What is MCP in AI and how is it different from an agent?

MCP is a protocol that standardizes how models call tools and access data. An agent is the reasoning system that plans and uses those tools; MCP provides the safe interface the agent relies on.

Why use MCP for tool calling instead of custom integrations?

A protocol like MCP reduces bespoke glue code, improves auditability, and enforces schemas and permissions. It lets multiple agents reuse the same tools reliably.

Can I build agents without MCP?

Yes, but you may face brittle integrations and limited observability. MCP adds structure, typed inputs/outputs, and policy enforcement that make agents more reliable.

What are common MCP tools for business automations?

Typical tools include `search_kb`, `get_revenue`, `crm_lookup`, `summarize_pdf`, `send_slack_message`, and `create_ticket`. Each should have clear schemas and scoped permissions.

How do I add human approval to agent actions with MCP?

Expose tools with a `requires_approval` flag or a dedicated `request_approval` tool. The agent triggers the request, and MCP enforces the approval before executing the risky action.

Què són MCP i Agent? Una explicació clara i pràctica per al 2025

Estil: Pràctic i orientat a solucions

Si has estat seguint la ràpida evolució de les eines d'IA, probablement has sentit a parlar de termes com "MCP" i "agent" alhora. Però aquí hi ha el truc: tot i que tots dos orbiten el món de l'automatització de la IA, resolen problemes diferents. Entendre com les arquitectures MCP i d'agent s'encaixen pot ajudar-te a dissenyar sistemes que siguin més segurs, fiables i fàcils d'escalar.

Aquesta explicació adopta un enfocament pràctic. Definirem els termes, mostrarem com interactuen, destacarem casos d'ús reals i proporcionarem patrons que pots aplicar immediatament.

Definicions ràpides (sense la boira de les paraules de moda)

MCP (Model Context Protocol): Una manera estandarditzada de connectar models d'IA (LLMs) a eines externes, fonts de dades i capacitats mitjançant un protocol ben definit. Pensa en MCP com la canonada que permet a un model cridar funcions de manera segura, obtenir dades i realitzar accions d'una manera predictible i auditable.

Agent: Un autònom o semiautònom impulsat per un LLM que planifica, raona i executa tasques utilitzant eines. Un agent pot decidir: "Necessito la dada A, després transformar-la amb l'eina B i, finalment, notificar a l'usuari C." Els agents depenen de l'accés a les eines; MCP és una manera neta de proporcionar aquest accés.

En resum: un agent és l'orquestrador. MCP és la capa d'interfície que li proporciona mans segures i estructurades.

Per què MCP és important abans de construir agents

Seguretat i control: MCP defineix quines eines existeixen, quines entrades estan permeses i quin aspecte tenen les sortides. Això fa que sigui menys probable que els agents facin servir eines de manera al·lucinatòria o realitzin accions no desitjades.

Interoperabilitat: Amb un protocol comú, la mateixa eina es pot reutilitzar en diferents agents o models sense integracions a mida.

Observabilitat: Els missatges i esquemes estandarditzats faciliten el registre, la prova i l'auditoria del que l'agent ha fet realment.

Escalabilitat: A mesura que creix el teu conjunt d'eines, el contracte de MCP ajuda a evitar una enredada d'enllaços ad-hoc.

En resum: construeix la capa MCP per estandarditzar les eines; connecta agents a ella per oferir resultats.

El model mental: MCP vs. Agent

Agent respon: "Quina és la millor seqüència de passos per assolir un objectiu?"

MCP respon: "Com puc cridar de manera fiable el pas N amb els paràmetres, permisos i formats de dades correctes?"

Pots construir agents sense MCP, però sovint acabaràs reinventant mini-protocols. L'adopció de MCP redueix el codi d'enganxament a mida i minimitza les superfícies de fallada.

Arquitectura d'un cop d'ull

Intenció de l'usuari → Agent (planificació, raonament)
 → Eines mitjançant MCP (trucades estandarditzades, esquemes, permisos)
 → Sistemes externs (APIs, bases de dades, fitxers, serveis al núvol)
 → Resultats → Síntesi de l'agent → Usuari

L'agent planifica i decideix.

MCP exposa eines com search, retrieve_invoice o send_slack_message amb esquemes clars.

L'agent crida eines a través de MCP, rep resultats estructurats i elabora la sortida final.

Un exemple concret: Bot de resum d'ingressos setmanals

Objectiu: "Enviar un resum concís dels ingressos setmanals al canal de Slack de finances cada dilluns a les 9 del matí."

Responsabilitats de l'agent:

Entendre les finestres de temps (de dilluns a diumenge passat)

Decidir quines mètriques de dades importen (brut, net, reemborsaments, canvi MoM)

Seqüenciar els passos i gestionar els errors

Responsabilitats de MCP:

Proporcionar l'eina get_revenue(start_date, end_date) amb entrades tipificades

Proporcionar get_refunds i send_slack_message(channel, text)

Fer complir els àmbits d'autenticació; registrar cada trucada

Esbós de pseudocodi

# Pla de l'agent (raonament abreujat)
start, end = last_week
revenue = mcp.call("get_revenue", {"start": start, "end": end})
refunds = mcp.call("get_refunds", {"start": start, "end": end})
summary = analyze(revenue, refunds)
message = format_summary(summary)
mcp.call("send_slack_message", {"channel": "#finance", "text": message})

Aquí l'agent raona sobre què fer i per què. MCP garanteix que cada trucada d'eina sigui vàlida, segura i registrada.

Com MCP millora la fiabilitat (i el teu son)

Contractes tipificats: Les eines especifiquen esquemes d'entrada/sortida. Menys sorpreses en temps d'execució.

Registre de capacitats: Els agents descobreixen eines i les seves cadenes de documentació en temps d'execució. Menys codificació rígida.

Permisos: Les eines poden requerir àmbits; els agents poden estar aïllats per rol o entorn.

Transmissió i fragmentació: Els resultats grans es poden paginar o transmetre amb sobres consistents.

Capacitat de prova: Pots simular eines MCP per executar proves d'agent deterministes.

Patrons d'agent que combinen bé amb MCP

Divisió planificador–executor

Utilitza una passada de LLM per redactar un pla d'alt nivell; una segona per executar pas a pas mitjançant MCP.

Benefici: Punts de control clars; més fàcil de recuperar-se de fallades parcials.

Bucles reflexius amb salvaguardes

L'agent critica el seu propi pla ("Tinc totes les dades necessàries?") abans de cridar les eines.

Els esquemes de MCP ajuden a validar les suposicions.

Portes d'entrada humanes

Per a accions arriscades (pagaments, eliminació de dades), MCP pot exposar senyals requires_approval=true.

L'agent sol·licita l'aprovació; MCP la fa complir.

Reproducció determinista

Emmagatzema transcripcions de MCP (sol·licituds/respostes) per reproduir resultats, depurar i complir amb les auditories.

Errors comuns (i com MCP ajuda)

Semàntica d'eines ambigua → Utilitza noms descriptius, exemples i esquemes al registre de MCP.

Fugues de privadesa de dades → Limita l'abast de les eines; passa fitxes mitjançant MCP, no l'indicador.

Agents massa confiats → Afegeix límits de velocitat a nivell d'eina i proteccions; retorna errors explícits que l'agent ha de gestionar.

Podridura de la integració → Versiona les teves eines; MCP permet als agents negociar versions de manera elegant.

Notes d'implementació que pots utilitzar avui

Comença amb un petit conjunt d'eines bàsiques (llegir, escriure, notificar). Amplia només després de tenir registres.

Co-ubica els documents de l'eina amb les seves definicions de MCP. Inclou exemples i casos límit.

Afegeix un paràmetre dry_run a les eines perilloses i entrena els agents per utilitzar-lo primer.

Crea un entorn MCP d'escenificació amb dades simulades per a una avaluació segura de l'agent.

Fes un seguiment de les mètriques: taxes d'error de l'eina, intents, latència i èxit de la tasca d'extrem a extrem.

Seguretat, compliment i governança

Privilegi mínim: Cada identitat d'agent es correspon amb un conjunt mínim d'àmbits de MCP.

Redacció: MCP pot sanejar les sortides abans que tornin al model (per exemple, emmascarar PII).

Compliment de polítiques: Centralitza les regles a MCP perquè tots els agents les heretin.

Auditabilitat: Mantén registres signats de les trucades de MCP per a casos d'ús regulats.

Com els sistemes MCP i d'agent s'escalen amb la teva organització

Reutilització a nivell d'equip: Els agents de finances i suport poden reutilitzar la mateixa eina send_slack_message mitjançant MCP.

Canvi de proveïdor: Si canvies de proveïdor de LLM, la capa MCP es manté estable, estalviant temps de migració.

Nous canals: Afegeix eines send_email o create_ticket una vegada; cada agent se'n beneficia.

Triar la teva estratègia d'agent

Fes aquestes preguntes abans de construir:

La tasca és prou estable per codificar-la com a eines amb esquemes clars?

Necessito autonomia (raonament de diversos passos) o només un enriquiment intel·ligent?

Quins són els costos de fallada? Hauria d'afegir portes d'aprovació humana a MCP?

Com observaré i provaré el sistema d'extrem a extrem?

Si la majoria de les respostes són "sí", comença amb un agent amb suport de MCP en un domini limitat i, a continuació, itera.

Casos d'ús reals on MCP + agents brillen

Triage d'atenció al client

Eines: search_kb, lookup_account, create_ticket, respond_template

Resultat: Primera resposta més ràpida amb accions precises i registrades.

Copilot d'investigació de vendes

Eines: web_search, crm_lookup, summarize_pdf, draft_email

Resultat: Resums de clients potencials redactats en minuts; seguiment de l'abast.

Automatitzacions d'operacions

Eines: run_query, open_incident, post_update, generate_report

Resultat: Reducció del treball pesat i pistes d'auditoria clares.

Vigilant de la qualitat de les dades

Eines: sample_dataset, validate_schema, file_issue, notify_owner

Resultat: Menys sorpreses posteriors.

Un breu glossari (perquè els equips s'alineïn en els termes)

Eina MCP: Una capacitat invocable exposada mitjançant el protocol amb un esquema i una política.

Registre de capacitats: El directori on viuen les eines, les versions i els documents.

Agent: El planificador/executor impulsat per LLM que utilitza eines MCP per completar els objectius.

Bucle de pensament: Els passos de raonament intern de l'agent (poden estar ocults o resumits).

Humà en el bucle: Un punt de control que requereix una aprovació explícita.

Exemple: Disseny d'un esquema d'eina MCP

{
 "name": "get_revenue",
 "description": "Retorna mètriques d'ingressos per a un interval de dates en ISO-8601.",
 "version": "1.2.0",
 "auth": { "scopes": ["finance.read"] },
 "input_schema": {
 "type": "object",
 "properties": {
 "start": { "type": "string", "format": "date" },
 "end": { "type": "string", "format": "date" },
 "currency": { "type": "string", "enum": ["USD", "EUR", "JPY"] }
 },
 "required": ["start", "end"]
 },
 "output_schema": {
 "type": "object",
 "properties": {
 "gross": { "type": "number" },
 "net": { "type": "number" },
 "refunds": { "type": "number" },
 "notes": { "type": "string" }
 },
 "required": ["gross", "net", "refunds"]
 }
}

Aquesta claredat dóna confiança als agents i et dóna proteccions.

Val la pena destacar: utilitzar Sider.AI per a agents connectats a MCP

Puntuació de rellevància: 8/10

Si estàs experimentant amb agents que utilitzen eines, ajuda a prototipar ràpidament i mantenir tot observable. Per cert, Sider.AI ofereix un entorn flexible per treballar amb agents multi-eina, incloent:

Orquestració visual de passos amb límits d'eines clars

Fàcil addició d'eines d'estil MCP i validació d'esquemes

Registre integrat per a trucades i resultats d'eines

Aprovacions humanes per a accions sensibles

Això significa que pots esbossar un agent, connectar-lo a les teves eines i veure la transcripció completa, sense construir tota la bastida des de zero.

Conclusions clau que pots posar en pràctica avui

Comença petit: defineix 3-5 eines MCP d'alt valor amb esquemes precisos.

Afegeix aprovacions a qualsevol eina que pugui mutar diners, dades o permisos.

Separa la planificació de l'execució; registra cada trucada d'eina.

Utilitza dades d'escenificació i reproduccions deterministes per provar els agents.

Amplia el teu conjunt d'eines només després d'estar segur dels teus registres.

Conclusió: MCP i agent explicats, aplicats i sense risc

Els sistemes MCP i d'agent són complementaris. L'agent planifica i decideix; MCP converteix les decisions en accions segures i repetibles. Si t'ho prens seriosament l'automatització impulsada per la IA el 2025, prioritza primer la capa de protocol (esquemes clars, permisos i observabilitat) i, a continuació, deixa que els agents ofereixin un valor compost a sobre. Amb aquesta base, enviaràs més ràpid, dormiràs millor i escalaràs amb confiança.

FAQ

Q1: Què és MCP en IA i com és diferent d'un agent? MCP és un protocol que estandarditza com els models criden eines i accedeixen a les dades. Un agent és el sistema de raonament que planifica i utilitza aquestes eines; MCP proporciona la interfície segura en què confia l'agent.

Q2: Per què utilitzar MCP per a la trucada d'eines en lloc d'integracions personalitzades? Un protocol com MCP redueix el codi d'enganxament a mida, millora l'auditabilitat i fa complir els esquemes i els permisos. Permet que diversos agents reutilitzin les mateixes eines de manera fiable.

Q3: Puc construir agents sense MCP? Sí, però pots enfrontar-te a integracions fràgils i observabilitat limitada. MCP afegeix estructura, entrades/sortides tipificades i compliment de polítiques que fan que els agents siguin més fiables.

Q4: Quines són les eines MCP comunes per a les automatitzacions empresarials? Les eines típiques inclouen search_kb, get_revenue, crm_lookup, summarize_pdf, send_slack_message i create_ticket. Cadascuna ha de tenir esquemes clars i permisos limitats.

Q5: Com puc afegir l'aprovació humana a les accions de l'agent amb MCP? Exposa eines amb un senyal requires_approval o una eina dedicada request_approval. L'agent activa la sol·licitud i MCP fa complir l'aprovació abans d'executar l'acció arriscada.