VPS-இல் சொந்தமாக AI Agent உருவாக்குவது எப்படி?

AI agent என்றால் என்ன

AI agent என்பது ஒரு language model-ஐச் சுற்றி அமைக்கப்பட்ட ஒரு loop ஆகும். இந்த model சூழலைப் படித்து, ஒரு செயலை முடிவு செய்கிறது; உங்கள் code அந்தச் செயலைச் செய்து முடிக்கிறது; அதன் முடிவு மீண்டும் model-க்கு அனுப்பப்படுகிறது; பணி முடியும் வரை இந்த loop தொடர்ந்து இயங்குகிறது. இதுவே இதன் அடிப்படைத் தத்துவம். ஒரு சாதாரண chatbot ஒருமுறை பதில் அளித்துவிட்டு நின்றுவிடும். ஆனால், ஒரு agent தனக்குக் கொடுக்கப்பட்ட இலக்கை அடையும் வரை, ஒவ்வொரு முறை இயங்கும்போதும் நிஜமான செயல்களைச் செய்து கொண்டே இருக்கும். இந்த loop-ஐ நீங்களே ஒரு மதிய நேரத்தில் எழுதிவிட முடியும். agents-ஐ அடிப்படையிலிருந்து கற்றுக்கொள்வதற்கான ஒரு படிமுறைப் பாதை இதிலிருந்தே தொடங்குகிறது; அதன் பிறகுதான் tools, memory மற்றும் பாதுகாப்பு அம்சங்களைச் சேர்க்க வேண்டும்.

செயல் (action) என்பதே இதில் மிக முக்கியமான பகுதி. ஒரு language model தானாகவே text-ஐ மட்டுமே உருவாக்கும். அதனால் ஒரு கோப்பைப் படிக்கவோ, API-ஐ அழைக்கவோ அல்லது ஒரு command-ஐ இயக்கவோ முடியாது. ஒரு agent, அந்த model-க்குத் தேவையான கருவிகளை (tools) வழங்கி, அவற்றைப் பயன்படுத்துவதற்கான வழிமுறையையும் தருகிறது. model இணையத்தில் தேடவோ அல்லது ஒரு கோப்பை எழுதவோ விரும்பும்போது, அதுவே அந்த வேலையைச் செய்வதில்லை. அது ஒரு structured request-ஐ வெளியிடுகிறது; உங்கள் code அந்த tool-ஐ இயக்குகிறது; அதன் பதில் model படிக்கும் அடுத்த விஷயமாக மாறுகிறது. model முடிவெடுக்கும் திறனை வழங்குகிறது; உங்கள் server அதற்கான செயல்பாட்டை வழங்குகிறது.

எல்லா பணிகளுக்கும் agent தேவையில்லை; எல்லாவற்றிற்கும் agent-ஐப் பயன்படுத்துவது ஒரு பொதுவான தவறு. பணிகளுக்கான படிகள் முன்பே தெரிந்திருந்தால், ஒரு சாதாரண script-ஐப் பயன்படுத்துவதே எளிமையானது, வேகமானது மற்றும் நம்பகமானது. "ஒவ்வொரு மணிநேரமும் இந்தப் பக்கத்தைப் பார்த்து விலையை எனக்கு மின்னஞ்சல் செய்" என்பது ஒரு scheduled job, அது agent அல்ல. பணிக்கான பாதை முன்பே தீர்மானிக்கப்படாதபோது, model தான் கண்டறியும் விஷயங்களைப் பார்த்து அடுத்ததாக என்ன செய்ய வேண்டும் என்று முடிவு செய்ய வேண்டியிருக்கும்போது மட்டும் agent-ஐ உருவாக்குங்கள். agent-ன் விலை அதன் கணிக்க முடியாத தன்மைதான்; எனவே, அதன் நெகிழ்வுத்தன்மை (flexibility) அந்தப் பணிக்குத் தேவைப்படும்போது மட்டுமே அதைப் பயன்படுத்துங்கள்.

Tools: ஒரு agent எவ்வாறு செயல்படுகிறது

ஒரு tool என்பது நீங்கள் model-க்கு வழங்கும் எந்தவொரு திறன் ஆகும். அதை எப்போது பயன்படுத்த வேண்டும் என்று model-க்குத் தெரியும் வகையில் தெளிவாக விவரிக்க வேண்டும். ஒரு கோப்பை வாசிப்பது, shell command-ஐ இயக்குவது, database-ஐ query செய்வது, ஒரு செய்தியை அனுப்புவது என ஒவ்வொன்றும் ஒரு பெயர், சுருக்கமான விளக்கம் மற்றும் inputs பட்டியலைக் கொண்ட ஒரு tool ஆகும். நீங்கள் tool-களை வரையறுக்கிறீர்கள்; அவற்றை எப்போது அழைக்க வேண்டும் என்பதை model தீர்மானிக்கிறது. Web search பொதுவாகச் சேர்க்க வேண்டிய முதல் tool ஆகும். நீங்கள் ஏற்கனவே சொந்தமாக SearXNG instance-ஐ இயக்குகிறீர்கள் என்றால், வணிக ரீதியான search API-க்கு பணம் செலுத்துவதற்குப் பதிலாக, அதை agent-ன் search backend-ஆக மாற்றலாம்.

நீங்கள் எந்த model-ஐப் பயன்படுத்தினாலும், இதற்கான செயல்முறை எல்லா இடங்களிலும் ஒன்றுதான். model ஒரு tool-ன் பெயரையும் அதன் inputs-ஐயும் கொண்ட ஒரு structured request-ஐத் திருப்பி அனுப்பும். உங்கள் code அந்த request-ஐப் பார்த்து, அதற்குரிய function-ஐ இயக்கி, அதன் முடிவை அடுத்த turn-ல் திருப்பி அனுப்பும். model அந்த முடிவை வாசித்துவிட்டு, மற்றொரு tool-ஐ அழைக்கலாம் அல்லது அதன் இறுதிப் பதிலை எழுதலாம். Function calling என்பது ஒவ்வொரு agent-க்கும் அடிப்படையான plumbing ஆகும். அதை இயக்கும் loop என்பது சில வரிகள் கொண்ட சாதாரண code மட்டுமே.

இங்குதான் உங்கள் கட்டுப்பாடு உள்ளது. ஒரு command-ஐ இயக்க model கேட்கலாம், ஆனால் உங்கள் code அதை இயக்கும் வரை எதுவும் இயங்காது. அந்த இடைவெளியில்தான் ஆபத்தான செயல்களுக்கான approval prompts, ஒரு tool எதைத் தொடலாம் என்பதற்கான வரம்புகள் மற்றும் agent செய்த அனைத்தின் log ஆகியவற்றை நீங்கள் வைக்கலாம். நீங்கள் வழங்கும் tool-களும், அவற்றுக்கு முன்னால் நீங்கள் வைக்கும் சோதனைகளும் எவ்வளவு வலுவானதோ, அந்த அளவுக்குத்தான் ஒரு agent பாதுகாப்பானது.

MCP: கருவிகளை இணைப்பதற்கான ஒரு தரப்படுத்தப்பட்ட வழி

ஒவ்வொரு சேவைக்கும் தனித்தனியாக ஒருங்கிணைப்புகளை (integrations) கைமுறையாக உருவாக்குவது விரைவாக சலிப்பைத் தரும். Model Context Protocol அல்லது MCP என்பது இந்தச் சிக்கலைத் தீர்க்கும் ஒரு திறந்தநிலை தரநிலையாகும். உங்கள் கோப்புகள், தரவுத்தளம் மற்றும் சிக்கல் கண்காணிப்பு (issue tracker) ஆகியவற்றிற்குப் புதிய கருவிகளை உருவாக்குவதற்குப் பதிலாக, ஏற்கனவே அவற்றை கருவிகளாக வழங்கும் ஒரு MCP server-ஐ agent-க்குச் சுட்டிக்காட்டினால் போதுமானது. Agent ஒரே ஒரு protocol-ஐ மட்டுமே பேசுகிறது; உண்மையான கணினியுடன் தொடர்புகொள்வதற்கான வேலையை server செய்கிறது.

இதன் பலன் மறுபயன்பாடு (reuse) ஆகும். நீங்கள் பயன்படுத்தும் ஒரு சேவைக்காக வேறொருவர் உருவாக்கிய MCP server-ஐ, எந்தப் புதிய ஒருங்கிணைப்புக் குறியீடும் இன்றி உங்கள் agent-ல் பயன்படுத்த முடியும். அதேபோல், நீங்கள் உருவாக்கும் ஒரு server-ஐ அந்த protocol-ஐ ஆதரிக்கும் எந்தவொரு agent-உம் பயன்படுத்தலாம். சில self-hosted செயலிகள் இப்போது தங்களுக்கென பிரத்யேகமான ஒன்றை வழங்குகின்றன: openGym, ஒரு உடற்பயிற்சி கண்காணிப்பு செயலி ஒரு read-only MCP server-ஐ வழங்குகிறது. இதன் மூலம், உங்கள் பயிற்சி வரலாற்றை மாற்றும் அதிகாரம் இன்றி, அது குறித்த கேள்விகளுக்கு agent-ஆல் பதிலளிக்க முடியும். ஒரு VPS-ல் இது முக்கியமானது, ஏனெனில் MCP server-களை agent-க்கு அருகிலேயே சிறிய சேவைகளாக நீங்கள் இயக்கலாம்; ஒவ்வொன்றிற்கும் தேவையான அணுகல் உரிமைகளை மட்டுமே வழங்க முடியும். அந்த server-களுக்குப் பின்னால் உள்ள கணினிகள், வீட்டில் அல்லது அலுவலகத்தில் உள்ள தரவுத்தளம் போன்ற, VPS-ஆல் பார்க்க முடியாத ஒரு network-ல் இருக்கும்போது, அந்த network-ஐ உங்கள் tailnet-க்கு ஒரு subnet router மூலம் விளம்பரப்படுத்துவது, பொது இணையத்தில் எதையும் வெளிப்படுத்தாமல், private முகவரிகள் வழியாக அவற்றை அடைய agent-க்கு உதவுகிறது. இதற்கான அமைப்புகளை VPS-ல் MCP server-களை இயக்குதல் என்ற பகுதியில் விளக்கியுள்ளேன்.

நினைவகம் மற்றும் மீட்டெடுப்பு

ஒரு language model-க்கு அழைப்புகளுக்கு இடையே சொந்தமாக நினைவகம் கிடையாது. தற்போதைய பணி குறித்து அதற்குத் தெரிந்த அனைத்தும் ஒவ்வொரு முறையும் அதற்கு வழங்கப்பட வேண்டும். குறுகிய காலப் பணிகளுக்கு இது போதுமானது, ஏனெனில் முழு உரையாடலும் ஒரே கோரிக்கையில் அடங்கிவிடும். எவ்வளவு தரவு அடங்கும் என்பது context window-ஐப் பொறுத்தது. Ollama மூலம் இயக்கப்படும் self-hosted model-க்கு சிறிய default அளவு மட்டுமே இருக்கும், அது பழைய உரையாடல்களைத் தானாகவே நீக்கிவிடும். எனவே, agent தகவல்களை மறந்துவிடுகிறது என்று குறை கூறுவதற்கு முன்பு உங்கள் loop உருவாக்கும் traffic-க்கு ஏற்ப num_ctx-ஐ அமைப்பது அவசியமாகும். நீண்ட காலப் பணிகளுக்கு நீங்கள் நினைவகத்தை நீங்களே நிர்வகிக்க வேண்டும்; அதற்குத் தெரிந்திருக்க வேண்டிய இரண்டு முறைகள் உள்ளன.

முதலாவது scratchpad முறை. நீங்கள் agent-க்கு படிக்கவும் எழுதவும் கூடிய ஒரு கோப்பைக் கொடுத்து, அது கற்றுக்கொள்வதை அதில் பதிவு செய்யச் சொல்ல வேண்டும். அடுத்த முறை அல்லது அடுத்த session-ல், அது அந்தக் கோப்பை மீண்டும் படித்து, விட்ட இடத்திலிருந்து தொடரும். இது ஒரு சாதாரண ஆவணமாகச் செயல்படும் நினைவகம்; agent அந்தக் கோப்பை ஒரு கருவியாகக் கருதுவதால் இது சிறப்பாகச் செயல்படுகிறது.

இரண்டாவது மீட்டெடுப்பு (retrieval) முறை. ஒரே கோரிக்கையில் அடங்காத பெரிய அளவிலான ஆவணங்களிலிருந்து agent-க்குத் தகவல் தேவைப்படும்போது, அந்த ஆவணங்களை நீங்கள் தேடக்கூடிய வடிவில் சேமித்து, தேவைப்படும்போது மட்டும் பொருத்தமான பகுதிகளை மட்டும் model-ன் பார்வைக்குக் கொண்டு வர வேண்டும். இந்த முறை retrieval-augmented generation அல்லது RAG என்று அழைக்கப்படுகிறது. agent ஒரு கேள்வியைக் கேட்கும்போது, உங்கள் code பொருத்தமான சில பகுதிகளைக் கண்டறிந்து, அவற்றை மட்டும் model-க்கு அனுப்பும். இந்தத் தரவுத்தளம் உங்கள் server-லேயே இருப்பதால், உங்கள் தனிப்பட்ட ஆவணங்கள் ஒருபோதும் வெளியேறாது.

பல முகவர்கள், ஒரு ஒருங்கிணைப்பாளர்

பெரும்பாலான பணிகளுக்குப் பல கருவிகளைக் கொண்ட ஒரு முகவரே போதுமானது. பணி பெரியதாக இருக்கும்போதோ அல்லது இயல்பாகவே பல பகுதிகளாகப் பிரியும்போதோ, ஒரு ஒருங்கிணைப்பாளர் முகவர் (coordinator agent) மூலம் பணிகளைப் பிரித்து வழங்குவது பயனுள்ளதாக இருக்கும். ஒருங்கிணைப்பாளர் இலக்கைப் பல துண்டுகளாகப் பிரித்து, அந்தந்தப் பணிக்கு ஏற்ற துணை முகவர்களிடம் (sub-agents) ஒப்படைத்து, முடிவுகளை ஒருங்கிணைப்பார். இந்த ஒப்படைப்புக்கு முகவர்களுக்கு இடையே ஒரு தகவல் தொடர்பு வழி தேவை. இதற்கான எளிய வழிமுறையை உங்கள் server-லேயே காணலாம்: ஒரே VPS-ல் இயங்கும் இரண்டு Claude Code sessions தங்களுக்குள் செய்திகளைப் பரிமாறிக்கொள்ள முடியும். சொந்தமாக ஒருங்கிணைப்பு அமைப்புகளை உருவாக்குவதற்கு முன்பு, இந்த வழிமுறை எவ்வாறு செயல்படுகிறது என்பதைப் புரிந்துகொள்ள இது ஒரு சிக்கனமான வழியாகும்.

இதன் மூலம் கிடைக்கும் முக்கிய நன்மை கவனக்குவிப்பு ஆகும். குறுகிய பணி மற்றும் குறிப்பிட்ட கருவிகளைக் கொண்ட ஒரு துணை முகவர், அனைத்தையும் கையாளும் ஒரு பொதுவான முகவரை விடச் சிறந்த முடிவுகளை எடுக்கும். மேலும், தனித்தனிப் பணிகளை ஒரே நேரத்தில் இயக்க முடியும். ஒருங்கிணைப்பு என்பது கூடுதல் வேலையை உள்ளடக்கியது என்பதால், ஒரு பணிக்குத் தேவை என்பது தெளிவாகத் தெரியும் வரை ஒரே முகவருடன் தொடரவும். எளிமையாகத் தொடங்கி, ஒரு முகவரால் பணிச்சுமையைச் சமாளிக்க முடியவில்லை என்று தெளிவாகத் தெரிந்தால் மட்டும் கூடுதல் முகவர்களைச் சேர்க்கவும்.

Self-hosted அல்லது hosted: உங்கள் agent எந்த மாதிரியில் இயங்குகிறது

Agent-ன் ஒரு பகுதியான model-ஐ நீங்கள் சொந்தமாக இயக்க வேண்டிய அவசியமில்லை. அது எங்கு இயங்க வேண்டும் என்பதைத் தீர்மானிப்பதே நீங்கள் எடுக்கும் மிக முக்கியமான முடிவாகும். API மூலம் அணுகப்படும் hosted model, எந்தவொரு பராமரிப்புமின்றி மிகச்சிறந்த reasoning திறனை வழங்குகிறது: நீங்கள் text-ஐ அனுப்புகிறீர்கள், பதிலுக்கு text-ஐப் பெறுகிறீர்கள். Self-hosted model உங்கள் சொந்த server-ல் இயங்குகிறது; இது ஒவ்வொரு கோரிக்கையையும் தனிப்பட்டதாக வைத்திருக்கிறது, token-க்கு கட்டணம் வசூலிக்காமல் நிலையான விலையில் கிடைக்கிறது, மேலும் பிற சேவைகளின் செயல்பாட்டைச் சார்ந்திருப்பதில்லை. இதில் உள்ள சவால் அதன் திறன் மற்றும் பராமரிப்பு முயற்சிதான். சிறந்த hosted models, நீங்கள் சொந்தமாக இயக்கக்கூடியவற்றை விட மேம்பட்டவை. சொந்தமாக இயக்குவதென்றால், அதற்குத் தேவையான போதிய memory-ஐ வழங்க வேண்டும்.

கடைசியாகக் குறிப்பிட்டதுதான் நடைமுறைச் சிக்கல். ஒரு model உங்கள் server-ன் memory-ல் பொருந்த வேண்டும்; நீங்கள் GPU பயன்படுத்தினால், அதன் video memory-ல் பொருந்த வேண்டும். வன்பொருளுக்கு (hardware) அதிகமான அளவுள்ள model-ஐ ஏற்ற முடியாது. Self-hosted agent-ஐத் திட்டமிடுவதற்கு முன், நீங்கள் விரும்பும் model உங்கள் கணினியில் பொருந்துமா என்பதைச் சரிபார்க்கவும்:

எண்கள் பொருந்தவில்லை என்றால், உங்களிடம் மூன்று வழிகள் உள்ளன: சிறிய model-ஐத் தேர்ந்தெடுக்கவும், அதன் அளவைக் குறைக்க aggressive quantization-ஐப் பயன்படுத்தவும், அல்லது reasoning-க்கு hosted API-ஐப் பயன்படுத்திவிட்டு உங்கள் tools மற்றும் தரவுகளை மட்டும் server-ல் வைத்திருக்கவும். பல self-hosted agents, Ollama on a VPS மூலம் local model-ஐத் தொடங்கி, கடினமான பணிகளுக்கு hosted API-க்கு மாறுகின்றன.

server-தான் ஆபத்தான பகுதி

shell commands-ஐ இயக்கவும், கோப்புகளை எழுதவும் கூடிய ஒரு agent மிகவும் சக்தி வாய்ந்தது, அதுவே அது ஆபத்தானதாக இருப்பதற்கான காரணமும் ஆகும். model-ன் தீர்ப்பு திறன் சிறப்பாக இருந்தாலும் அது முழுமையானது அல்ல. தவறான கட்டளை, ஒரு bug, அல்லது தீங்கிழைக்கும் input ஆகியவை ஒரு பயனுள்ள agent-ஐ தவறான கோப்புகளை நீக்கும் அல்லது ரகசியங்களை கசியவிடும் ஒரு கருவியாக மாற்றிவிடக்கூடும். பாதுகாப்புப் பணிகள் விருப்பத்தேர்வு அல்ல; ஒரு server-ல் அதுவே மிக முக்கியமான பகுதியாகும்.

சில பழக்கவழக்கங்கள் பெரும்பாலான பாதுகாப்பை உறுதி செய்கின்றன. agent-ஐ root பயனராக இயக்காமல், அதற்கென ஒதுக்கப்பட்ட, குறைந்த அதிகாரங்கள் கொண்ட (unprivileged) பயனராக இயக்கவும். இதனால் தவறு நடந்தால் அதன் பாதிப்பு கட்டுப்படுத்தப்படும்; இதற்கான காரணங்கள் குறைந்த அதிகாரங்கள் கொண்ட பயனராக சேவைகளை இயக்குதல் என்பதில் விளக்கப்பட்டுள்ளன. API keys போன்ற அதன் ரகசியங்களை code-க்குள் வைக்காமல், அந்தப் பயனர் மட்டுமே வாசிக்கும் வகையில் பாதுகாக்கவும். மேலும், system-ஐ அணுகும் கருவிகளை sandbox செய்யவும், இதன் மூலம் agent-க்குத் தேவையானவற்றை மட்டுமே அதனால் அணுக முடியும். ஒவ்வொரு சோதனையையும் நீங்களே எழுத விரும்பவில்லை என்றால், நிறுவ வேண்டிய DeepSeek Harness plugins தயாராக உள்ள தீர்வுகளை வழங்குகின்றன: கருவிக்கான அனுமதி விதிகள், prompt injection ஸ்கேனிங், மற்றும் agent செலவு செய்வதற்கான வரம்பு போன்றவை இதில் அடங்கும். ஒரு self-hosted agent-ஐ எவ்வாறு பாதுகாப்பது என்பதற்கான உதாரணத்திற்கு, VPS-ல் OpenClaw-ஐ பாதுகாப்பாக இயக்குதல் என்பதைப் பார்க்கவும். நீங்கள் intelligence-க்காக hosted model-ஐப் பயன்படுத்த விரும்பினால், VPS-ல் Claude கொண்டு agent உருவாக்குதல் என்ற வழிகாட்டி இதே கருத்துகளை ஒரு குறிப்பிட்ட model-ஐக் கொண்டு விளக்குகிறது.

ஒரு செயல்முறை உதாரணத்திற்கு, OpenClaw பாணியிலான தனிப்பட்ட agent உருவாக்குதல் இந்தப் பகுதிகளைப் பயன்படுத்துகிறது. நீங்கள் ஏற்கனவே உருவாக்கப்பட்ட ஒன்றை இயக்க விரும்பினால், VPS-ல் Hermes Agent-ஐ self-host செய்தல் அல்லது உங்கள் சொந்த server-ல் Agent Zero-வை இயக்குதல் ஆகியவற்றில் தொடங்கலாம். மேலும், 2026-ன் சிறந்த self-hosted AI agents நாங்கள் விவரிக்கும் அனைத்துத் தயார்நிலை விருப்பங்களையும் ஒப்பிடுகிறது.

FAQ

AI agent மற்றும் chatbot-க்கு இடையே உள்ள வேறுபாடு என்ன?

Chatbot ஒரு செய்திக்கு பதிலளித்துவிட்டு நின்றுவிடும். Agent ஒரு சுழற்சியில் (loop) இயங்கும்: ஒரு செயலை model முடிவு செய்யும், உங்கள் code அதைச் செயல்படுத்தும், அதன் முடிவு மீண்டும் model-க்குச் செல்லும், பணி முடியும் வரை இது தொடரும். Agent வெறும் உரையை மட்டும் உருவாக்காமல், கோப்புகளைப் படிக்க, கட்டளைகளை இயக்க அல்லது சேவைகளை வினவ கருவிகளைப் (tools) பயன்படுத்தி, தனது ஒவ்வொரு முறைக்கும் இடையில் உண்மையான செயல்களைச் செய்கிறது என்பதுதான் இதிலுள்ள வேறுபாடு.

VPS-ல் AI agent-ஐ இயக்க எனக்கு GPU தேவையா?

நீங்கள் model-ஐ நீங்களே host செய்தால் மட்டுமே தேவை. Agent-ன் சுழற்சி, கருவிகள் மற்றும் நினைவகம் (memory) ஆகியவை சாதாரண code-கள் என்பதால், அவை GPU இல்லாத சாதாரண VPS-லேயே நன்றாக இயங்கும். நீங்கள் language model-ஐ உங்கள் சொந்த hardware-ல் இயக்க விரும்பினால் மட்டுமே GPU முக்கியமானது, ஏனெனில் model-ன் அளவு நினைவகத்திற்குள் பொருந்த வேண்டும். நீங்கள் API மூலம் hosted model-ஐப் பயன்படுத்தினால், அதிகப்படியான கணக்கீடுகள் வேறொரு இடத்தில் நடக்கும், எனவே ஒரு சாதாரண VPS போதுமானது.

MCP என்றால் என்ன, ஒரு agent-ஐ உருவாக்க அது எனக்குத் தேவையா?

MCP (Model Context Protocol) என்பது ஒரு agent-ஐ கருவிகள் மற்றும் தரவு மூலங்களுடன் இணைப்பதற்கான ஒரு திறந்தநிலை தரநிலையாகும். ஒவ்வொரு கருவியையும் நீங்களே கைமுறையாக எழுத முடியும் என்பதால், இது கட்டாயமானது அல்ல. பொதுவான சேவைகளுக்கு ஏற்கனவே உள்ள servers-ஐ மீண்டும் பயன்படுத்தவும், உங்கள் சொந்த அமைப்புகளை எந்தவொரு agent-ம் பயன்படுத்தும் வகையில் ஒருமுறை மட்டும் வெளிப்படுத்தவும் MCP உதவுகிறது. ஒருங்கிணைப்புகளின் எண்ணிக்கை அதிகரிக்கும் போது, இது ஒரு பயனுள்ள வசதியாக மாறுகிறது.

AI agent-க்கு எனது server-க்கான அணுகலை வழங்குவது பாதுகாப்பானதா?

அதை நீங்கள் கட்டுக்குள் வைத்திருந்தால், அது பாதுகாப்பானதாக இருக்கலாம். கட்டளைகளை இயக்கும் ஒரு agent, அது எந்தக் கணக்கின் (account) கீழ் இயங்குகிறதோ மற்றும் நீங்கள் எந்தெந்த கருவிகளை அனுமதிக்கிறீர்களோ, அந்த அளவிற்கு மட்டுமே பாதுகாப்பானது. அதை ஒரு சாதாரண பயனராக (unprivileged user) இயக்கவும், அதன் ரகசியங்களை (secrets) எட்டாத தூரத்தில் வைக்கவும், கோப்பு முறைமையைத் (filesystem) தொடும் கருவிகளை sandbox செய்யவும், மற்றும் திரும்பப் பெற முடியாத செயல்களுக்கு ஒப்புதல் பெறவும். Agent-ஐ புத்திசாலித்தனமான ஆனால் நம்பகத்தன்மையற்ற code-ஆகக் கருதி, பணிக்குத் தேவையானதை மட்டும் அதற்கு வழங்கவும்.