MCP standardiserer måden AI-agenter henter data fra eksterne lagre

Vektorsøgning (en metode til at finde data) er stadig nødvendig for AI-agenter, da modellerne ikke kan huske alt. Det sikrer, at agenter kan hente præcis den rette information uden at overbelaste deres hukommelse. Nu gør Model Context Protocol (MCP) denne måde at finde data på til en standard.

Har AI-agenter stadig brug for vektorsøgning? Nogle tror måske, at moderne sprogmodeller har overflødiggjort teknologien. Men i virkeligheden ligger vigtig information ofte spredt som små puslespilsbrikker i dokumentation, chat-historik og lokale filer. Her hjælper vektorsøgning, som er en metode til at finde data baseret på betydning frem for blot søgeord, AI'en med at finde præcis den rette sammenhæng.

Man kunne fristes til at bruge prompten – altså den instruktion, man giver modellen – som et lager. Det svarer dog til at prøve at klemme et helt bibliotek ned på en lille huskeseddel. Man ender med at lave resuméer af resuméer, og så begynder systemet at fejle. Det kan ikke skaleres, når en AI-agent skal styre et specifikt, stort projekt.

Vektorsøgning fungerer i stedet som en opdeling mellem en hurtig arbejdshukommelse og et stort referencebibliotek. Det gør det muligt at hente små, relevante bidder af viden, der matcher det, AI'en vil opnå lige nu. Modellen kan derfor bruge sin energi på at tænke over selve opgaven, mens resten af projektets viden ligger gemt uden for selve modellen.

For at gøre denne udveksling lettere findes Model Context Protocol (MCP), som er en standardiseret måde at hente information på. MCP er en del af Agentic AI Foundation (AAIF), en gruppe der arbejder for en åben infrastruktur til AI-agenter. Gennem MCP-servere kan man bruge Uniform Resource Identifiers (URI), som er unikke adresser til digitale ressourcer, til at opdatere resultater i en vektordatabase.

Vil du have, at jeg forklarer nærmere, hvordan det med at søge på »betydning frem for søgeord« rent faktisk fungerer?