Model Context Protocol

Di tengah maraknya penggunaan Large Language Model (LLM) seperti ChatGPT, Claude, atau LLaMA, muncul tantangan baru: bagaimana membuat AI Agent yang bukan cuma pintar menjawab, tapi juga bisa mengerti situasi, mengakses informasi, dan mengambil tindakan secara tepat. Di sinilah MCP (Model Context Protocol) hadir sebagai game changer yang sering luput dibahas.

---

🤖 Apa Itu MCP?

Model Context Protocol (MCP) adalah standar komunikasi antara LLM dan ekosistem yang mengelilinginya — baik itu tools, API, database, maupun memori jangka pendek/panjang. Dengan MCP, kita menyusun informasi yang dibutuhkan oleh LLM dalam format yang terstruktur agar model bisa mengambil keputusan atau mengeksekusi task secara kontekstual.

MCP biasanya mencakup elemen seperti:

• 🧰 Tools (kalkulator, web search, database query)

• 🧠 Memory (misalnya knowledge base atau sistem RAG)

• ⚙️ Function calling (tools call atau API request)

• 🧭 Agent architecture (misalnya: LangChain agents, CrewAI, AutoGen, OpenDevin)

Bayangkan LLM itu kayak manajer cerdas, tapi dia butuh briefing yang lengkap dan terstruktur sebelum bisa ambil keputusan. Nah, MCP adalah format briefing itu.

---

🔍 Mengapa MCP Itu Penting?

Di dunia nyata, aplikasi AI Agent nggak cuma disuruh menjawab pertanyaan. Tapi juga harus bisa:

• Memahami apa yang sebenarnya dimaksud user (intent & context),

• Mengambil data dari sumber eksternal (database, API),

• Dan yang nggak kalah penting: bertindak sesuai perintah.

Tanpa format komunikasi yang jelas (seperti MCP), LLM bisa saja salah paham, salah ambil data, bahkan ngasih respon yang ngaco. Apalagi kalau melibatkan banyak tools dan memori — bakal mudah berantakan kalau nggak ada standarisasi komunikasi.

---

🛠️ Pengalaman Membangun dengan MCP

Saya pertama kali kenal MCP waktu mencoba membangun shopping assistant berbasis LLaMA3. Project-nya lokal, pakai FastAPI, PostgreSQL, dan retrieval system ala RAG. Awalnya bingung banget:

"Gimana caranya LLM tahu kapan dia harus nyari produk? Kapan dia cukup jawab? Atau gimana cara dia tahu kalau user masih ngomongin laptop yang tadi?"

Setelah belajar MCP, saya mulai menyusun input ke LLM dalam bentuk struktur JSON seperti ini:

{ "context": "User sedang mencari laptop dengan harga di bawah 10 juta.", "tools": ["searchProduct", "getPriceRange"], "memory": { "previousQuery": "Laptop gaming under 10M" } }

Dengan struktur seperti ini, LLM tahu apa konteks percakapan, tools apa yang tersedia, dan memori obrolan sebelumnya. Hasilnya?

• Output jadi lebih nyambung dan tidak melenceng.

• LLM bisa menyuruh backend untuk melakukan sesuatu, bukan cuma jawab.

• Sistem jadi lebih modular dan scalable.

---

🔄 Contoh Kasus Penggunaan MCP

💬 Customer Service Agent

• Konteks: Pelanggan ingin retur barang

• Tools: Cek status pesanan, generate tiket, kirim email

• Memori: Riwayat pembelian, alasan retur sebelumnya

• Tanpa MCP: Jawaban bisa terlalu umum, nggak personal

• Dengan MCP: Jawaban langsung sesuai kasus + ada aksi backend

🧑‍💼 HR Assistant Bot

• Konteks: Karyawan tanya jatah cuti

• Tools: Cek database absensi dan HR policy

• Memori: Login session, status kepegawaian

• Dengan MCP: Bot bisa ngasih jawaban berdasarkan data personal

---

📦 Format MCP: Ringkas tapi Padat

Format standar MCP biasanya meliputi:

• context: Deskripsi situasi atau intent user

• tools: Daftar tools atau fungsi yang bisa digunakan

• memory: Informasi yang tersimpan atau bisa diakses dari percakapan sebelumnya

• (opsional) intent, task, atau action_plan

Ini bisa dikustomisasi tergantung framework yang digunakan. Kalau kamu pakai LangChain, CrewAI, atau Autogen, kemungkinan besar sudah punya struktur serupa di bawah kap mesinnya.

---

⚡ MCP & Masa Depan AI Agent

Seiring makin banyaknya AI framework dan open agent platform (OpenDevin, LangGraph, Autogen, dkk), kebutuhan akan protokol seperti MCP jadi makin mendesak. Semua sistem ini perlu berbicara dalam bahasa yang sama supaya bisa bekerja sama dengan rapi.

Tanpa MCP, AI Agent adalah kumpulan blok yang bingung bicara.
Dengan MCP, mereka jadi tim yang saling ngerti dan koordinatif.

---

💡 Penutup

MCP mungkin belum banyak dibahas seperti prompt engineering atau fine-tuning, tapi ia adalah fondasi penting dari AI Agent yang cerdas dan context-aware. Kalau kamu sedang mengembangkan AI Agent yang harus bisa bertindak, bukan cuma jawab — pelajari dan praktikkan MCP.

Apalagi kalau kamu ingin membangun produk atau solusi nyata — entah itu bot belanja, asisten internal kantor, atau agen edukasi — pemahaman tentang MCP akan sangat membantu membuat sistemmu scalable, modular, dan siap untuk kolaborasi dengan tools lainnya.

Comment