Значительное обновление ключевого протокола ИИ упрощает масштабирование серверов

Протокол контекста модели (MCP) является одним из основных элементов совместимости ИИ, позволяя моделям безопасно подключаться к внешним источникам данных и сервисам. Он действует как «сантехника», давая чат-ботам доступ к календарям, базам данных и внутренним инструментам без необходимости создавать индивидуальные соединения. На следующей неделе протокол получит значительное обновление, которое, хотя и может быть незаметным для конечных пользователей, существенно повлияет на развитие экосистемы.

Новая спецификация была опубликована еще в мае, но в понедельник поступило четкое объяснение изменений от стартапа Arcade. Эта двухлетняя компания построила свой бизнес на том, чтобы ИИ-агенты работали в реальных компаниях, безопасно подключая их к таким инструментам, как Gmail, Slack и Salesforce. В июне Arcade привлек 60 миллионов долларов, исходя из того, что большинство ИИ-агентов терпят неудачу не из-за слабости моделей, а из-за недостаточной инфраструктуры — именно эту проблему призвано решить обновление.

По сути, MCP меняет способ обработки идентификаторов сессий — небольших маркеров, которые серверы используют для запоминания одного и того же разговора. В текущей системе клиент (например, Claude) при первом подключении к серверу отправляет «приветствие» со своей версией и возможностями. Сервер отвечает своими возможностями и выдает идентификатор сессии. В дальнейшем клиент отправляет этот ID в каждом запросе, чтобы сервер понимал, что это тот же диалог. Иногда ID истекает, и клиент запрашивает новый. В реальном сценарии сервер обслуживает миллионы пользователей за балансировщиком нагрузки, который распределяет запросы по множеству серверов, иногда в разных регионах. Текущая система требует, чтобы все серверы знали об одном и том же ID сессии, что сложно и противоречит работе балансировщика.

Новое обновление вводит «безсостояний» (stateless) подход к сессиям на стороне сервера, аналогично тому, как работают обычные веб-сайты. Это значительно упростит обслуживание и, теоретически, снизит затраты при работе в крупном масштабе. Хотя изменения технические, они напоминают, что не все аспекты развития ИИ движутся с головокружительной скоростью — пока обучение моделей быстро прогрессирует, инфраструктура все еще развивается медленнее, следуя процессу стандартизации.