Giải mã MCP: Tiêu chuẩn mới biến LLM thành siêu trợ lý đa năng, tạm biệt RAG lỗi thời!

Lê Lân

26/07/2025

MCP (Model Context Protocol) và Ứng Dụng Thực Tiễn: Giải Pháp Nâng Cao Khả Năng Tương Tác Cùng Mô Hình Lớn

Mở Đầu

Trong thời đại trí tuệ nhân tạo phát triển vượt bậc, MCP (Model Context Protocol) đang trở thành chiếc chìa khóa mở ra khả năng tương tác giữa các mô hình ngôn ngữ lớn (LLMs) với dữ liệu và công cụ bên ngoài một cách chuẩn hóa và linh hoạt.

Những năm gần đây, các mô hình ngôn ngữ lớn như GPT, Claude đã chứng minh sức mạnh lớn trong xử lý ngôn ngữ tự nhiên. Tuy nhiên, những hạn chế như kiến thức lỗi thời hay việc tạo ra thông tin không chính xác (hallucination) vẫn là thách thức lớn. Để khắc phục, nhiều kỹ thuật như RAG (Retrieval-Augmented Generation) đã ra đời nhưng cũng tồn tại nhiều giới hạn.

Bài viết này sẽ giới thiệu về MCP – một chuẩn giao tiếp mới đầy triển vọng giúp mô hình lớn không những truy cập thông tin chính xác hơn mà còn giảm thiểu chi phí phát triển so với các phương pháp truyền thống. Đồng thời, bài sẽ phân tích lý thuyết, ví dụ thực tiễn với MCP kết hợp MongoDB cùng công cụ hỗ trợ như Cline trên VS Code.

1. Tổng Quan Về RAG và Các Hạn Chế Hiện Tại

1.1 RAG là gì?

RAG, viết tắt của Retrieval-Augmented Generation, là kỹ thuật kết hợp công nghệ truy xuất thông tin với mô hình sinh ngôn ngữ, nhằm cải thiện độ chính xác và khả năng cập nhật dữ liệu mới cho các mô hình lớn.

1.2 Những hiểu nhầm thường gặp

Nhiều người nghĩ rằng chỉ cần cung cấp kiến thức bổ sung qua RAG thì mô hình sẽ hoàn toàn truy xuất và trả lời chính xác. Trên thực tế, đây là điều không đơn giản và độ chính xác vẫn còn nhiều hạn chế.

1.3 Các hạn chế kỹ thuật của RAG

Tính chính xác truy xuất không đủ cao: Quá trình chuyển đổi thông tin thành vector và tìm kiếm vector tương tự có thể dẫn tới sai lệch.

Nội dung trả lời không đầy đủ: RAG xử lý theo từng đoạn nhỏ, nên khó tổng hợp khi câu hỏi yêu cầu danh sách hoặc tóm tắt toàn bộ.

Thiếu góc nhìn tổng thể: Không thể xác định số lượng đoạn cần thiết hay mối quan hệ giữa các tài liệu (ví dụ luật pháp thay đổi).

Khả năng truy xuất đa lượt kém: RAG hạn chế trong việc xử lý truy vấn đa lượt cần suy luận phức tạp.

Hiện có các công nghệ mới như GraphRAG, KAG có thể giải quyết phần nào các vấn đề trên nhưng vẫn chưa thực sự hoàn thiện.

2. Lý Thuyết Cơ Bản Về MCP

2.1 Tìm hiểu Function Call

Trước khi thế hệ MCP ra đời, các mô hình AI hoạt động như người biết nhiều nhưng bị "giam lỏng" trong căn phòng kiến thức cũ, không thể truy cập dữ liệu thời gian thực hay tương tác với hệ thống bên ngoài.

Function Call, được OpenAI giới thiệu năm 2023, giúp mô hình gọi các hàm được định nghĩa trước như truy vấn thời tiết, truy xuất cơ sở dữ liệu... để lấy dữ liệu chính xác ngoài đời thực.

2.2 Hạn chế của Function Call truyền thống

Chi phí triển khai cao: Mỗi mô hình lớn cần tinh chỉnh đặc biệt để hỗ trợ Function Call, nhiều model không hỗ trợ tính năng này.

Thiếu chuẩn thống nhất: Các nhà phát triển phải tùy biến việc gọi hàm, tham số, cấu trúc trả về... tùy theo từng model gây tốn kém thời gian và nguồn lực.

Phát triển Agent AI khó khăn: Do các bất đồng chuẩn trong việc kết nối với hệ thống khác nhau, việc xây dựng Agent AI chuyên nghiệp rất tốn kém.

2.3 Sự ra đời của MCP

MCP do Anthropic (nhà phát triển model Claude) giới thiệu là chuẩn giao tiếp mở nhằm giải bài toán giao tiếp giữa mô hình lớn và dữ liệu/công cụ bên ngoài một cách thống nhất.

MCP hoạt động như một “cổng kết nối tiêu chuẩn (universal USB port)”, giúp mô hình tương tác với bất kỳ nguồn dữ liệu hay công cụ nào mà không cần phải viết lại mã nhiều lần.

3. Cấu Trúc và Thành Phần Của MCP

3.1 Các thành phần chính

MCP Host: Nơi tương tác trực tiếp với người dùng (ví dụ Claude Desktop, Cursor).

MCP Client: Thành phần trung gian, phối hợp giao tiếp giữa Host và Server qua giao thức MCP.

MCP Server: Do bên thứ 3 phát triển, cung cấp logic kết nối với dữ liệu ngồn như cơ sở dữ liệu, trình duyệt, file,... rồi trả kết quả lại cho Client.

3.2 Các chức năng MCP hỗ trợ

Chức năng	Mô tả
Tools	Thực thi các hàm để mô hình gọi tương tác với công cụ bên ngoài
Resources	Cung cấp dữ liệu hoặc nội dung làm ngữ cảnh cho mô hình
Prompts	Mẫu đoạn hội thoại có thể tái sử dụng để hướng dẫn mô hình
Sampling	Khả năng server gửi yêu cầu hoàn thành cho model qua client
Roots	Chỉ định nguồn tài nguyên cần quan tâm cho server

Hiện tại chức năng phổ biến và được hỗ trợ nhiều nhất là Tools (kích hoạt công cụ thực thi).

4. Thực Hành: Sử Dụng MCP Kết Hợp MongoDB Và VS Code + Cline

4.1 Tại sao chọn MongoDB?

MongoDB là cơ sở dữ liệu dạng document, lưu trữ dữ liệu dạng JSON linh hoạt.

Có thể thêm/sửa trường dữ liệu một cách nhanh chóng mà không cần định nghĩa cấu trúc cứng nhắc, phù hợp xây dựng các kho kiến thức dạng bổ sung liên tục.

4.2 Cài đặt môi trường với ServBay

ServBay cung cấp nền tảng quản lý môi trường phát triển và hỗ trợ cài đặt nhanh các DB phổ biến, gồm MongoDB.

Cài đặt MongoDB dễ dàng, chạy trên cổng mặc định 27017.

Dùng MongoDB Compass để trực quan hoá dữ liệu.

4.3 Import dữ liệu mẫu vào MongoDB

Ví dụ dữ liệu nhân sự:

Name	Gender	Occupation
Alice	Female	Teacher
Bob	Male	Bus Driver
...	...	...

Bạn có thể dùng AI để tạo script tự động nhập dữ liệu với prompt như:

"Help me write a script that can import the data in the current table into my local MongoDB database named datamanagement."

4.4 Cấu hình MCP với VS Code và Cline

Cline là plugin AI coding mở cho VS Code, hỗ trợ cấu hình các MCP Server đa dạng.

Sau khi cài đặt, mở file cấu hình MCP ở VS Code, nhập thông tin kết nối MCP Server MongoDB.

Bật server bằng lệnh npx (yêu cầu Node.js được cài đặt).

4.5 Thử nghiệm gọi MCP query dữ liệu

Ví dụ:

Hỏi: "How many females are there in total?"

Mô hình nhận biết cần truy cập MCP, yêu cầu phép gọi MCP MongoDB, bạn chọn "allow".

Kết quả được truy xuất chính xác từ database trả về.

Bạn cũng có thể hỏi phức tạp hơn như:

"How many males are there whose occupation is bus driver?"

Mô hình vẫn trả lời chính xác nhờ MCP kết nối trực tiếp đến MongoDB.

5. Những Hạn Chế Hiện Tại Và Triển Vọng Tương Lai

5.1 Hạn chế

Tránh truy vấn lượng lớn dữ liệu cùng lúc vì MCP trực tiếp thực thi câu lệnh như SQL, sẽ tốn nhiều token và có thể gây treo khách hàng MCP.

Token sử dụng sẽ tăng cao vì MCP giao tiếp nhiều lần qua lời nhắc hệ thống.

Kỹ thuật còn mới, nhiều tính năng đang trong quá trình hoàn thiện.

Dù vậy, MCP + cơ sở dữ liệu cung cấp một giải pháp không cần code hoặc rất ít code, độ chính xác cao, rất thích hợp cho các ứng dụng truy vấn dữ liệu có cấu trúc như dịch vụ khách hàng thông minh, quản lý kho, quản lý thông tin.

Kết Luận

MCP đánh dấu một bước tiến quan trọng trong phương thức mở rộng khả năng tương tác của các mô hình ngôn ngữ lớn với thế giới bên ngoài, khắc phục được nhiều nhược điểm của các chuẩn truyền thống như RAG hay Function Call đơn lẻ. Chuẩn giao tiếp mở này giúp tiết kiệm công sức phát triển, tăng tính chuẩn hoá và mở rộng khả năng ứng dụng trong nhiều lĩnh vực.

Với triển vọng phát triển mạnh mẽ, MCP hứa hẹn trở thành tiêu chuẩn công nghiệp mới, đặc biệt trong các giải pháp xây dựng AI Agents, truy vấn cơ sở dữ liệu thông minh.

Bạn đọc nên bắt đầu tìm hiểu và làm quen với MCP để đón đầu làn sóng công nghệ AI tiếp theo.

Tham Khảo

Anthropic. (2024). Model Context Protocol Specification. https://modelcontextprotocol.org/

OpenAI. (2023). Introducing Function Calling. https://openai.com/blog/function-calling

ServBay. (2024). ServBay Platform Documentation. https://www.servbay.com

MongoDB Compass. (2024). GUI Tool for MongoDB. https://www.mongodb.com/try/download/compass

MCP Server GitHub Repository. (2024). https://github.com/modelcontextprotocol/servers

MCP Market. (2024). https://mcpmarket.com

MCP.so. (2024). https://mcp.so