Pengantar

Perkembangan Artificial Intelligence (AI) saat ini tidak lagi hanya tentang chatbot yang menjawab pertanyaan. AI mulai berkembang menjadi sistem yang mampu menggunakan berbagai tools, mengakses data, memanggil API, membaca file, hingga menjalankan tugas secara otomatis.

Dalam perkembangan tersebut, ada dua istilah yang semakin sering muncul, yaitu MCP (Model Context Protocol) dan AI Agent.

Keduanya memang berhubungan erat dengan AI modern, tetapi sebenarnya memiliki fungsi yang berbeda.

Secara sederhana:

AI Agent adalah sistem yang dapat menggunakan AI untuk menjalankan tugas, sedangkan MCP adalah protokol yang membantu aplikasi AI terhubung dengan tools dan sumber data.

Lalu, bagaimana sebenarnya MCP dan AI Agent bekerja? Dan mengapa keduanya dapat digunakan bersama?

Apa Itu AI Agent?

Sebelum membahas MCP, kita perlu memahami terlebih dahulu apa yang dimaksud dengan AI Agent.

AI Agent adalah sistem berbasis AI yang dapat menerima tujuan dari pengguna, menentukan langkah yang diperlukan, menggunakan tools, dan kemudian menghasilkan tindakan atau hasil untuk mencapai tujuan tersebut.

Chatbot biasa umumnya bekerja seperti ini:

User
 ↓
Prompt
 ↓
AI Model
 ↓
Jawaban

Sedangkan AI Agent dapat memiliki alur yang lebih panjang:

User
 ↓
AI Agent
 ↓
Memahami tujuan
 ↓
Menentukan langkah
 ↓
Menggunakan Tool
 ↓
Mendapatkan hasil
 ↓
Menganalisis hasil
 ↓
Menggunakan Tool lain
 ↓
Memberikan hasil

Jadi, AI Agent tidak hanya menghasilkan teks.

Agent dapat melakukan serangkaian tindakan berdasarkan tujuan yang diberikan.

Contoh Sederhana AI Agent

Misalnya seorang administrator server bertanya:

“Periksa server saya dan cari tahu apakah ada masalah.”

AI Agent dapat memiliki beberapa tools seperti:

get_cpu_usage()
get_memory_usage()
get_disk_usage()
get_processes()
get_logs()

Agent kemudian dapat melakukan:

get_cpu_usage()
       ↓
CPU = 92%
       ↓
get_processes()
       ↓
Menemukan proses yang menggunakan CPU tinggi
       ↓
get_logs()
       ↓
Menganalisis log
       ↓
Memberikan laporan

Pengguna tidak perlu menjalankan semua command tersebut secara manual.

Agent dapat mengatur langkah yang diperlukan berdasarkan tools yang tersedia.

Komponen dalam AI Agent

Sebuah AI Agent biasanya terdiri dari beberapa komponen.

1. LLM

Large Language Model atau LLM menjadi komponen yang memahami instruksi dan membantu menghasilkan keputusan atau respons.

Contohnya model bahasa yang digunakan untuk memahami permintaan pengguna.

2. Tools

Tools adalah fungsi atau kemampuan yang dapat digunakan agent.

Contohnya:

search()
get_weather()
query_database()
send_email()
create_ticket()
run_command()

Tools membuat AI dapat melakukan sesuatu di luar sekadar menghasilkan teks.

3. Memory atau State

Agent dapat membutuhkan informasi dari langkah sebelumnya.

Misalnya:

User → "Cari server yang bermasalah."

Agent → mencari data

User → "Sekarang restart server tersebut."

Agent perlu mempertahankan state atau context yang relevan agar dapat memahami apa yang dimaksud dengan “server tersebut”.

4. Planning

Untuk tugas yang kompleks, agent dapat membagi tujuan menjadi beberapa langkah.

Contohnya:

Tujuan:
"Analisis berita keamanan siber minggu ini."

Langkah:
1. Cari berita
2. Ambil artikel
3. Kelompokkan topik
4. Analisis sentimen
5. Buat ringkasan

Apa Itu MCP?

Sekarang kita masuk ke MCP atau Model Context Protocol.

MCP adalah protokol terbuka yang dirancang untuk membantu aplikasi AI terhubung dengan tools, data, dan sumber context menggunakan pola komunikasi yang terstandarisasi.

Cara mudah membayangkannya adalah:

MCP menyediakan standar agar aplikasi AI dapat berkomunikasi dengan berbagai kemampuan eksternal.

Misalnya kita memiliki:

  • database,
  • API,
  • file,
  • sistem monitoring,
  • Git repository,
  • aplikasi bisnis.

Daripada membuat integrasi khusus untuk setiap aplikasi AI, MCP dapat digunakan sebagai salah satu standar komunikasi.

Gambaran sederhananya:

AI Application
      ↓
   MCP Client
      ↓
   MCP Server
      ↓
 ┌────┼─────┐
 ↓    ↓     ↓
API   DB   Files

Mengapa MCP Dibutuhkan?

Bayangkan kita memiliki sebuah AI application yang harus terhubung ke lima sistem berbeda.

Tanpa pendekatan standar, developer dapat membuat integrasi berbeda-beda:

AI → Custom Code → Database

AI → Custom Code → API

AI → Custom Code → File System

AI → Custom Code → Monitoring

AI → Custom Code → Git

Semakin banyak sistem yang ingin dihubungkan, semakin banyak integrasi yang perlu dikelola.

MCP hadir untuk menyediakan pendekatan yang lebih terstandarisasi dalam menghubungkan aplikasi AI dengan kemampuan eksternal.

MCP Bukan AI Agent

Ini adalah konsep yang sangat penting.

MCP dan AI Agent bukan teknologi yang sama.

Keduanya berada pada fungsi yang berbeda.

Secara sederhana:

AI Agent
   ↓
Menentukan apa yang perlu dilakukan
   ↓
Menggunakan tools
   ↓
MCP
   ↓
Tools / Resources

AI Agent berhubungan dengan pengambilan tindakan untuk mencapai tujuan.

MCP berhubungan dengan cara aplikasi AI berkomunikasi dengan tools dan resources.

Analogi sederhananya:

  • AI Agent = pekerja
  • LLM = komponen yang membantu pekerja memahami dan menentukan tindakan
  • Tools = peralatan
  • MCP = standar/interface untuk mengakses peralatan

Analogi ini tentu tidak menggambarkan seluruh arsitektur sebenarnya, tetapi cukup membantu untuk memahami perbedaan konsep.

Perbedaan MCP vs AI Agent

Berikut perbedaan sederhananya:

Aspek MCP AI Agent
Bentuk Protokol Sistem/aplikasi AI
Fokus Komunikasi dan interoperabilitas Menjalankan tugas
Reasoning Bukan fungsi utama Dapat menggunakan reasoning/planning
Tools Menyediakan cara standar untuk mengekspos tools Menggunakan tools
Decision making Bukan tujuan utama Bagian dari workflow agent
Autonomy Bukan konsep utama Dapat memiliki tingkat autonomy
Memory Bukan fungsi utamanya Dapat memiliki memory/state
Contoh MCP server menyediakan fungsi tertentu Agent menggunakan fungsi tersebut untuk menyelesaikan tugas

Hal yang perlu diingat adalah:

MCP bukan “otak” AI Agent.

MCP lebih tepat dipahami sebagai salah satu mekanisme standar yang dapat digunakan aplikasi AI untuk berinteraksi dengan kemampuan eksternal.

Bagaimana MCP dan AI Agent Bekerja Bersama?

Sekarang kita masuk ke bagian yang paling menarik.

AI Agent dapat menggunakan MCP untuk mengakses tools atau resources.

Contoh arsitekturnya:

                 User
                   ↓
              AI Agent
                   ↓
                  LLM
                   ↓
             MCP Client
                   ↓
             MCP Server
              /    |    \
             /     |     \
            ↓      ↓      ↓
          API      DB    Files

Alurnya dapat dijelaskan seperti berikut.

1. User memberikan tujuan

Misalnya:

“Cari berita keamanan siber di Sulawesi Tenggara.”

2. AI Agent memahami permintaan

Agent memahami bahwa ia membutuhkan data berita.

3. Agent memilih tool

Agent dapat memilih tool pencarian berita yang tersedia.

4. Tool dipanggil melalui mekanisme yang tersedia

Jika tool tersebut tersedia melalui MCP, aplikasi AI dapat berkomunikasi dengan MCP server.

5. MCP Server menjalankan tool

MCP server kemudian berinteraksi dengan sistem yang menyediakan data.

Misalnya:

MCP Server
    ↓
SearchX API
    ↓
Database berita

6. Hasil dikembalikan

Data kemudian dikembalikan ke aplikasi AI.

7. Agent memproses hasil

LLM dapat menganalisis hasil tersebut dan menentukan langkah selanjutnya.

Studi Kasus: AI Agent untuk Monitoring Server

Mari kita gunakan contoh yang lebih dekat dengan dunia DevOps.

Misalnya kita ingin membuat AI Agent untuk membantu administrator melakukan troubleshooting server.

Agent memiliki tools:

get_cpu()
get_memory()
get_disk()
get_process()
get_logs()

Pengguna memberikan perintah:

“Periksa server dan cari penyebab CPU tinggi.”

Agent dapat melakukan:

User
 ↓
AI Agent
 ↓
get_cpu()
 ↓
CPU = 95%
 ↓
get_process()
 ↓
Menemukan proses tertentu
 ↓
get_logs()
 ↓
Menganalisis log
 ↓
Memberikan laporan

MCP dapat digunakan sebagai salah satu mekanisme untuk mengekspos tools tersebut kepada aplikasi AI.

Dengan demikian:

AI Agent menentukan apa yang harus dilakukan.

Sedangkan:

MCP membantu menyediakan cara standar untuk berinteraksi dengan tools yang tersedia.

Studi Kasus: MCP dan AI Agent pada SearchX

Konsep ini juga menarik jika diterapkan pada platform seperti SearchX.

Misalnya SearchX memiliki berbagai kemampuan:

Search API
News Database
Crawler
Sentiment Analysis
Analytics
Visualization

Kita kemudian membuat AI Agent yang dapat memahami permintaan pengguna.

Pengguna bertanya:

“Cari berita keamanan siber di Sulawesi Tenggara selama tujuh hari terakhir dan analisis sentimennya.”

Agent dapat melakukan workflow:

User
 ↓
AI Agent
 ↓
Search News
 ↓
MCP
 ↓
SearchX API
 ↓
News Data
 ↓
Sentiment Analysis
 ↓
Analytics
 ↓
AI Agent
 ↓
Insight

Hasil akhirnya bukan hanya daftar artikel.

Agent dapat menghasilkan insight seperti:

Total artikel: 125

Topik dominan:
- Cyber Attack
- Data Breach
- Phishing

Distribusi sentimen:
- Positif
- Netral
- Negatif

Tentu implementasi sebenarnya membutuhkan desain keamanan, API, permission, dan pipeline data yang baik.

MCP Architecture

Secara sederhana, arsitektur MCP dapat digambarkan seperti berikut:

┌───────────────────────────┐
│       AI Application      │
│       / Agent Host        │
└─────────────┬─────────────┘
              │
          MCP Client
              │
              ↓
┌───────────────────────────┐
│        MCP Server         │
├───────────────────────────┤
│ Tools                     │
│ Resources                 │
│ Prompts                   │
└─────────────┬─────────────┘
              │
       ┌──────┼──────┐
       ↓      ↓      ↓
      API     DB    Files

Beberapa istilah yang perlu dipahami:

Host

Aplikasi yang menggunakan kemampuan MCP.

Client

Komponen yang membuat koneksi dari aplikasi AI ke MCP server.

Server

Komponen yang menyediakan tools, resources, dan kemampuan lain kepada client.

Tools

Fungsi yang dapat dipanggil oleh aplikasi AI.

Contohnya:

search_news()
get_article()
query_database()

Resources

Sumber informasi atau context yang dapat digunakan aplikasi AI.

Prompts

Template instruksi yang dapat disediakan oleh MCP server.

MCP dan Tool Calling

MCP juga sering dibahas bersama dengan tool calling.

Tool calling adalah mekanisme yang memungkinkan model atau aplikasi AI meminta suatu fungsi untuk dijalankan.

Misalnya tersedia:

search_news()

Pengguna bertanya:

“Cari berita tentang ransomware.”

AI dapat menentukan bahwa tool tersebut diperlukan.

Kemudian aplikasi memanggil:

search_news("ransomware")

Hasilnya kemudian dikembalikan kepada AI untuk diproses.

MCP dapat menyediakan standar bagaimana tools tersebut ditemukan dan digunakan oleh aplikasi AI.

MCP vs API Tradisional

MCP tidak berarti API tradisional menjadi tidak diperlukan.

API tetap sangat penting.

Contohnya:

Application
     ↓
REST API
     ↓
Backend
     ↓
Database

Sedangkan dalam sebuah aplikasi AI:

AI Application
      ↓
   MCP Client
      ↓
   MCP Server
      ↓
      API
      ↓
   Backend

Dengan demikian, MCP dapat berada di atas atau di sekitar kemampuan yang sudah tersedia, tergantung desain sistem.

MCP lebih berfokus pada interaksi aplikasi AI dengan tools dan context, bukan menggantikan seluruh teknologi API yang sudah ada.

Keuntungan Menggunakan MCP untuk AI Agent

Ada beberapa alasan MCP menarik dalam pengembangan aplikasi AI.

1. Standardisasi

Developer dapat menggunakan pola komunikasi yang lebih konsisten ketika menghubungkan AI dengan tools.

2. Interoperability

Tools yang diekspos melalui MCP dapat digunakan oleh aplikasi AI yang mendukung protokol tersebut.

3. Modularitas

Logic AI Agent dapat dipisahkan dari implementasi tools.

Misalnya:

Agent Logic
     +
Tool Layer
     +
External System

4. Reusability

Satu kemampuan dapat digunakan kembali oleh berbagai aplikasi AI yang sesuai.

5. Mempermudah Pengembangan

Developer tidak harus membuat pola integrasi yang sepenuhnya berbeda untuk setiap aplikasi AI.

Apakah Semua AI Agent Membutuhkan MCP?

Tidak.

AI Agent dapat dibuat tanpa MCP.

Contohnya developer dapat langsung menghubungkan agent dengan Python function:

Agent
 ↓
Python Function
 ↓
Database

Atau:

Agent
 ↓
REST API
 ↓
Service

MCP menjadi menarik ketika kita membutuhkan pendekatan yang lebih standar untuk menghubungkan aplikasi AI dengan berbagai tools dan resources.

Jadi jangan sampai muncul pemahaman:

“Kalau membuat AI Agent, berarti harus menggunakan MCP.”

Tidak selalu demikian.

MCP merupakan salah satu teknologi yang dapat digunakan dalam arsitektur AI Agent.

MCP, AI Agent, RAG, dan Tool Calling

Keempat istilah ini sering muncul bersamaan.

Namun masing-masing memiliki fungsi berbeda.

                    AI Application
                          │
                          ↓
                      AI Agent
                    /     |      \
                   /      |       \
                 RAG    Tools    Memory
                  │       │
                  │       ↓
                  │      MCP
                  │       │
                  ↓       ↓
              Knowledge   API
              Base        DB
                          Files

Secara sederhana:

AI Agent

Mengatur workflow dan menjalankan tugas.

LLM

Membantu memahami bahasa dan menghasilkan output.

Tool Calling

Mekanisme untuk meminta suatu fungsi/tool dijalankan.

RAG

Mengambil informasi yang relevan dari knowledge base untuk memberikan context kepada model.

MCP

Menyediakan protokol untuk menghubungkan aplikasi AI dengan tools dan resources.

Teknologi tersebut dapat digunakan bersama dalam satu sistem.

Keamanan MCP dan AI Agent

Ketika AI mulai dapat menggunakan tools, aspek keamanan menjadi semakin penting.

Bayangkan sebuah AI Agent memiliki akses ke:

Database
File System
Cloud
Git
Monitoring
Production Server

Jika permission tidak dirancang dengan baik, risiko yang muncul juga semakin besar.

Beberapa aspek yang perlu diperhatikan antara lain:

Authentication

Pastikan hanya pihak yang memiliki izin yang dapat mengakses sistem.

Authorization

Batasi tool yang boleh digunakan oleh agent.

Misalnya agent monitoring hanya boleh:

READ

dan tidak boleh:

DELETE

Least Privilege

Berikan akses seminimal mungkin sesuai kebutuhan.

Logging

Catat aktivitas agent dan penggunaan tools.

Contohnya:

Agent
 ↓
Called: get_server_logs()
 ↓
Server: production-01
 ↓
Time: 10:32

Prompt Injection

Data eksternal yang dibaca agent dapat mengandung instruksi berbahaya.

Karena itu, aplikasi agent perlu memiliki mekanisme validasi dan kontrol terhadap data serta tindakan yang dilakukan.

Masa Depan MCP dan AI Agent

AI Agent kemungkinan akan semakin banyak digunakan dalam berbagai bidang.

Contohnya:

DevOps

Agent
 ↓
Monitoring
 ↓
Log Analysis
 ↓
Incident Detection

Cybersecurity

Agent
 ↓
SIEM
 ↓
Threat Intelligence
 ↓
Log Analysis
 ↓
Security Report

Data Analytics

Agent
 ↓
Database
 ↓
Analytics
 ↓
Visualization
 ↓
Business Insight

Software Development

Agent
 ↓
Git
 ↓
Code Analysis
 ↓
Testing
 ↓
Issue Tracking

MCP dapat menjadi salah satu bagian dari ekosistem yang memungkinkan aplikasi AI berinteraksi dengan berbagai sistem tersebut secara lebih terstruktur.

Dari MLOps Menuju LLMOps dan AgentOps

Perkembangan AI juga melahirkan kebutuhan operational baru.

Kita sebelumnya mengenal:

DevOps
   ↓
MLOps
   ↓
LLMOps
   ↓
Agent Operations

Ketika sistem AI semakin kompleks, kebutuhan monitoring tidak hanya mencakup server dan model.

Kita juga perlu memperhatikan:

  • tool usage,
  • agent behavior,
  • latency,
  • token usage,
  • cost,
  • model performance,
  • prompt,
  • security,
  • workflow,
  • audit trail.

Artinya, membangun AI Agent production-ready bukan hanya persoalan memilih model AI.

Kita juga perlu memikirkan bagaimana agent tersebut dikelola, diamankan, dimonitor, dan dikontrol.

Kesimpulan

MCP dan AI Agent sering dibahas bersama karena keduanya menjadi bagian dari perkembangan AI yang semakin mampu berinteraksi dengan dunia luar.

Namun keduanya memiliki fungsi yang berbeda.

AI Agent adalah sistem yang dapat menerima tujuan, menentukan langkah, menggunakan tools, dan menjalankan workflow untuk menyelesaikan suatu tugas.

Sementara itu, MCP (Model Context Protocol) adalah protokol yang membantu aplikasi AI berkomunikasi dengan tools, resources, dan sumber context menggunakan pendekatan yang terstandarisasi.

Hubungan keduanya dapat digambarkan seperti ini:

User
 ↓
AI Agent
 ↓
LLM
 ↓
MCP Client
 ↓
MCP Server
 ↓
Tools / Resources
 ↓
External Systems
 ↓
Hasil
 ↓
AI Agent
 ↓
User

Jadi, MCP bukan pengganti AI Agent dan AI Agent bukan MCP.

Keduanya dapat bekerja bersama.

Jika AI Agent dapat dianggap sebagai sistem yang mengatur dan menjalankan tugas, maka MCP dapat menjadi salah satu mekanisme yang membantu AI application mengakses kemampuan dan informasi dari sistem eksternal.

Pada akhirnya, perkembangan seperti MCP, AI Agent, RAG, dan tool calling menunjukkan perubahan besar dalam cara kita menggunakan AI.

AI tidak lagi hanya menjadi sistem yang menjawab:

“Apa jawabannya?”

Tetapi mulai berkembang menjadi sistem yang dapat membantu melakukan:

“Apa yang perlu dilakukan, tools apa yang dibutuhkan, dan bagaimana tugas tersebut diselesaikan?”

Related Posts: