Ý nghĩa của AI là giải phóng sức lao động của con người và cải thiện khả năng làm việc tối thiểu của hầu hết mọi người. Tuy nhiên, LLM hiện nay vẫn còn nhiều hạn chế lớn. Cần có sự đối thoại qua lại để đưa ra gợi ý và người dùng phải đích thân thực hiện các gợi ý đó. Vẫn còn một khoảng cách nữa trước khi chúng ta có thể thực sự sử dụng AI để hỗ trợ công việc.
Bây giờ, nếu bạn thực sự có thể sử dụng máy tính để trả lời email, viết báo cáo và thậm chí giúp bạn tự động hóa giao dịch tiền điện tử bằng cách giao tiếp với AI, thì bạn có đang tiến gần hơn đến tầm nhìn giải phóng năng suất không? Công nghệ này hiện đang là từ khóa hot trong lĩnh vực AI - MCP
MCP là gì?
MCP (Model Context Protocol) là một bộ "giao thức chuẩn hóa" được Anthropic phát hành vào tháng 11 năm 2024 để giải quyết vấn đề mà các mô hình AI trước đây chỉ có thể "nói" nhưng không thể "làm".
Đầu tiên, chúng ta hãy phân tích cách đặt tên MCP
Mô hình: Mô hình đề cập đến nhiều mô hình ngôn ngữ AI lớn khác nhau (như GPT, Claude, Gemini , v.v.)
Bối cảnh: bối cảnh, đại diện cho thông tin bổ sung hoặc các công cụ bên ngoài cho mô hình
Giao thức: giao thức, một "đặc tả" hoặc "giao diện" chuẩn hóa, phổ quát
Tóm lại, thông qua các tiêu chuẩn thống nhất, AI không chỉ có thể "nói" mà còn có thể trực tiếp điều khiển các công cụ bên ngoài để hoàn thành nhiều nhiệm vụ khác nhau.
Các LLM mà chúng ta sử dụng thường xuyên nhất, chẳng hạn như ChatGPT, Grok, v.v., chỉ có thể thực hiện "nhập văn bản và xuất văn bản" dựa trên nội dung của cuộc trò chuyện. Nếu chúng ta muốn AI giúp chúng ta thực hiện các hoạt động thực tế, chẳng hạn như đọc tệp từ thư mục máy tính, gửi email, tìm kiếm cơ sở dữ liệu, v.v., chúng ta thường đưa ra hướng dẫn cho LLM trước, sau đó người dùng tự thực hiện các hoạt động dựa trên phản hồi từ LLM và cuối cùng báo cáo kết quả cho AI. Sau đó, AI đưa ra cho chúng ta các gợi ý văn bản, chúng ta tiếp tục các thao tác và chu kỳ lại lặp lại.
Sự ra đời của MCP cho phép AI không chỉ đọc các tệp cục bộ trên máy tính, kết nối với cơ sở dữ liệu từ xa mà còn trực tiếp vận hành các dịch vụ mạng cụ thể. Nói cách khác, AI không còn chỉ dừng lại ở việc xuất văn bản mà còn có thể hoàn thành nhiều tác vụ lặp đi lặp lại hoặc mang tính thủ tục thay bạn.
Nó hoạt động như thế nào
Máy chủ MCP (Quản trị viên): Chịu trách nhiệm quản lý và điều phối hoạt động của toàn bộ MCP. Ví dụ, Claude Desktop là loại máy chủ có thể giúp AI truy cập dữ liệu hoặc công cụ cục bộ của bạn.
MCP Client (đầu cuối người dùng): tiếp nhận yêu cầu của người dùng và giao tiếp với LLM (mô hình AI). Các ví dụ phổ biến bao gồm nhiều giao diện trò chuyện hoặc IDE tích hợp MCP (như Goose, Cursor, Claude Chatbot).
Máy chủ MCP: Có thể coi đây là một tập hợp các API "được tổ chức và chú thích" cung cấp các chức năng mà AI có thể sử dụng. Ví dụ, đọc cơ sở dữ liệu, gửi email, quản lý tệp, gọi các dịch vụ bên ngoài, v.v.
Với MCP, AI không chỉ có thể hiểu ngôn ngữ con người mà còn có thể dịch trực tiếp văn bản cụ thể thành hướng dẫn hành động để hoàn thành các hoạt động tự động. Ví dụ, nó có thể giúp bạn sắp xếp báo cáo bán hàng, gửi email cho khách hàng và thậm chí thực hiện mô hình 3D trực tiếp trên Blender thông qua các lệnh.
Tham khảo: https://www.youtube.com/watch?v=FDRb03XPiRo&t=4s
Tại sao MCP lại quan trọng?
Xây dựng cầu nối giữa AI và các công cụ bên ngoài
Hạn chế của LLM là dữ liệu trong đó được đào tạo trước và không được cập nhật theo thời gian thực, điều đó có nghĩa là dữ liệu của LLM bị giới hạn ở thông tin mà nó nhìn thấy trong quá trình đào tạo. Do đó, mô hình không nhận biết được thông tin mới được tạo ra sau khi đào tạo.
Giả sử khóa đào tạo LLM được tổ chức vào tháng 2 năm nay thì hoàn toàn không có thông tin nào sau tháng 2 năm nay.
Phương pháp chính thống hiện nay là sử dụng RAG (Retrieval-Augmented Generation), đây là cách kết hợp "hệ thống truy xuất" với "mô hình tạo ra". Kiến trúc này có thể truy xuất dữ liệu mới nhất trước khi suy luận LLM và cung cấp kết quả truy xuất dưới dạng ngữ cảnh cho mô hình. Cụ thể:
Truy xuất: Trước khi trả lời các câu hỏi trong LLM, hãy sử dụng công cụ tìm kiếm (như tìm kiếm trên Internet, truy vấn cơ sở dữ liệu nội bộ, v.v.) để tìm thông tin mới nhất phù hợp với câu hỏi hiện tại.
Tạo ra: Thông tin thu thập được sẽ được chuyển đến LLM dưới dạng thông tin bổ trợ (Bối cảnh) để giúp tạo ra câu trả lời chính xác và kịp thời hơn.
Ví dụ, trước khi trả lời một câu hỏi, AI sẽ tìm kiếm thông tin mới nhất thông qua Bing hoặc Google, sau đó tích hợp kết quả tìm kiếm vào câu trả lời. Đây là cách sử dụng RAG.
Sự khác biệt lớn nhất giữa MCP và RAG là:
RAG sử dụng dữ liệu tương đối tĩnh để hỗ trợ LLM trả lời các câu hỏi, trong khi MCP cho phép AI thực sự "làm điều đó", chẳng hạn như tìm kiếm trong cơ sở dữ liệu, gọi API hoặc thậm chí sửa đổi nội dung tệp.
Chuẩn hóa và tính phổ biến: Giống như USB-C: các nhà sản xuất khác nhau có thể phát triển các chức năng riêng tuân thủ theo thông số kỹ thuật MCP, cũng như tất cả các thiết bị có thể sử dụng cùng một cáp truyền USB-C. Nếu không có MCP, mỗi nhà phát triển sẽ phải xác định cách thức để AI gọi một API cụ thể. Điều này có nghĩa là cùng một tác phẩm sẽ được nhiều người khác nhau phát triển nhiều lần. Sau khi MCP được thống nhất, mọi người có thể được tích hợp ngay lập tức bằng cách triển khai cùng một bộ thông số kỹ thuật, tránh hiện tượng phải phát minh lại bánh xe.
Từ phản ứng thụ động đến thực hiện chủ động: Các công cụ AI truyền thống chỉ có thể trả lời câu hỏi nhưng không thể thực sự hành động. Với MCP, AI có thể quyết định thực hiện lệnh nào dựa trên tình hình hiện tại và thực hiện bước tiếp theo bằng cách đọc kết quả phản hồi. Khả năng thực hiện các điều chỉnh liên tục dựa trên tình huống làm tăng đáng kể tính thực tiễn của AI.
Bảo mật và kiểm soát: MCP không bắt buộc phải truyền toàn bộ dữ liệu vào mô hình AI. Nó có thể kiểm soát quyền truy cập dữ liệu thông qua quyền, quản lý khóa API, v.v. để đảm bảo thông tin bí mật không bị rò rỉ.
Sự khác biệt giữa MCP và AI Agent là gì?
AI Agent là gì?
Trong quý 3 năm ngoái, GOAT dẫn đầu xu hướng AI Agent. Hầu hết người dùng crypto đều hiểu AI Agent theo góc nhìn của Web 3. AI Agent thường dùng để chỉ hệ thống AI có thể "tự động" xử lý các tác vụ cụ thể. Nó không chỉ giao tiếp với mọi người mà còn thực hiện các hành động dựa trên ngữ cảnh, gọi công cụ hoặc API và hoàn thành sê-ri các bước. Ví dụ, phổ biến nhất là khả năng đăng bài tự động trên Twitter, cũng thuộc danh mục AI Agent.
Hạn chế của các tác nhân AI
Thiếu chuẩn hóa: Mọi người đều có thể tạo ra một tác nhân, nhưng nếu không có thông số kỹ thuật thống nhất sẽ phát sinh các vấn đề như "tác nhân này chỉ sử dụng model của nhà sản xuất A" và "tác nhân kia chỉ gọi API của hệ thống B".
Dễ vận hành độc lập: Mặc dù AI Agent có thể chạy việc vặt, nhưng các nhà phát triển thường cần tùy chỉnh lượng lớn các định dạng và quy tắc API. Không có hệ sinh thái chung giữa các tác nhân khác nhau, khiến việc tích hợp trở nên khó khăn.
Mối quan hệ giữa MCP và AI Agent: MCP là một giao thức, AI Agent là một khái niệm hoặc phương pháp thực thi
AI Agent nhấn mạnh khả năng chủ động và thực hiện các công cụ của AI
MCP tập trung vào cách cho phép các mô hình AI khác nhau giao tiếp với các công cụ bên ngoài, đóng nhân vật là một tiêu chuẩn chung.
MCP giúp các tác nhân AI hoạt động hiệu quả hơn
Nếu không có MCP, AI Agent có thể phải viết một bộ quy tắc API cho các công cụ và nền tảng khác nhau, khiến việc phát triển và bảo trì trở nên rất khó khăn.
Với MCP, AI Agent chỉ cần tuân theo thông số kỹ thuật của MCP, lấy các công cụ có sẵn từ "Danh sách máy chủ" và sau đó tự động quyết định công cụ nào sẽ sử dụng để hoàn thành nhiệm vụ. Việc tiếp cận các nguồn lực bên ngoài cũng an toàn và thuận tiện hơn.
Phạm vi chức năng khác nhau
AI Agent: tập trung vào việc ra quyết định và logic, xác định những việc cần làm và các bước cần thực hiện dựa trên yêu cầu.
MCP: Chuyên giải quyết giao diện công cụ và định dạng chuẩn, cách cung cấp dịch vụ bên ngoài, cơ sở dữ liệu và hệ thống lưu trữ cho AI theo cách thống nhất
Sự kết hợp của cả hai: AI Agent + MCP = cho phép AI hiểu cả cách hành động và nơi cần hành động.
Các dự án khái niệm MCP trong cộng đồng tiền điện tử hiện tại là gì?
MCP cơ bản
Khung do Base phát triển chính thức đã được ra mắt vào ngày 14 tháng 3, cho phép các ứng dụng AI tương tác với blockchain Base. Người dùng có thể triển khai hợp đồng lên blockchain và sử dụng Morpho để cho vay và các chức năng khác thông qua các cuộc hội thoại bằng ngôn ngữ tự nhiên mà không cần khả năng phát triển.
BORK là token đầu tiên sử dụng triển khai Base MCP. Trái phiếu này được phát hành vào ngày 14 tháng 3 và giá trị vốn hóa thị trường đạt đỉnh ở mức 4,6 triệu đô la. Tuy nhiên, hiện tại giá đã giảm xuống còn 110.000 đô la và khối lượng giao dịch trong 24 giờ chỉ còn 90.000 đô la. Có thể đánh giá rằng vòng đời của đồng tiền này đã kết thúc.
Flock là một nền tảng đào tạo AI phi tập trung. Ông chỉ ra rằng MCP hiện tại vẫn chạy trên các mô hình AI bên ngoài và được xử lý bởi LLM tập trung. Flock cung cấp mô hình proxy Web3 và các tác vụ blockchain do AI điều khiển có thể chạy cục bộ, mang đến cho người dùng nhiều quyền kiểm soát hơn.
Lyra
LYRAOS, tên đầy đủ là Lyra MCP-OS, cũng là hệ điều hành Aigent đa AI cho phép các tác nhân AI tương tác trực tiếp với blockchain Solana và thực hiện các hoạt động như mua và bán crypto.
Hiện tại, họ đang tìm hiểu cách sử dụng MCP-OS để thành lập hàng nghìn "AI16ZDAO", các tổ chức tự trị phi tập trung do AI điều khiển để đầu tư crypto. LYRAIOS có kế hoạch phát hành bản DEMO từ ngày 21 đến 22 tháng 3 năm 2025 và ra mắt sản phẩm chính thức vào tuần tới.
Giá trị vốn hóa thị trường 923.000, cao nhất là 2,64 triệu, khối lượng giao dịch 24 giờ là 3 triệu và số lượng địa chỉ nắm giữ tiền tệ là 2.922
Kết luận: Câu chuyện AI lại tiếp tục nhảy múa, nhưng sẽ mất thời gian để quan sát
Mặc dù MCP cung cấp một quy tắc chuẩn hóa cho phép AI tương tác với các công cụ bên ngoài dễ dàng và an toàn hơn, và dường như có tiềm năng lớn trong lĩnh vực Web 3, nhưng các trường hợp thành công tương đối hạn chế. Những lý do đằng sau điều này có thể bao gồm:
Tích hợp công nghệ vẫn chưa hoàn thiện: Trong hệ sinh thái Web 3, logic hợp đồng và cấu trúc dữ liệu của mỗi chuỗi và mỗi DApp đều khác nhau. Vẫn cần lượng lớn tài nguyên phát triển để đóng gói chúng vào Máy chủ MCP mà AI có thể gọi được.
Rủi ro về bảo mật và quy định: Cho phép AI trực tiếp thao túng hợp đồng và xử lý các giao dịch tài chính đòi hỏi phải thiết kế cơ chế quản lý khóa riêng tư và kiểm soát quyền hoàn thiện, điều này rất khó khăn và tốn kém.
Thói quen và trải nghiệm của người dùng: Hầu hết mọi người vẫn còn hoài nghi về việc để AI quản lý ví hoặc đưa ra quyết định đầu tư, và ngưỡng hoạt động của chính blockchain cũng cao. Nếu trải nghiệm quá phức tạp hoặc thiếu các tình huống ứng dụng rõ ràng, người mới sẽ khó có thể sử dụng hoặc đầu tư lâu dài.
Sự nhàm chán về mặt thẩm mỹ và sự thờ ơ của thị trường: Trước đây, AI Agent đã tạo nên một xu hướng trong giới tiền điện tử. Nhiều dự án chưa triển khai thường có giá trị định giá lên tới hơn 100 triệu nhân dân tệ vào thời kỳ đỉnh cao. Tuy nhiên, gần đây nó đang phải đối mặt với nguy cơ vỡ bong bóng AI. Hầu hết các dự án đều giảm hơn 90%, điều này được coi là nỗi sợ hãi của AI.
Quay trở lại với câu chuyện về MCP, nó có thể được hiểu là phiên bản nâng cao của AI Agent. Thị trường đã từng trải qua cơn sốt AI crypto trước đây và dần hiểu được khái niệm cường điệu và ứng dụng thực tế là gì. Nếu thiếu các ứng dụng thực sự sáng tạo và thiết thực, các nhà đầu tư và người dùng sẽ không dễ dàng trả tiền cho nó. Các dự án MCP tiên phong như BORK cuối cùng không được chú ý vì chúng không có sự khác biệt rõ ràng hoặc không có triển khai ứng dụng. Đây cũng là yếu tố then chốt quan trọng nhất khiến tác giả cho rằng khái niệm MCP hiện nay vẫn chưa trở nên phổ biến.
Sự kết hợp giữa MCP và blockchain có tiềm năng, nhưng cũng phải đối mặt với những thách thức kép từ rào cản kỹ thuật và áp lực thị trường. Trong tương lai, nếu có thể tích hợp các cơ chế bảo mật hoàn thiện hơn, tạo ra trải nghiệm người dùng trực quan hơn và khám phá ra các ứng dụng sáng tạo thực sự mang lại giá trị, thì "Web 3 + MCP" có thể thoát khỏi số phận trở thành "chủ đề cường điệu" và trở thành chủ đề chính của một vòng mới.
