1. Argomenti
  2. Intelligenza artificiale
  3. MCP e API: qual è la differenza?

MCP e API: qual è la differenza?

CopiatoCopia non riuscitaCopia URL

Il Model Context Protocol (MCP) e le interfacce di programmazione delle applicazioni (API) consentono entrambi di collegare e far comunicare sistemi distinti. Le funzionalità degli MCP si basano sulle API e non esisterebbero senza di esse. 

Le due tecnologie si differenziano per il funzionamento e gli scopi per cui sono state realizzate:

  • L'MCP collega i modelli linguistici a strumenti e dati esterni, rendendo possibili flussi di lavoro che si adattano in tempo reale. 
  • I flussi di lavoro delle API tradizionali seguono regole prestabilite. Una volta collegati due sistemi, possono eseguire solo una serie specifica di azioni programmate da uno sviluppatore.

È meglio usare un MCP o un'API?

Se la tua applicazione non si avvale di un modello linguistico di grandi dimensioni (LLM), è preferibile usare un'API: è più semplice e veloce. Se devi collegare un LLM a un servizio che gestisci direttamente, puoi anche usare un'API con la chiamata di funzioni nativa dell'LLM, una funzionalità integrata che formatta l'output del modello come comando eseguibile. 

Scegli invece un MCP quando lo stesso strumento deve funzionare con più applicazioni di IA, quando utilizzi strumenti che non hai sviluppato direttamente o quando vuoi che un modello scopra nuove capacità in fase di runtime. 

Scopri le soluzioni Red Hat AI

L'MCP è un protocollo open source che standardizza il modo in cui le applicazioni di IA si connettono a strumenti e dati esterni. È paragonabile a un cavo USB-C che collega i dispositivi agli accessori e consente la trasmissione dei dati.

Prima che gli MCP fossero introdotti, gli sviluppatori dovevano creare integrazioni dell'API personalizzate per scenari di utilizzo specifici. Ciò significava riscrivere le stesse integrazioni molte volte in modi leggermente diversi. Ogni connessione tra un'applicazione di IA e un servizio esterno era realizzata su misura, il che era dispendioso in termini di tempo.

Scopri di più sull'MCP 

4 elementi chiave da considerare per l'implementazione dell'IA

Un'API permette al tuo prodotto o servizio di comunicare con altri prodotti e servizi senza dover sapere come vengono implementati. Talvolta le API vengono considerate come contratti, in cui la documentazione definisce l'accordo tra le parti: se la parte 1 invia una richiesta remota strutturata in un determinato modo, il software della parte 2 risponderà di conseguenza.

Scopri di più sulle API

Un esempio di scenario di utilizzo reale potrebbe riguardare la prenotazione di una visita medica da un sito web. 

Supponiamo che un utente voglia fissare un appuntamento per giovedì pomeriggio con la dottoressa Rossi alle 14:00. Quell'orario è già occupato, ma la dottoressa Rossi sarebbe disponibile alle 14:30. Invece il dottor Bianchi è disponibile alle 14:00. 

Con un flusso di lavoro API tradizionale, lo sviluppatore del software scriverebbe uno script che si collega direttamente all'API del centro. Quando l'utente prova a prenotare l'appuntamento delle 14:00 con la dottoressa Rossi, l'applicazione genera una chiamata API per verificare se quell'orario è disponibile. 

Il database del centro rileva che l'appuntamento delle 14:00 non è disponibile, restituisce quindi un errore e mostra un messaggio come "L'orario selezionato non è disponibile".

A questo punto, torna tutto nelle mani dell'utente. Dal momento che il programma non è in grado di adattarsi, deve ricominciare da capo e provare a inviare una nuova richiesta di appuntamento per un altro orario o un altro medico. 

Con un flusso di lavoro MCP,un'applicazione di IA si collega al server MCP del centro e verifica la disponibilità della dottoressa Rossi alle 14:00. Dal momento che l'applicazione di IA che effettua la richiesta si basa su un LLM, può anche valutare le alternative e interagire con l'utente. 

Potrebbe mostrare un messaggio come "L'appuntamento delle 14:00 con la dottoressa Rossi non è disponibile. Il primo appuntamento disponibile con la dottoressa Rossi è alle 14:30. Se preferisci una visita alle 14:00, il dottor Bianchi è disponibile a quell'ora. Quale delle due opzioni preferisci?".

L'utente controlla la propria agenda e risponde: "Ore 14:00 con il dottor Bianchi". A quel punto, l'applicazione crea una nuova richiesta di prenotazione per le 14:00 con il dottor Bianchi, che l'utente dovrà confermare. 

L'MCP consente ai modelli di IA di determinare dinamicamente quale strumento utilizzare, quando utilizzarlo e come interpretarne il risultato. Scegli l'MCP quando:

  • La tua applicazione si basa su LLM o flussi di lavoro agentic. Un LLM non può effettuare chiamate API o eseguire codice autonomamente. L'applicazione che esegue il modello risolve questo problema chiamando gli strumenti necessari. L'MCP standardizza il modo in cui questi strumenti vengono descritti ed erogati, consentendo di utilizzare lo stesso strumento in diverse applicazioni di IA. 
  • Il tuo flusso di lavoro prevede attività complesse e articolate in più passaggi. Quando vuoi che un programma esegua una query su un database, riepiloghi i risultati e aggiorni un'applicazione di terze parti, l'MCP consente a un agente IA di concatenare questi passaggi.
  • Hai un certo livello di flessibilità. Un'applicazione compatibile con MCP può valutare diverse alternative, gestire gli imprevisti e adattare la propria strategia. 
  • Hai bisogno di portabilità degli strumenti. Un singolo server MCP può comunicare con qualsiasi applicazione di IA compatibile con MCP. Puoi quindi svilupparlo una sola volta e riutilizzarlo con client diversi, nei limiti della compatibilità.
  • Vuoi aggiungere capacità in tempo reale. Con l'MCP, è possibile aggiungere nuove capacità mentre l'applicazione è in esecuzione, senza dover programmare in anticipo ogni possibile funzionalità. 

Le API restano la soluzione più adeguata quando il codice deve comunicare con altro codice in modo rapido e prevedibile. Scegli un'API quando:

  • La tua attività ha un solo obiettivo ed è lineare. Recuperare un valore da un database è un'attività semplice che non richiede un MCP.
  • Non vengono utilizzati LLM. Se il tuo software utilizza machine learning tradizionale o codice back end standard non basato sull'IA, le API tradizionali gestiscono senza problemi i dati grezzi. 
  • Dai la massima priorità a velocità ed efficienza. Le API tradizionali sono in grado di rispondere in millisecondi. Le chiamate agli strumenti MCP sono altrettanto rapide, ma il flusso di lavoro complessivo comprende l'inferenza del modello, che porta i tempi di risposta nell'ordine dei secondi. 
  • Vuoi mantenere il pieno controllo su ogni decisione presa dal sistema. Le API tradizionali seguono sempre le istruzioni alla lettera. 

Tecnicamente è possibile collegare direttamente un LLM a un'API tradizionale tramite codice personalizzato, ma potrebbe non valerne la pena. Il collegamento di un'API a un LLM costringe gli sviluppatori a scrivere codice personalizzato per ogni singola applicazione di IA da supportare. Inoltre, dal momento che le API si basano su una logica fissa ("Se succede A, esegui B"), non offrono la flessibilità necessaria all'agentic AI moderna per sviluppare un ragionamento sulle attività in tempo reale.

L'MCP è stato creato per supportare un'importante funzionalità degli agenti IA, il rilevamento dinamico, ovvero la capacità di un agente IA di collegarsi a un server, verificare di quali capacità dispone e iniziare a utilizzarle immediatamente senza intervento umano. 

Il rilevamento dinamico è possibile grazie alle funzionalità del server e agli schemi leggibili dalle macchine. Anziché richiedere a uno sviluppatore di consultare un manuale su web, lo schema strutturato (scritto in JSON standard) consente a un LLM di capire autonomamente quali sono gli strumenti disponibili, quali parametri richiedono e quali tipi di dati utilizzano. L'MCP organizza quindi queste funzionalità del server in tre categorie: 

  • Strumenti che consentono all'agente di eseguire azioni
  • Risorse che forniscono contesto all'agente
  • Prompt che fungono da modelli di istruzioni

Con la crescente diffusione degli MCP, aumenta anche il numero di integrazioni predefinite, o meglio, di server MCP pronti all'uso per piattaforme diffuse come GitHub, Slack e Google Drive. La combinazione di schemi leggibili dalle macchine, rilevamento in tempo reale e strumenti predefiniti fornisce agli agenti informazioni sufficienti per creare flussi di lavoro di IA che tengono realmente conto del contesto. Si tratta di un processo in cui gli agenti analizzano continuamente l'ambiente in tempo reale, ricavano il contesto dalle risorse MCP, scelgono lo strumento più adatto alla situazione e adattano il ragionamento in base al feedback ricevuto da scenari pratici e reali. 

Esplora i server MCP per Red Hat OpenShift® AI

La protezione dei server MCP richiede più della semplice autenticazione: servono regole precise per ogni azione, chiavi digitali con limiti ben definiti e un sistema in grado di gestire i diversi linguaggi di sicurezza utilizzati da questi strumenti.

Scopri di più sull'autenticazione e l’autorizzazione per il gateway MCP

L'MCP sostituisce le API?

No, l'MCP non sostituisce universalmente le API. È stato progettato per aiutare i modelli di IA a comunicare con gli strumenti. Se la tua applicazione non utilizza un modello linguistico, non hai bisogno dell'MCP. 

Per le aziende, il tema dell'adozione dell'MCP riguarda ormai soprattutto come implementarlo in sicurezza. I server MCP possono mettere a disposizione degli agenti IA numerosi strumenti e dati. Senza un livello di governance, però, non esiste un modo coerente per controllare le autorizzazioni di accesso, applicare limiti di frequenza o far rispettare i criteri di sicurezza. 

Scopri di più sul gateway MCP per Red Hat OpenShift

Cos'è un gateway MCP?

Un gateway MCP si interpone tra gli agenti IA e i server MCP a cui si collegano. A livello di infrastruttura, controlla il traffico instradando ogni chiamata agli strumenti attraverso un unico punto di controllo gestito. 

L'obiettivo di un gateway MCP è garantire la sicurezza delle connessioni ai server MCP in modo scalabile. In particolare, offre vantaggi in termini di:

  • Sicurezza. Le aziende possono applicare il controllo degli accessi basato sui ruoli (RBAC). Ciò consente di adottare strumenti di protezione e, ad esempio, di permettere a un agente di marketing di accedere al server MCP per i social media, ma non al server per la gestione delle retribuzioni.
  • Osservabilità. I gateway creano un log di audit centralizzato che registra, ad esempio, quale utente ha avviato l'agente, quale strumento MCP è stato utilizzato e quale risposta è stata restituita. 
  • Costo. I gateway applicano limiti di frequenza al consumo di token per ciascun agente e aiutano i team ad attribuire i costi all'utilizzo dei singoli strumenti. 
  • Affidabilità. Se un servizio non è disponibile, i gateway possono reindirizzare automaticamente la richiesta dello strumento a un nuovo endpoint. 

Red Hat® AI è progettato per un'inferenza rapida, flessibile ed efficiente tramite un server basato su vLLM. Collega in modo affidabile i modelli ai dati per unificare la personalizzazione e lo sviluppo di agenti specializzati su un'unica piattaforma. Realizzati su una base open source, i nostri prodotti offrono il pieno controllo dei flussi di lavoro end to end dell'IA, in modo scalabile. 

Red Hat AI Portfolio include Red Hat AI Enterprise, una piattaforma per il deployment, la gestione e la scalabilità dell'inferenza IA, i flussi di lavoro Agentic AI e le applicazioni basate sull'IA su qualsiasi tipologia di infrastruttura.

Scopri le soluzioni Red Hat AI

Blog

Artificial Intelligence (AI)

See how our platforms free customers to run AI workloads and models anywhere

Adotta l'IA con Red Hat: Consulenza, formazione e supporto

La gamma completa di soluzioni di IA proposta da Red Hat aiuta le aziende a distribuire l'IA in modo efficace per raggiungere obiettivi aziendali e tecnologici.

Continua a leggere

Cosa si intende per LLMOps?

Con Large Language Model Operations (LLMOps) si intende un insieme di metodologie operative utilizzate per gestire i modelli linguistici di grandi dimensioni.

Cos'è MLflow?

MLflow è uno strumento che aiuta gli sviluppatori a organizzare i progetti di machine learning (ML) e IA, dalle prime fasi della sperimentazione al deployment in tempo reale.

Cos'è il Model Context Protocol (MCP)?

Scopri in che modo il Model Context Protocol (MCP) connette le applicazioni di IA a sorgenti di dati esterne, aiutandoti a creare flussi di lavoro più intelligenti.

Intelligenza artificiale: risorse consigliate

Prodotto in evidenza

  • Red Hat AI

    Soluzioni flessibili che accelerano lo sviluppo e il deployment delle soluzioni di IA negli ambienti hybrid cloud.