  • Claude Desktop.
  • Cursor.
  • Visual Studio Code.
  • Continue.dev.
  • Windsurf.
  • Goose.
  • Pelbagai AI Agent Framework.

Sokongan yang semakin meluas menunjukkan bahawa MCP sedang berkembang menjadi salah satu standard penting dalam ekosistem AI.

Kelebihan Model Context Protocol

  • Menggunakan satu standard komunikasi yang konsisten.
  • Mengurangkan keperluan membina integrasi API yang berasingan.
  • Memudahkan pembangunan AI Agent.
  • Mudah diperluaskan kepada aplikasi baharu.
  • Menyokong Resources, Tools dan Prompts.
  • Meningkatkan kebolehgunaan semula (reusability).
  • Mengurangkan kos penyelenggaraan integrasi.
  • Meningkatkan interoperabiliti antara sistem AI.

Limitasi Model Context Protocol

Walaupun MCP menawarkan banyak kelebihan, masih terdapat beberapa cabaran yang perlu dipertimbangkan.

  • Masih merupakan standard yang sedang berkembang.
  • Tidak semua aplikasi menyediakan MCP Server.
  • Memerlukan konfigurasi keselamatan yang baik.
  • Prestasi bergantung kepada aplikasi yang dihubungkan.
  • Memerlukan pemahaman mengenai seni bina Client–Server.

Masa Depan MCP

Seiring dengan perkembangan AI Agent dan Enterprise AI, semakin banyak organisasi dijangka membangunkan MCP Server bagi sistem dalaman mereka.

Ini membolehkan pelbagai model AI menggunakan aplikasi yang sama tanpa memerlukan integrasi khas bagi setiap platform.

Dalam jangka panjang, MCP berpotensi menjadi standard komunikasi yang memainkan peranan penting dalam pembangunan AI moden, sama seperti HTTP menjadi standard bagi web moden.

💡 Nobodynaga Insight

MCP bukan sekadar teknologi baharu, tetapi satu perubahan paradigma dalam cara AI berinteraksi dengan dunia sebenar. Sebelum ini, pembangun perlu membina integrasi khusus bagi setiap aplikasi. Dengan MCP, AI hanya perlu memahami satu protokol komunikasi, menjadikan pembangunan AI Agent lebih pantas, lebih fleksibel dan lebih mudah diskalakan.

Menuju Ke AI Agent

Kini kita telah memahami bagaimana MCP menyatukan komunikasi antara AI dan pelbagai aplikasi. Langkah seterusnya ialah melihat bagaimana semua komponen yang telah dipelajari — LLM, RAG, Embeddings, Vector Database dan MCP — digabungkan untuk membina AI Agent yang mampu berfikir, membuat keputusan dan melaksanakan tugasan secara autonomi.

Mengapa Model Context Protocol Menjadi Semakin Penting?

Artificial Intelligence sedang berkembang daripada sekadar chatbot kepada sistem yang mampu melaksanakan tugasan sebenar. Perubahan ini memerlukan AI berhubung dengan fail, pangkalan data, aplikasi perusahaan dan pelbagai perkhidmatan digital.

Model Context Protocol (MCP) menyediakan satu standard komunikasi yang membolehkan semua interaksi tersebut berlaku secara konsisten, selamat dan mudah dikembangkan. Oleh sebab itu, MCP kini dianggap sebagai salah satu komponen utama dalam AI Infrastructure moden.

Hubungan MCP Dengan Teknologi AI Yang Lain

Model Context Protocol bukanlah teknologi yang berdiri sendiri. Ia melengkapkan komponen lain dalam AI Infrastructure bagi membolehkan AI memahami, mencari dan menggunakan maklumat dengan lebih berkesan.

  • Large Language Model (LLM) memahami arahan dan menjana jawapan.
  • Embeddings menukarkan data kepada representasi matematik.
  • Vector Database menyimpan dan mencari Embeddings.
  • Retrieval-Augmented Generation (RAG) mendapatkan konteks yang relevan.
  • Model Context Protocol (MCP) menghubungkan AI dengan aplikasi dan sumber data.
  • AI Agent menggunakan semua komponen ini untuk melaksanakan tugasan secara autonomi.

Gabungan teknologi ini membentuk asas kepada kebanyakan sistem Generative AI moden yang digunakan oleh organisasi di seluruh dunia.

Soalan Lazim (FAQ)

Apakah itu Model Context Protocol (MCP)?

Model Context Protocol ialah standard komunikasi terbuka yang membolehkan AI berhubung dengan aplikasi, fail, pangkalan data dan perkhidmatan luaran menggunakan satu protokol yang seragam.

Adakah MCP menggantikan API?

Tidak. MCP menggunakan API yang sedia ada dan menyediakan satu lapisan piawaian supaya AI boleh menggunakan pelbagai API melalui pendekatan yang konsisten.

Siapa yang menggunakan MCP?

MCP digunakan oleh AI Assistant, AI Agent, AI Coding Assistant serta aplikasi Enterprise AI yang memerlukan akses kepada sistem dan sumber data luaran.

Apakah perbezaan antara MCP Client dan MCP Server?

MCP Client berada di dalam aplikasi AI dan menghantar permintaan. MCP Server pula menghubungkan AI dengan aplikasi atau sistem yang menyediakan Resources dan Tools.

Adakah MCP selamat digunakan?

Ya, jika dilaksanakan dengan betul. MCP menyokong amalan keselamatan seperti Authentication, Authorization, User Consent, Audit Log dan prinsip Least Privilege bagi memastikan AI hanya mengakses maklumat yang dibenarkan.

Glosari

  • Model Context Protocol (MCP) – Standard komunikasi antara AI dan aplikasi.
  • MCP Client – Komponen yang menghantar permintaan daripada AI.
  • MCP Server – Komponen yang menyediakan akses kepada sistem dan aplikasi.
  • Resource – Maklumat yang boleh dibaca oleh AI.
  • Tool – Fungsi yang membolehkan AI melaksanakan sesuatu tindakan.
  • Prompt – Arahan atau templat yang boleh digunakan semula oleh AI.
  • Transport – Mekanisme komunikasi antara MCP Client dan MCP Server.
  • JSON-RPC – Protokol komunikasi yang lazim digunakan dalam pelaksanaan MCP.
  • Authentication – Pengesahan identiti pengguna atau aplikasi.
  • Authorization – Kawalan terhadap tindakan yang dibenarkan.

Bacaan Seterusnya

Selepas memahami Model Context Protocol, anda disyorkan meneruskan pembelajaran melalui artikel berikut dalam siri AI Infrastructure.

Rujukan

  • Anthropic – Model Context Protocol Documentation.
  • Model Context Protocol Specification.
  • OpenAI Documentation.
  • Microsoft Learn AI.
  • Google AI Documentation.
  • LangChain Documentation.
  • LlamaIndex Documentation.
  • Continue.dev Documentation.

📌 Key Takeaways

  • MCP ialah standard komunikasi antara AI dan aplikasi.
  • MCP tidak menggantikan API, tetapi menyeragamkan cara AI menggunakan API.
  • MCP menggunakan seni bina Client–Server.
  • Resources membolehkan AI membaca maklumat, manakala Tools membolehkan AI melaksanakan tindakan.
  • MCP merupakan komponen penting dalam AI Agent dan Enterprise AI.
  • Keselamatan MCP bergantung kepada Authentication, Authorization dan User Consent.
  • MCP melengkapkan LLM, Embeddings, Vector Database dan RAG dalam AI Infrastructure moden.

📝 Editorial Note

Artikel ini merupakan sebahagian daripada siri AI Infrastructure di Nobodynaga AI Knowledge Platform. Kandungan disusun berdasarkan spesifikasi rasmi Model Context Protocol, dokumentasi pembangun serta amalan terbaik industri bagi membantu pembaca memahami teknologi AI moden secara sistematik dan berasaskan fakta.

🎯 Kesimpulan

Model Context Protocol (MCP) merupakan salah satu inovasi paling penting dalam pembangunan AI moden kerana ia menyediakan standard komunikasi yang membolehkan Artificial Intelligence berhubung dengan aplikasi, pangkalan data dan pelbagai sumber maklumat menggunakan satu pendekatan yang seragam.

Bersama Large Language Model, Embeddings, Vector Database dan Retrieval-Augmented Generation (RAG), MCP melengkapkan asas AI Infrastructure yang diperlukan untuk membina AI Agent yang mampu memahami arahan, mendapatkan maklumat, membuat keputusan dan melaksanakan tugasan secara autonomi.

Memahami MCP bukan sahaja membantu pembangun membina aplikasi AI yang lebih fleksibel, malah memberikan gambaran yang lebih jelas tentang bagaimana Generative AI akan berinteraksi dengan dunia sebenar pada masa hadapan. Dalam artikel seterusnya, kita akan meneroka AI Agent, iaitu komponen yang menggabungkan semua teknologi ini menjadi sistem AI yang benar-benar mampu bertindak.

Read more →