¿Qué es el Protocolo de Contexto del Modelo (MCP)?

ElProtocolo de Contexto del Modelo(MCP) es un estándar abierto desarrollado por @AnthropicAIque revoluciona la forma en que los modelos de IA se conectan con fuentes de datos externas y herramientas. Inicialmente, el impacto del estándar fue lento, pero desde @OpenAIadoptado a principios de este año ha aumentado rápidamente en adopción. A menudo se compara con un “puerto USB-C para agentes de IA” - proporciona un método uniforme para conectarlos a varias herramientas y fuentes de datos, simplificando la interacción de la IA con recursos externos.

En lugar de que los desarrolladores creen integraciones personalizadas para cada fuente de datos o herramienta, MCP establece un protocolo de comunicación estandarizado entre los modelos de IA (clientes) y los proveedores de datos/herramientas (servidores). El objetivo es ayudar a que los modelos punteros produzcan respuestas mejores y más relevantes al conectarlos a sistemas donde residen los datos, incluyendo repositorios de contenido, herramientas comerciales y entornos de desarrollo.

En su núcleo, MCP aborda la limitación fundamental de los Modelos de Lenguaje Grandes (LLMs) al estar aislados de los datos en tiempo real y no poder tomar acciones directas externamente. MCP permite a los sistemas de IA descubrir e interactuar con herramientas disponibles de forma dinámica, apoyando la comunicación persistente bidireccional entre los modelos y los sistemas externos. Esto es especialmente importante y poderoso para permitir que los agentes de IA autónomos tengan capacidades más sólidas, especialmente en DeFi.

Cómo MCP Optimiza Agentes de IA en DeFi

MCP aumenta en gran medida las capacidades del agente de IA en DeFi al agilizar cómo los agentes procesan e interactúan con datos en tiempo real. MCP permite a los agentes de IA acceder dinámicamente a flujos de datos externos, como datos de mercado, desde fuentes como bases de datos relacionales y APIs. Esto facilita que los agentes asimilen los últimos avances y mejora su capacidad para tomar decisiones informadas. Al integrar diversas fuentes de datos en tiempo real, los agentes pueden analizar puntos de datos complejos y adaptarse a las cambiantes condiciones del mercado, una tarea crítica para casos de uso como el suministro de liquidez.

MCP también mejora la eficiencia de los agentes de IA al permitir que las herramientas tomen acciones. Los agentes no solo pueden extraer datos de sistemas externos, sino también enviar actualizaciones o acciones de vuelta a esos sistemas, como ejecutar contratos inteligentes o actualizar posiciones de liquidez. Esto capacita a los agentes para ejecutar DeFi estrategias de forma autónoma, haciéndolos actores más eficientes en el espacio. Al eliminar la necesidad de integraciones personalizadas para cada herramienta o fuente de datos, MCP reduce la complejidad y acelera la implementación de soluciones DeFi impulsadas por IA. Esto permite a los agentes adaptarse, escalar y responder rápidamente a nuevas oportunidades, aumentando la eficiencia general de las operaciones DeFi.

MCP es genial para proporcionar estas capacidades fundamentales para los agentes, herramientas para obtener datos y tomar medidas. Pero, en contraste, no es adecuado para que los agentes coordinen o se comuniquen entre sí. A diferencia de las herramientas, los agentes no están diseñados para seguir comandos rígidos a través de una API fija. Son naturalmente flexibles, utilizando el lenguaje natural para ejecutar una variedad de capacidades y orquestar interacciones que a menudo implican estados compartidos. Amplío sobre esto en la sección "MCP acelera la necesidad de coordinación de enjambres de agentes" a continuación.

Para aquellos que son nuevos en el concepto, voz líder de la industria @S4mmyEthha escrito un detallado artículo sobre MC, calificándolo como "una importante apertura para la cripto y la IA de código abierto"; puedes encontrar esa pieza a continuación.

Adopción de MCP en diferentes industrias

Web3 y Blockchain

Web3 es un foco natural de innovación, y rápidamente se está convirtiendo en un campo de pruebas para sistemas de IA y metodologías. Lo mismo ocurre con MCP, que está mejorando la integración de IA-blockchain y allanando el camino para que los sistemas inteligentes interactúen eficientemente con aplicaciones descentralizadas, desbloqueando nuevas eficiencias en Web3, como se señaló recientemente por @aelfblockchain.

Hay varios proyectos emocionantes en el ecosistema Web3 que se están inclinando hacia MCP, incluyen:

@Arcdotfun- el principal marco de Rust para agentes de IA en Web3 acaba de anunciar Ryzome, una tienda de aplicaciones universal para IA agentica, impulsada por MCP, que estandariza la comunicación entre agentes de IA y servicios digitales. Esto permite a los agentes de IA acceder fácilmente a los servicios de Web 2 y Web 3 sin integraciones complejas.

@heurist_ai- una nube descentralizada de IA como servicio, ha lanzado una serie de herramientas a las que MCP puede acceder, como una integración para @getmasafiX datos.

Consulte su Github para obtener una visión profunda de sumarco de agente.

@UnifaiNetwork- una startup de inteligencia artificial Web3 se ha posicionado como MCP para Web3, construyendo una amplia gama de complementos de código abierto MCP con capacidades que incluyen pagos de billetera, intercambios, estrategias de gestión de liquidez, apuestas impulsadas por IA y más.

@StoryProtocol – la cadena de bloques IP del mundo, también ha anunciado recientemente integraciones con MCP para facilitar que los agentes de inteligencia artificial obtengan información sobre transacciones, licencias, transacciones y propiedad en su ecosistema, así como permitir que los agentes creen y transfieran IP.

Estas implementaciones de equipos innovadores en el espacio están permitiendo a los LLM interactuar de manera eficiente con los datos de blockchain en tiempo real, realizar auditorías de seguridad en contratos inteligentes, realizar un seguimiento de las métricas de tokens e incluso facilitar transacciones en cadena con las salvaguardias adecuadas.

Comercio electrónico y minorista

En el espacio de comercio electrónico y minorista, MCP está transformando la forma en que los agentes de IA se conectan con fuentes de datos y herramientas, mejorando tanto la eficiencia operativa como las experiencias de los clientes. Funciones como búsquedas de productos, seguimiento de pedidos y recomendaciones de precios están optimizando las operaciones y mejorando la experiencia general de compra.

Las primeras integraciones de MC en el espacio incluyen:

@Shopifytiendas sonintegrando MCPpara gestionar fácilmente productos, clientes, pedidos y más con simples llamadas de API a su API de administración.

@blocksuno de los principales proveedores de pago ha utilizadoMCP para construir un agente de IA extensible de código abierto, llamado Goose, que ayuda a instalar, ejecutar, editar y probar código con cualquier LLM.

@WooCommerceha incluidoservidores MCPmejorar la interacción con sus tiendas, permitiendo herramientas integrales para gestionar productos, pedidos, clientes, envíos, impuestos, descuentos y configuración de la tienda.

Empresa B2B

En el sector empresarial, ha habido una adopción significativa de MC para las operaciones comerciales y flujos de trabajo. MC ha experimentado una adopción en las principales ofertas empresariales, incluyendo:

@OpenAI ha integrado la tecnologíapara mejorar la comunicación estandarizada entre agentes de IA y sistemas externos, optimizando los flujos de trabajo empresariales y reduciendo los costos de desarrollo.

@Microsoftha incluidoMCP en productos como Copilot Studioy Kernel Semántico, permitiendo a los creadores conectarse directamente a servidores de conocimiento existentes y APIs. Las acciones y el conocimiento se añaden automáticamente al agente y se actualizan continuamente a medida que evoluciona la funcionalidad.

@Databricksha adoptadoun MCPservidor que se conecta a su API, permitiendo a LLMs ejecutar consultas SQL, listar trabajos y obtener el estado actualizado de los trabajos.

Herramientas de Desarrollo e Ingeniería

El desarrollo de software ha sido uno de los primeros y más sólidos adoptantes de MCP. Como señala NSHipster en un artículo reciente, 'Language Server Protocol (LSP) revolucionó la forma en que los lenguajes de programación se integran con las herramientas de los desarrolladores. El Protocolo de Contexto del Modelo (MCP) tiene como objetivo hacer lo mismo para una nueva generación de herramientas de IA'.

Algunas herramientas importantes de desarrollo e ingeniería que ahora admiten la integración de MCP incluyen:

@zeddotdev @Replit @codeiumdev y@Sourcegraph está trabajando con MCPpara mejorar sus plataformas, permitiendo a los agentes obtener mejor información para comprender el contexto alrededor de una tarea de codificación, produciendo un código más matizado y funcional.

@github servidores de MCPproporcionar una integración perfecta con sus API, lo que permite capacidades avanzadas de automatización e interacción para desarrolladores y herramientas.

Integraciones de IDE para análisis de códigoy generación, transformando la IA de un asistente pasivo a un socio activo y colaborativo en el proceso de desarrollo de software.

La Alcance Expansivo e Impacto de MCP para Sistemas de IA

La rápida adopción de MCP en diversas industrias destaca su valor como protocolo estandarizado para la interacción de herramientas de IA. Originalmente una iniciativa de Anthropic, ha evolucionado hacia un ecosistema abierto con miles de servidores creados por la comunidad e integraciones de importantes empresas tecnológicas. Recientemente, hemos visto un crecimiento tremendo en la accesibilidad de los servidores de MCP, con más de 300 disponibles específicamente para agentes de IA, como se muestra por @Sumanth_077abajo.

A medida que MCP madura, estamos viendo:

1. Integraciones simplificadas: reemplazando conectores personalizados con interfaces estandarizadas.
2. Seguridad mejorada a través de autenticación a nivel de protocolo y control de acceso.
3. Un próspero ecosistema de desarrolladores que crea herramientas y conectores especializados.
4. Compatibilidad entre plataformas cruzadas entre diferentes modelos de IA y aplicaciones.

MCP acelera la necesidad de coordinación del enjambre de agentes

Mientras MCP resuelve el problema de conectividad entre agentes de IA individuales y fuentes de datos, no aborda el desafío de coordinación entre múltiples agentes especializados. Aquí es donde @TheoriqAIviene.

Theoriq ha estado defendiendo el uso de enjambres de agentes (a los que antes nos referíamos como colectivos antes de que el término enjambres despegara) durante los últimos dos años. A medida que desarrollamos el Protocolo Theoriq, un protocolo descentralizado y multiagente para las finanzas impulsadas por la inteligencia artificial, estamos sentando las bases para que los agentes se comuniquen, colaboren y ejecuten tareas financieras complejas. Ya estamos abordando este desafío de frente, construyendo un enjambre de Provisión de Liquidez en Cadena (OLP) construido en el protocolo que brinda valor financiero al ecosistema DeFi y sus participantes. Más detalles a continuación.

Los agentes especializados seguirán surgiendo y se volverán eficientes en las tareas para las que fueron construidos, y a medida que cada uno aproveche MC para acceder a los datos, seguirán necesitando "raíles para comunicarse" entre sí. Agregar numerosos complementos de MC a un agente genérico será menos efectivo que tener agentes especializados que se comuniquen a través de un protocolo coordinado.

La adición de MCP facilita que los agentes se conecten a fuentes externas, y agregar esta capacidad a lo que Theoriq está trabajando solo aumentará las capacidades de los agentes.

El protocolo Theoriq aborda este desafío de siguiente nivel mediante:

1. Facilitar la comunicación entre agentes: mientras que MCP conecta agentes a fuentes de datos, Theoriq conecta agentes con otros agentes de una manera minimizada en cuanto a la confianza, incluyendo comunicaciones de apoyo y duraderas. Es importante destacar que MCP solo permite que un agente inicie solicitudes de información, pero Theoriq permite que los agentes sean llamados de vuelta cuando ocurre un evento importante (como un cambio en el mercado o una noticia de última hora).
2. Proporcionar mecanismos de coordinación - los enjambres de Theoriq permiten que agentes especializados trabajen juntos en tareas complejas como la provisión de liquidez - pueden comunicarse en lenguaje natural con semántica rica, mientras que MC sigue un paradigma de API tradicional con capacidades más rígidas y estrechamente definidas.
3. Estableciendo incentivos económicos - A diferencia de MCP, Theoriq utiliza economía de tokens y pagos para incentivar contribuciones de agentes de alta calidad y participación con resultados financieros.
4. Asegurando las interacciones de agentes: la arquitectura en cadena/fuera de cadena de Theoriq garantiza una comunicación segura y verificable entre agentes más allá de lo que MCP ofrece.
5. Apoyo para el descubrimiento y la reputación de agentes: Theoriq permite a los agentes descubrirse entre sí en función de sus capacidades y sus antecedentes, promoviendo una colaboración más efectiva.

MCP como la Capa de Herramientas del Agente, Theoriq como la Capa de Coordinación

El Protocolo de Contexto del Modelo ha surgido como una infraestructura esencial que conecta los modelos de IA con los datos y herramientas. Estandariza cómo interactúan los agentes con el mundo externo, haciendo que los agentes especializados y capaces sean cada vez más factibles y valiosos.

Sin embargo, a medida que estos agentes especializados proliferan, la necesidad de coordinación entre ellos crece. Theoriq llena este vacío crítico al proporcionar los "raíles" para la comunicación entre agentes, permitiendo que los sistemas multiagentes complejos aborden desafíos sofisticados como la provisión de liquidez en cadena.

La combinación de MCP para la conectividad agente-mundo y Theoriq para la coordinación agente-agente crea una base sólida para la emergente economía agentica. Esta sinergia permite la excelencia especializada en lugar de la mediocridad generalizada, señalando el camino hacia un ecosistema de IA más eficiente, capaz y minimizado en confianza. Anticipamos que todos los principales marcos de agentes de IA en Web3 adoptarán MCP, tal como lo ha hecho Rig. A medida que colaboramos con estos marcos para integrar Theoriq para la coordinación de enjambres, esperamos que tanto MCP como Theoriq aumenten su valor.

Descargo de responsabilidad:

1. Este artículo es reimpreso de [GateRon Bodkin]. Todos los derechos de autor pertenecen al autor original [Ron Bodkin]. Si hay objeciones a esta reimpresión, por favor contacte al Gate Learnequipo, y lo manejarán rápidamente.
2. Descargo de responsabilidad: Las opiniones expresadas en este artículo son únicamente las del autor y no constituyen ningún consejo de inversión.
3. El equipo de Gate Learn realiza traducciones del artículo a otros idiomas. Queda prohibido copiar, distribuir o plagiar los artículos traducidos a menos que se mencione.