OpenAI با معرفی Function Calling در GPT-4، امکان تعامل مدلهای زبانی با دنیای خارج را فراهم کرد. این قابلیت به مدلها اجازه میداد تا APIها را فراخوانی کرده و با دادهها تعامل داشته باشند، که گامی بزرگ در جهت توسعه سیستمهای هوش مصنوعی بود. با این حال، تجربه ChatGPT Plugins و جایگزینیهای بعدی نشان داد که راههای مختلفی برای دستیابی به تناسب محصول با بازار وجود دارد و هنوز راه زیادی برای حل این مسئله باقی مانده است.
ابزارهای اولیه (Tools) که در ابتدا با نام Function Calling شناخته میشدند، یک پیشرفت قابل توجه بودند. این روش به توسعهدهندگان اجازه میداد تا رابط کاربری یک تابع را با استفاده از JSON schema توصیف کنند و مدل یاد بگیرد که در صورت نیاز به فراخوانی آن تابع، JSON ساختاریافته تولید کند. این امر منجر به ایجاد ویژگیهایی مانند ChatGPT Plugins و Code Interpreter شد و امکان انجام کارهایی را فراهم کرد که قبلاً غیرممکن بود.
با وجود این مزایا، مدیریت و نگهداری این قابلیتها دشوار بود. هر یکپارچهسازی به صورت سفارشی نوشته میشد و نیاز به کدنویسی برای اتصال به APIها، مدیریت حالت و هماهنگی توالی عملیات داشت. این رویکرد مقیاسپذیر نبود و توسعهدهندگان مجبور بودند نقش یک آهنگساز را ایفا کنند و هر تعامل بین مدل و دنیای خارج را به صورت دستی مدیریت کنند.
MCPs (Microsoft Copilot Provider) به عنوان یک راه حل برای این مشکل معرفی شدهاند. آنها به توسعهدهندگان اجازه میدهند تا ابزارهای خود را به صورت استاندارد ایجاد کنند و از آنها در پلتفرمهای مختلف استفاده کنند. این امر باعث افزایش قابلیت همکاری و کاهش تلاشهای تکراری میشود. به عبارت دیگر، MCPs مانند USB-C برای هوش مصنوعی هستند که اتصال استاندارد و سادهای را برای ابزارها فراهم میکنند.
مشاهده مطلب اصلی