Saya Masih Lebih Memilih MCP daripada Skills

(david.coffee)

6 poin oleh GN⁺ 9 hari lalu | Belum ada komentar. | Bagikan ke WhatsApp

MCP adalah antarmuka standar berbasis abstraksi API yang memungkinkan LLM meminta suatu tugas tanpa harus mengetahui struktur internal alat, serta mendukung penggunaan jarak jauh dan pembaruan otomatis
Melalui arsitektur zero-install, autentikasi OAuth, dan keamanan sandboxing, MCP mengurangi beban instalasi dan persoalan perizinan, serta menyediakan lingkungan yang sama di platform apa pun
Sebaliknya, Skills menimbulkan banyak friksi di lingkungan eksekusi nyata karena ketergantungan pada instalasi CLI, kompleksitas autentikasi dan deployment, serta masalah kompatibilitas antarplatform
Skills harus diposisikan sebagai lapisan pengetahuan, sedangkan MCP sebagai lapisan koneksi; saat LLM berinteraksi dengan sistem eksternal gunakan MCP, dan untuk penyampaian pengetahuan prosedural gunakan Skills
Dengan layanan cloud tunneling seperti MCP Nest, server MCP lokal dapat diakses dari jarak jauh, sehingga dinilai sebagai inti untuk membangun lingkungan integrasi AI yang terstandarisasi

Kelebihan MCP

Model Context Protocol (MCP) didasarkan pada struktur abstraksi API yang memungkinkan LLM menjalankan tugas hanya dengan mengirim permintaan, tanpa perlu memahami cara kerja internal alat
- Contoh: saat LLM berinteraksi dengan DEVONthink, ia cukup memanggil devonthink.do_x() dan server MCP menangani seluruh prosesnya
Penggunaan jarak jauh tanpa instalasi dimungkinkan; klien cukup menentukan URL server MCP dan bisa langsung berfungsi tanpa instalasi tambahan
Pembaruan otomatis didukung; ketika server MCP jarak jauh diperbarui dengan alat atau resource baru, semua klien dapat langsung menggunakan versi terbaru
Autentikasi berbasis OAuth memperkuat keamanan, dan pengguna tidak perlu mengelola token secara manual
Portabilitasnya tinggi, sehingga dapat diakses melalui server MCP yang sama di lingkungan apa pun seperti Mac, mobile, maupun web
Dengan arsitektur sandboxing, hak eksekusi langsung terhadap lingkungan lokal dibatasi dan hanya antarmuka yang terkontrol yang diekspos
Melalui fitur pencarian cerdas dan pembaruan otomatis, hanya alat yang diperlukan yang dimuat, dan bahkan pada instalasi lokal pembaruan bisa dilakukan otomatis saat dijalankan

Skills berguna untuk mengajarkan pengetahuan atau cara penggunaan tertentu kepada LLM, tetapi saat harus menjalankan tindakan nyata, ketergantungan pada CLI menjadi masalah
Sebagian besar Skill memerlukan instalasi CLI terpisah, tetapi versi web seperti ChatGPT, Perplexity, dan Claude tidak dapat menjalankan CLI
Akibatnya, muncul masalah-masalah berikut
- Kompleksitas deployment: CLI harus didistribusikan dan dikelola sebagai binary, NPM, uv, dan sebagainya
- Masalah pengelolaan rahasia: token autentikasi disimpan dalam teks polos di file .env, atau autentikasi hilang saat sesi diinisialisasi ulang
- Ekosistem yang terputus: cara instalasi dan pembaruan Skill berbeda-beda di tiap platform, sehingga menimbulkan masalah kompatibilitas dan error parsing YAML
- Pemborosan konteks: meskipun LLM hanya memerlukan satu pemanggilan fungsi, seluruh SKILL.md tetap harus dimuat
Skill yang berisi instruksi “instal CLI terlebih dahulu” menambahkan kompleksitas yang tidak perlu, dan lebih efisien jika digantikan dengan MCP jarak jauh

Kapan menggunakan MCP: saat LLM perlu terhubung ke sistem eksternal seperti situs web, layanan, atau aplikasi, MCP digunakan sebagai antarmuka standar
- Contoh: Google Calendar seharusnya menangani autentikasi dan eksekusi melalui MCP jarak jauh berbasis OAuth, tanpa menuntut instalasi CLI
- Untuk Chrome, Hopper, Xcode, Notion, dan lainnya, idealnya masing-masing menyediakan endpoint MCP bawaan untuk mengendalikan fungsinya
Kapan menggunakan Skills: harus difokuskan pada penyampaian pengetahuan murni dan pemberian konteks
- Untuk mengajarkan cara menggunakan alat yang sudah terpasang (curl, git, gh, gcloud)
- Untuk standarisasi istilah internal organisasi, alur kerja, dan gaya penulisan
- Untuk berbagi pengetahuan prosedural seperti pemrosesan PDF atau pengelolaan rahasia (misalnya cara menggunakan fnox)
Skills harus dipandang sebagai lapisan pengetahuan, dan MCP sebagai lapisan koneksi

Untuk memperjelas peran Skills dan MCP, diajukan usulan agar Skills disebut manual LLM (LLM_MANUAL.md), sedangkan MCP disebut konektor (Connector)
Contoh yang benar-benar digunakan dalam operasi
- mcp-server-devonthink: server MCP lokal yang memungkinkan LLM mengendalikan DEVONthink secara langsung
- microfn: menyediakan MCP jarak jauh di mcp.microfn.dev
- Kikuyo: menyediakan MCP jarak jauh di mcp.kikuyo.dev
- MCP Nest: layanan yang memungkinkan akses jarak jauh ke server MCP lokal dengan men-tunnel-kannya ke cloud (mcp.mcpnest.dev/mcp)
Beberapa proyek juga menyediakan Skill untuk CLI, tetapi Skill yang menjelaskan cara menggunakan MCP justru lebih berguna
- Skill berfungsi sebagai lapisan pengetahuan yang menjelaskan fungsi MCP, hubungan antaralat, dan kapan harus menggunakannya
- MCP bertanggung jawab atas koneksi dan eksekusi yang sebenarnya
Dengan kombinasi ini, LLM dapat memanfaatkan MCP secara efisien tanpa trial-and-error berulang

Pola-pola yang tidak intuitif yang ditemukan saat menggunakan MCP, seperti kesalahan format tanggal atau keterbatasan pencarian, dirangkum ke dalam Skill untuk digunakan kembali
Skill yang dibuat dengan cara ini berperan sebagai cheat sheet untuk MCP, membantu LLM bekerja dengan tepat tanpa pemborosan token yang tidak perlu
Melalui folder .claude/skills, panduan perilaku AI per proyek dapat dipertahankan, dan prosedur yang sering dipakai dapat dikelola dalam bentuk dotfiles
Masa depan integrasi AI bergantung pada antarmuka yang terstandarisasi (MCP), dan pendekatan terfragmentasi berbasis CLI sebaiknya dihindari
Diharapkan layanan besar seperti Skyscanner, Booking.com, Trip.com, dan Agoda.com akan menyediakan MCP resmi

MCP Nest adalah layanan yang memungkinkan server MCP yang semula hanya dapat digunakan secara lokal (seperti Fastmail, Gmail, dan lain-lain) diakses dari jarak jauh melalui cloud tunneling
Dapat digunakan secara sama pada klien yang mendukung MCP seperti Claude, ChatGPT, dan Perplexity
Tanpa mengekspos mesin lokal secara langsung, pengguna dapat mempertahankan lingkungan MCP yang sama di semua perangkat