AI ടൂളുകളെക്കുറിച്ച് സംസാരിക്കുമ്പോൾ എപ്പോഴും കേൾക്കുന്ന വാക്കുകളാണ് GPT, Plugin, App, Action, MCP എന്നിവ. പലർക്കും ഇത് കേൾക്കുമ്പോൾ എല്ലാം ഒന്നുതന്നെയല്ലേ എന്ന് തോന്നാറുണ്ട്. എന്നാൽ കാര്യങ്ങൾ അങ്ങനെയല്ല.

വളരെ എളുപ്പത്തിൽ ഇത് മനസ്സിലാക്കാൻ ഒരൊറ്റ വഴി ആലോചിച്ചാൽ മതി: ChatGPT-യെ ഒരു തലച്ചോറായി കാണുക. ആ തലച്ചോറിന് തനിയെ ചെയ്യാൻ പറ്റാത്ത പല ജോലികളും ചെയ്യിക്കാൻ നമ്മൾ നൽകുന്ന വ്യത്യസ്ത ആയുധങ്ങളും വഴികളുമാണ് ബാക്കിയുള്ളവ.

ഇവ തമ്മിലുള്ള വ്യത്യാസം ഒറ്റനോട്ടത്തിൽ ഇവിടെ കാണാം:

സാങ്കേതികവിദ്യ	സിമ്പിളായി പറഞ്ഞാൽ	പ്രധാന ഉപയോഗം
GPT 🧠	സ്പെഷ്യലൈസ്ഡ് AI	ChatGPT എങ്ങനെ ചിന്തിക്കണം, എങ്ങനെ മറുപടി പറയണം എന്ന് തീരുമാനിക്കുന്നു
Plugin 🧰	ഒരു കൂട്ടം കഴിവുകൾ	ഒരു പ്രത്യേക ആവശ്യത്തിനുള്ള പല ടൂളുകൾ ഒരുമിച്ച് നൽകുന്നു
App 🔌	പുറത്തുള്ള സർവീസുകളിലേക്കുള്ള കണക്ഷൻ	ChatGPT-യെ മറ്റൊരു സോഫ്റ്റ്‌വെയറുമായി ബന്ധിപ്പിക്കുന്നു
Action ⚡	ഒരു പ്രത്യേക API കോൾ	പുറത്തുള്ള ഒരു API വിളിച്ച് കൃത്യമായ ഒരു പണി ചെയ്യിക്കുന്നു
MCP 🌉	കണക്ട് ചെയ്യാനുള്ള പൊതു നിയമം (Protocol)	പുറത്തുള്ള ടൂളുകളും ഡാറ്റയും കണ്ടെത്താനും ഉപയോഗിക്കാനും AI-യെ സഹായിക്കുന്നു

1. GPT — നമ്മുടെ ആവശ്യത്തിനൊത്ത ഒരു AI അസിസ്റ്റന്റ് 🧠

നമുക്ക് ആവശ്യമുള്ള രീതിയിൽ കാര്യങ്ങൾ പറഞ്ഞുപഠിപ്പിച്ച് മാറ്റിയെടുക്കുന്ന ChatGPT-യുടെ ഒരു പ്രത്യേക പതിപ്പാണ് GPT.

ഉദാഹരണത്തിന്, നിങ്ങൾ “Travel Planner” എന്ന പേരിൽ ഒരു GPT ഉണ്ടാക്കുന്നു എന്ന് കരുതുക. അതിന് നൽകുന്ന നിർദ്ദേശങ്ങൾ (Instructions) ഇങ്ങനെയൊക്കെയായിരിക്കും:

• “നിങ്ങൾ നല്ല പരിചയസമ്പത്തുള്ള ഒരു ട്രാവൽ പ്ലാനറാണ്.”
• “പ്രായോഗികമായി നടപ്പിലാക്കാൻ പറ്റുന്ന യാത്രാ പ്ലാനുകൾ ഉണ്ടാക്കണം.”
• “ബജറ്റ്, യാത്രാസൗകര്യങ്ങൾ, കാലാവസ്ഥ, കാണേണ്ട പ്രധാന സ്ഥലങ്ങൾ എന്നിവ മനസ്സിരുത്തി വേണം പ്ലാൻ ചെയ്യാൻ.”

ഇതോടൊപ്പം അതിന് വായിച്ചു പഠിക്കാൻ കുറച്ച് ഫയലുകൾ ഇട്ടുകൊടുക്കാം, ചില പ്രത്യേക ഫീച്ചറുകൾ ഓൺ ചെയ്യുകയും ചെയ്യാം. അതോടെ, ഓരോ തവണ സംസാരിക്കുമ്പോഴും “എനിക്കൊരു ട്രാവൽ പ്ലാൻ വേണം, ബജറ്റ് നോക്കണം” എന്ന് നീട്ടിപ്പരത്തി പറയേണ്ടതില്ല. എങ്ങനെ ചിന്തിക്കണമെന്നും എങ്ങനെയുള്ള ഉത്തരമാണ് തരേണ്ടതെന്നും ഈ GPT-ക്ക് നേരത്തെ തന്നെ അറിയാം.

ഒരു വരിയിൽ പറഞ്ഞാൽ: GPT = “AI എങ്ങനെ ചിന്തിക്കണം, എങ്ങനെ പെരുമാറണം?”

Plaintext

                 GPT
                  │
        ┌─────────┼─────────┐
        ↓         ↓         ↓
    നിർദ്ദേശങ്ങൾ    അറിവ്      കഴിവുകൾ
  (Instructions) (Knowledge) (Capabilities)
        │         │         │
        └─────────┼─────────┘
                  ↓
             AI അസിസ്റ്റന്റ്

2. Plugin — പലതരം ടൂളുകൾ അടങ്ങിയ ഒരു പെട്ടി 🧰

ഒരു പ്രത്യേക ജോലിക്കായി ഒന്നിച്ച് പാക്ക് ചെയ്തുവെച്ച കഴിവുകളുടെ കൂട്ടമാണ് (packaged workflow/capability layer) പ്ലഗിൻ.

“Travel Tools” എന്ന പേരിൽ ഒരു പ്ലഗിൻ നമ്മൾ ഉണ്ടാക്കുകയാണെന്ന് കരുതുക. അതിൽ ഒരു യാത്രയ്ക്ക് വേണ്ട പലതരം കാര്യങ്ങൾ ഒരുമിച്ചുണ്ടാകും:

• ഹോട്ടലുകൾ തപ്പുക
• ഫ്ലൈറ്റ് ടിക്കറ്റ് പരിശോധിക്കുക
• നല്ല റെസ്റ്റോറന്റുകൾ കണ്ടുപിടിക്കുക
• പ്രധാന കാഴ്ചകൾ ഏതൊക്കെയാണെന്ന് നോക്കുക
• യാത്രാ പ്ലാൻ തയാറാക്കുക

ഇതിനെയെല്ലാം ഓരോന്നായി വേറെ വേറെ ഉണ്ടാക്കി ബുദ്ധിമുട്ടുന്നതിന് പകരം, യാത്രയുമായി ബന്ധപ്പെട്ട എല്ലാ കാര്യങ്ങളും ഈ പ്ലഗിൻ ഒറ്റക്കെട്ടായി ഒരൊറ്റ പാക്കേജിൽ തരുന്നു.

ഒരു വരിയിൽ പറഞ്ഞാൽ: Plugin = “AI-ക്ക് ഈ കഴിവുകളുടെ കൂട്ടം ഒന്നായി എടുത്തു കൊടുക്കുക.”

3. App — പുറത്തുള്ള സിസ്റ്റങ്ങളിലേക്കുള്ള പാലം 🔌

നമ്മൾ ഉപയോഗിക്കുന്ന മറ്റ് ഓൺലൈൻ സർവീസുകളുമായി ChatGPT-യെ നേരിട്ട് ബന്ധിപ്പിക്കുന്ന പാലമാണ് ആപ്പ്.

Plaintext

ChatGPT
   │
   ├── Google Drive App
   │
   ├── Slack App
   │
   ├── GitHub App
   │
   └── Calendar App

നിങ്ങൾ ഡ്രൈവ് ആപ്പ് കണക്ട് ചെയ്തിട്ടുണ്ടെന്ന് കരുതുക. “നമ്മുടെ കഴിഞ്ഞ മീറ്റിംഗിലെ പ്രോജക്റ്റ് ഫയൽ ഒന്നെടുത്തു തരൂ” എന്ന് ChatGPT-യോട് പറഞ്ഞാൽ മതി. ആ ആപ്പിന് നിങ്ങൾ കൊടുത്തിട്ടുള്ള അനുമതിയുടെ പരിധിയിൽ നിന്നുകൊണ്ട്, ഡ്രൈവിലുള്ള ഫയലുകൾ പരിശോധിക്കാൻ ChatGPT-ക്ക് തനിയെ കഴിയും.

ഒരു വരിയിൽ പറഞ്ഞാൽ: App = “ChatGPT-യെ പുറത്തുള്ള മറ്റൊരു സിസ്റ്റവുമായി ബന്ധിപ്പിക്കുക.”

4. Action — കൃത്യമായി ഒരു പണി ചെയ്യിക്കുക ⚡

ആക്ഷൻ എന്നത് ആപ്പുകളേക്കാൾ കൂടുതൽ കൃത്യതയുള്ള ഒന്നാണ്. അതായത്, പുറത്തുള്ള ഒരു API-ലേക്ക് വിളിച്ച് കൃത്യമായ ഒരു വിവരം ചോദിച്ചു വാങ്ങുക.

നിങ്ങൾ “Weather Assistant” എന്നൊരു GPT ഉണ്ടാക്കി എന്ന് കരുതുക. കാലാവസ്ഥയെക്കുറിച്ച് കൃത്യമായ തത്സമയ വിവരങ്ങൾ തരാൻ അതിന് പുറത്തുള്ള ഒരു വെതർ സൈറ്റിന്റെ സഹായം വേണം. ആ വെബ്സൈറ്റിന് ഒരുപക്ഷേ ഇങ്ങനെയൊരു API എൻഡ്‌പോയിന്റ് ഉണ്ടാകാം:

GET /weather?city=London

ആ API-ലേക്ക് വിളിച്ച് ഡാറ്റ എടുക്കാൻ ഈ GPT ഉപയോഗിക്കുന്ന വഴിയാണ് ആക്ഷൻ. ഇതിന്റെ വർക്കിങ് ഇങ്ങനെയാണ്:

Plaintext

നമ്മൾ (User)
  ↓
GPT
  ↓
Action
  ↓
കാലാവസ്ഥാ API (Weather API)
  ↓
കാലാവസ്ഥാ വിവരങ്ങൾ (Weather data)
  ↓
GPT
  ↓
നമുക്ക് കിട്ടുന്ന മറുപടി (Answer)

ഒരു വരിയിൽ പറഞ്ഞാൽ: Action = “ഒരു പ്രത്യേക കാര്യം നടത്താൻ പുറത്തുള്ള ഈ കൃത്യമായ API വിളിക്കുക.”

5. MCP — ടൂളുകൾ പരസ്പരം സംസാരിക്കുന്ന പൊതു രീതി 🌉

MCP (Model Context Protocol) എന്നത് GPT-യിൽ നിന്നോ ആപ്പുകളിൽ നിന്നോ തീർത്തും വ്യത്യസ്തമായ ഒന്നാണ്. AI സിസ്റ്റങ്ങൾക്ക് പുറത്തുള്ള പലതരം ടൂളുകളോടും ഡാറ്റയോടും സുഗമമായി സംസാരിക്കാൻ വേണ്ടിയുള്ള ഒരു പൊതു ഭാഷ അല്ലെങ്കിൽ പൊതു മാനദണ്ഡമാണ് (standard protocol) ഇത്.

ഒരു സ്റ്റാൻഡേർഡ് കണക്ഷൻ ഇന്റർഫേസായി ഇതിനെ കാണാം:

Plaintext

                 AI
                  │
                 MCP
                  │
        ┌─────────┼─────────┐
        ↓         ↓         ↓
      ഫയലുകൾ     ഡാറ്റാബേസ്    ടൂളുകൾ
      (Files)   (Database)   (Tools)

ഒരു MCP സെർവറിന് താഴെ പറയുന്ന ടൂളുകൾ കൈകാര്യം ചെയ്യാൻ കഴിയും:

• search_documents()
• get_customer()
• create_task()
• query_database()
• send_message()

പുറത്ത് എന്തൊക്കെ ടൂളുകൾ ലഭ്യമാണെന്ന് കണ്ടെത്താനും, അവ ഏത് ഭാഷയിൽ ചോദിച്ചാൽ മനസ്സിലാകുമോ ആ പൊതു നിയമമനുസരിച്ച് അവയെ ഉപയോഗിക്കാനും AI-ക്ക് ഇതുവഴി സാധിക്കുന്നു.

ഒരു വരിയിൽ പറഞ്ഞാൽ: MCP = “AI-യും ബാഹ്യ ടൂളുകളും തമ്മിൽ സംസാരിക്കാനുള്ള ഒരു പൊതു ഇന്റർഫേസ്.”

ഇവയെല്ലാം മനസ്സിൽ സൂക്ഷിക്കാൻ ഒരു എളുപ്പവഴി

• GPT: AI-യുടെ അറിവും സ്വഭാവവും — “എനിക്ക് എന്തൊക്കെ അറിയണം, ഞാൻ എങ്ങനെ പെരുമാറണം?”
• Plugin: കഴിവുകളുടെ പാക്കേജ് — “എനിക്ക് എന്ത് ജോലികൾ ചെയ്യാനുള്ള കഴിവ് വേണം?”
• App: പുറത്തേക്കുള്ള കണക്ഷൻ — “എനിക്ക് പുറത്തുള്ള ഏത് സർവീസ് തുറന്നു നോക്കാം?”
• Action: കൃത്യമായ API കമാൻഡ് — “ഞാൻ ഏത് API വിളിച്ച് ഏത് പണി ചെയ്യിക്കണം?”
• MCP: പൊതു കണക്ഷൻ നിയമം — “പുറത്തുള്ള ടൂളുകളെ ഒരു പൊതു വഴിയിലൂടെ എങ്ങനെ കണ്ടെത്തി ഉപയോഗിക്കാം?”

ഈ അഞ്ചും ഒരുമിച്ച് വരുന്ന ഒരു ഉദാഹരണം

നമുക്ക് ഒരു Personal Study Assistant ഉണ്ടാക്കണമെന്ന് കരുതുക:

• GPT: ആദ്യം ‘Study Assistant GPT’ ഉണ്ടാക്കുന്നു. “ബുദ്ധിമുട്ടുള്ള പാഠങ്ങൾ വളരെ സിമ്പിളായി പറഞ്ഞു കൊടുക്കുക, ക്വിസുകൾ ഉണ്ടാക്കുക, കാര്യങ്ങൾ ചുരുക്കി തരിക, പഠിക്കുന്ന ആളുടെ ലെവൽ നോക്കി പറഞ്ഞു കൊടുക്കുക” എന്നിവയാണ് ഇതിന്റെ ചിന്താരീതി.
• App: നമ്മുടെ നോട്ട്സുകൾ ഇട്ടിരിക്കുന്ന ക്ലൗഡ് സ്റ്റോറേജുമായി ഇതിനെ കണക്ട് ചെയ്യുന്നു. ഇതാണ് ആപ്പ്.
  PlaintextStudy Assistant → Cloud Storage App → പഠന ഫയലുകൾ
• Action: നമ്മുടെ പഠന ടൈംടേബിൾ കലണ്ടറിലേക്ക് ഇടാൻ പുറത്തുള്ള ഒരു ടൂളിനെ വിളിക്കാൻ GPT-യിൽ createStudySchedule() എന്ന ആക്ഷൻ കൊടുക്കുന്നു.
• Plugin: നോട്ട്സ് തപ്പൽ, ക്വിസ് ഉണ്ടാക്കൽ, ടൈംടേബിൾ ഉണ്ടാക്കൽ എന്നിവയെല്ലാം കൂട്ടിയിണക്കി ‘Study Plugin’ എന്നൊരു പാക്കേജ് തയാറാക്കുന്നു.
• MCP: ഓരോ ടൂളിനും വേണ്ടി ഓരോ കണക്ഷൻ പ്രത്യേകം ഉണ്ടാക്കി സമയം കളയാതെ, എല്ലാ ടൂളുകളെയും ഒരു പൊതു ചട്ടക്കൂട്ടിൽ കൊണ്ടുവരാൻ ഒരു MCP സെർവർ ഉണ്ടാക്കുന്നു:
  PlaintextStudy MCP Server │ ├── search_notes() ├── get_progress() ├── create_schedule() └── save_quiz() AI ഈ ടൂളുകളുമായി സംസാരിക്കുന്നത് MCP വഴിയാണ്.

ഒരു കാറിന്റെ ഉദാഹരണത്തിലൂടെ നോക്കാം 🚗

ഒരു കാറിന്റെ ഉദാഹരണം വെച്ച് നോക്കിയാൽ ഇത് കൂടുതൽ വ്യക്തമാകും:

ടേം	കാറിന്റെ ഉദാഹരണം
GPT	വണ്ടി ഓടിക്കുന്ന ഡ്രൈവർ
Plugin	കാറിലുള്ള ടൂൾബോക്സ് അല്ലെങ്കിൽ ആവശ്യസാധനങ്ങളുടെ കിറ്റ്
App	കാറുമായി ഘടിപ്പിച്ചിട്ടുള്ള മറ്റൊരു സിസ്റ്റം (ഉദാഹരണത്തിന് ജിപിഎസ്)
Action	ഡ്രൈവർ ചെയ്യുന്ന ഒരു പ്രത്യേക കാര്യം (ബ്രേക്ക് അമർത്തുന്നത് പോലെ)
MCP	ഈ ഉപകരണങ്ങളെല്ലാം പരസ്പരം കണക്ട് ചെയ്യുന്ന പൊതുവായ സോക്കറ്റുകൾ

ഇതിലും എളുപ്പത്തിൽ പറഞ്ഞാൽ:

• GPT = തലച്ചോറ് 🧠
• Plugin = ടൂൾബോക്സ് 🧰
• App = കണക്ഷൻ 🔌
• Action = പ്രത്യേക കമാൻഡ് ⚡
• MCP = പൊതു ആശയവിനിമയ ചട്ടം (Standard communication protocol) 🌉

മറക്കാതെ ഓർക്കാൻ ചില കാര്യങ്ങൾ

GPT-യും MCP-യും തമ്മിൽ യാതൊരു മത്സരവുമില്ല. AI-യെ നമ്മുടെ ആവശ്യത്തിനനുസരിച്ച് മാറ്റിയെടുക്കാനാണ് GPT ഉപയോഗിക്കുന്നത്; എന്നാൽ പുറത്തുള്ള ഉപകരണങ്ങളുമായി AI എങ്ങനെ ബന്ധപ്പെടണം എന്ന പൊതു വഴിയാണ് MCP.

അതുപോലെ ആപ്പും ആക്ഷനും ഒന്നുതന്നെയല്ല. പല കാര്യങ്ങൾ ഒരുമിച്ച് ചെയ്യാൻ ബാഹ്യ സർവീസുകളുമായി ബന്ധപ്പെടുന്ന വലിയൊരു വഴിയാണ് ആപ്പ്; എന്നാൽ GPT-ക്ക് കൃത്യമായ ഒരു API വിളിച്ച് നിർദ്ദിഷ്ട ജോലി ചെയ്യിക്കാനുള്ള സംവിധാനമാണ് ആക്ഷൻ.

നിങ്ങൾ ഈ AI ലോകം കൃത്യമായി പഠിക്കാൻ ഇറങ്ങുകയാണെങ്കിൽ, ഈ വഴിയിലൂടെ മനസ്സിലാക്കുന്നതാണ് ഏറ്റവും എളുപ്പം:

GPT → Apps → Actions → MCP → Plugins/workflows