Comments 3
Интересно, что MCP постепенно превращается в некий «системный API» для нейросетей - слой, где агенту уже не нужно эмулировать действия через браузер, а можно напрямую работать с инфраструктурой.
Это и плюс, и минус одновременно: скорость и прозрачность растут, но требования к планированию и пониманию зависимостей становятся намного выше
Ну то-есть, по сути LLM-агенты уже умеют выполнять отдельные операции, но всё ещё слабо понимают контекст системы и причинно-следственные связи между шагами. По сути, им не хватает чего-то вроде «операционного интеллекта» — способности строить и проверять сложные планы, а не просто следовать цепочке вызовов.
Если в будущем появятся надёжные ретриверы по описаниям инструментов и слой валидации промежуточных состояний, то MCP-агенты смогут реально автоматизировать DevOps-рутинy. Пока же — это отличный стресс-тест на зрелость корпоративных ИИ-систем.
А как бы с этой задачей справился бы нетренированный generic человек с улицы?
Может быть, потому что LLM это не полноценный ИИ, и если в наборе данных не было такой операции, он о ней не знает.
Почему ИИ-агенты теряются в море MCP-серверов