Bayangkan sebelum USB wujud. Setiap manufacturer buat connector yang berbeza untuk setiap device. Nak sambung printer kepada computer memerlukan driver yang specific, cable yang specific, dan kadang-kadang software yang specific kepada combination tu. Bila USB standardize cara devices communicate dengan computers, suddenly sebarang device boleh plug into sebarang computer.
MCP adalah roughly doing the same thing untuk AI agents dan external tools.
Sebelum MCP, bila developer nak bagi AI agent access kepada — katakan — Google Calendar, mereka kena tulis custom code yang define exactly macam mana agent boleh interact dengan Calendar API. Bila dorang nak tambah Notion pula, custom code lagi. Setiap tool adalah satu integration effort yang separate. Dan kalau dorang switch daripada menggunakan Claude kepada GPT-4, banyak dari integration tu perlu di-rewrite.
MCP solve masalah ni dengan define satu standard protocol untuk bagaimana tools expose themselves dan bagaimana AI agents consume them.
Apa sebenarnya MCP tu?
Model Context Protocol adalah open specification — think of it like HTTP untuk AI tool interactions. Ia define:
- Format — macam mana tool describe capabilities dia kepada AI agent
- Transport — macam mana messages dihantar antara agent dan tool (stdio untuk local, HTTP/SSE untuk remote)
- Primitives — tiga jenis benda yang MCP server boleh expose:
tools(actions yang agent boleh execute),resources(data yang agent boleh read), danprompts(templates yang user boleh invoke)
Architecture dia ada dua bahagian utama:
LLM dalam host boleh discover automatically apa tools yang available, understand apa setiap tool buat, dan call tools with appropriate parameters — semua through standard protocol tanpa hard-coded integration logic.
Sebelum MCP vs selepas MCP — perbezaan yang concrete
- Developer tulis custom function untuk setiap tool
- Function definitions di-hardcode dalam agent code
- Switch LLM = rewrite integrations
- Share tools dengan agent lain = duplicate code atau API
- Update tool capability = update semua agents yang guna ia
- Setiap tool adalah maintenance burden yang separate
- Build MCP server sekali untuk setiap tool
- Mana-mana MCP-compatible host boleh discover dan guna tools
- Switch LLM host = tools still work tanpa changes
- Share tools = point to same MCP server
- Update tool = update server sekali, semua hosts benefit
- Growing ecosystem of pre-built MCP servers
Macam mana MCP interaction berlaku step by step
tools/list request kepada each connected server. Servers respond dengan list of tools — name, description, dan JSON schema untuk parameters setiap tool. Host aggregate semua tools dari semua servers.Nota untuk developers: MCP guna JSON-RPC 2.0 sebagai message format. Untuk local tools, transport adalah stdio (standard input/output). Untuk remote servers, ia adalah HTTP dengan Server-Sent Events (SSE) untuk streaming. Kalau korang build MCP server, ada official SDK dalam Python, TypeScript, Java, dan Kotlin. Python SDK adalah paling mature.
MCP servers yang dah wujud — ecosystem sekarang
MCP diumumkan oleh Anthropic pada November 2024 dan adoption dia dah accelerate significantly. Ini adalah snapshot dari ecosystem pertengahan 2026:
| Category | Examples of available MCP servers | Relevance untuk Malaysia |
|---|---|---|
| File systems | Local filesystem, Google Drive, Dropbox, OneDrive | High — document processing workflows |
| Databases | PostgreSQL, MySQL, SQLite, MongoDB | High — business data access |
| Productivity | Google Calendar, Notion, Slack, Microsoft 365 | High — office workflow automation |
| Development | GitHub, GitLab, Docker, Kubernetes | Medium — engineering teams |
| Web & search | Brave Search, Playwright browser, web fetch | High — research and information gathering agents |
| Communication | Gmail, Outlook, Twilio SMS | High — customer communication automation |
| CRM & business | Salesforce, HubSpot, Stripe | Medium — depends on which tools firm uses |
Yang penting untuk note: ini adalah servers yang dah exist dan boleh digunakan sekarang. Korang tak perlu build dari scratch kalau tool yang korang perlukan dah ada MCP server yang maintained. Check github.com/modelcontextprotocol/servers untuk official list.
Bila perlu build custom MCP server?
Kalau tool yang agent korang perlukan dah ada MCP server — guna yang dah ada. Jangan reinvent. Build custom MCP server bila:
- Korang ada internal API atau system yang specific kepada business korang — ERP, custom inventory system, proprietary database schema — yang takkan ada public MCP server
- Existing MCP server ada limitations yang tak boleh di-configure — missing auth method, tak support workflow yang korang perlukan
- Korang nak expose capabilities korang kepada multiple AI hosts — build once, reuse everywhere
- Security requirements — data sensitive yang tak boleh route melalui third-party server
Macam mana kami guna MCP dalam IRIS: IRIS ada beberapa capabilities yang specific kepada procurement workflow — ePerolehan data access, tender document parsing, supplier database queries. Kami implement ini sebagai MCP servers supaya dorang boleh di-connected kepada specialist agents dalam IRIS tanpa hard-coding integration logic dalam setiap agent. Bila kami add specialist baru, dia automatically ada access kepada semua registered MCP servers. Architecture ni jauh lebih maintainable dari custom tool functions per-agent.
Security considerations yang ramai skip
MCP expose powerful capabilities kepada AI agents. Ini bermakna security perlu di-think about dari awal, bukan sebagai afterthought.
Tool scope — principle of least privilege. MCP server korang tak perlu expose semua capabilities kepada semua agents. Design server dengan role-based tool availability — read-only agent hanya dapat read tools, admin agent dapat write tools. Jangan expose database delete capabilities kepada agent yang tak perlukan ia.
Input validation. LLM-generated tool calls boleh contain unexpected parameter values. MCP server kena validate semua inputs against schema sebelum execute — jangan trust LLM output blindly.
Authentication untuk remote servers. Kalau MCP server korang accessible over network (bukan localhost), ia perlukan proper authentication. OAuth 2.0 adalah recommended approach untuk remote MCP servers. Jangan expose MCP server tanpa auth kepada internet.
Prompt injection via tool results. Tool results yang masuk balik ke LLM context boleh contain adversarial content yang cuba redirect agent behaviour. Sanitize tool results sebelum return kepada LLM context, terutama bila tool results datang dari external sources yang tak korang control.
MCP vs alternatives — kenapa ia gaining traction
Ada beberapa alternatives kepada MCP untuk tool integration — OpenAI's function calling spec, LangChain tools, custom APIs. Kenapa MCP gaining momentum:
- Open standard, not proprietary. Anthropic publish MCP sebagai open spec. Dorang tak monetize ia secara langsung. Community boleh contribute. Ini adalah berbeza dari OpenAI's function calling yang tightly coupled kepada OpenAI's API.
- Cross-model compatibility. Server yang di-build untuk MCP boleh digunakan dengan Claude, dengan agentic systems yang guna GPT, dengan open-source models — selagi host support MCP. Tool reusability adalah genuine.
- Industry adoption. Google, Microsoft, Block, Replit, dan banyak lagi dah deploy MCP support. Ini bukan experiment kecil — ia dah menjadi defacto standard untuk agentic tool integration.
- Tooling ecosystem. Ada official SDKs, inspector tools untuk debug MCP interactions, dan growing library of pre-built servers yang reduce time-to-integration.
Practical starting point
Kalau korang nak understand MCP secara hands-on tanpa build anything dari scratch:
- Install Claude Desktop — ia adalah MCP host yang paling mudah untuk experiment dengan
- Add satu simple MCP server — filesystem server adalah good starting point sebab ia straightforward dan low-risk
- Observe macam mana Claude discover dan use tools — tools akan appear dalam conversation interface bila connected
- Kalau korang Python developer, baca MCP Python SDK documentation — build satu simple server yang expose custom tool untuk internal data korang
Understanding MCP sekarang — sebelum ia become mainstream — adalah the kind of technical head start yang matter when clients ask "macam mana connect AI agent kepada system kami?" Korang akan ada answer yang concrete instead of "kena custom build everything."
Takeaway
MCP adalah infrastructure-level change dalam cara AI agents interact dengan external systems. Ia bukan hype — ia adalah genuine standardisation effort yang dah ada significant industry buy-in and growing ecosystem of pre-built servers.
Untuk Malaysian builders: familiarise sekarang. Dalam 12–18 bulan, "does it support MCP?" akan jadi standard question bila evaluating AI agent platforms dan tools, sama macam "does it have an API?" dah jadi standard question sebelum ni.