RAG vs MCP: Ngerti Bedanya

Intro

Sistem AI modern tuh sering nemuin dua masalah besar:

1. Gimana cara kasih jawaban yang akurat based on data asli.
2. Gimana cara interaksi yang aman sama tool dan API luar.

Dua konsep ini jadi kuncinya: Retrieval-Augmented Generation (RAG) dan Model Context Protocol (MCP). Mereka related tapi ngisi problem yang beda. Ngerti peran masing-masing bakal ngebantu lo paham gimana cara bikin agen AI sekarang.

RAG itu apa sih?

Retrieval-Augmented Generation (RAG) itu teknik buat ngejagain jawaban AI biar lebih akurat, caranya ngambil info yang relevan dari knowledge base luar—misalnya dokumen, database, atau API—sebelum jawab.

Dengan gini, AI bisa go beyond data training yang statis, ngurangin halusinasi, dan kasih jawaban yang up-to-date plus kaya konteks.

Kenapa RAG penting banget?

LLM emang powerful, tapi dia cuma bisa jawab berdasarkan apa yang dilatihin doang. Nah, pake RAG, lo bisa connect dia ke data sendiri: kebijakan kantor, paper riset, atau dokumentasi customer. Ini bikin dia way more useful buat real-world scenarios.

MCP itu apa sih?

Model Context Protocol (MCP) itu protokol komunikasi standar yang nentuin gimana cara aplikasi AI (client) bisa interaksi sama service luar (server).

Ini bukan model atau teknik, tapi set of rules. MCP make JSON-RPC (2.0) buat handle request dan response, yang artinya setiap interaksi antara LLM (client) sama server MCP ikut format JSON yang terstruktur buat remote procedure call.

Contoh request dan response JSON-RPC 2.0:

// Request: Claude (MCP client) minta server MCP GitHub buat bikin pull request
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "create_pull_request",
  "params": {
    "repo": "fwwz/awesome-app",
    "branch": "feature-x",
    "title": "Tambah fitur baru"
  }
}
 
// Response: Server MCP GitHub balikin hasilnya
{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "url": "https://github.com/fwwz/awesome-app/pull/42",
    "status": "success"
  }
}

In other words:

• RAG itu soal konteks: ngambil pengetahuan yang relevan.
• MCP itu soal konektivitas: kasih cara yang aman dan standar buat akses resource luar.

Bedanya di mana? Cekidot

Kerja Bareng: Contohnya Gini

Bayangin ada AI assistant yang bisa jawab pertanyaan tentang dokumentasi kantor lo.

Tanpa MCP Lo harus nulis custom code yang connect AI langsung ke vector database. Ini brittle, susah di-maintain, dan rawan security wise.

Pake MCP

User: "Apa kebijakan liburan kita?"
 
Claude (MCP client):
  → kirim request { "action": "search_docs", "params": {"query": "kebijakan liburan"} }
 
MCP Documentation Server:
  → query knowledge base internal
  → balikin dokumen kebijakan HR yang relevan
 
Claude:
  → pake context yang di-return buat generate jawaban yang grounded

Nah ini RAG system yang di-build di atas MCP.

Contoh Beneran: GitHub dan Claude

MCP nggak cuma buat RAG doang. Misalnya, kalau lo mau Claude buka pull request di GitHub:

Claude (MCP client):
  → kirim request { "action": "create_pull_request", "params": {
      "repo": "fwwz/awesome-app",
      "branch": "feature-x",
      "title": "Tambah fitur baru"
    }}
 
MCP GitHub Server:
  → translate request jadi API call GitHub REST
  → otentikasi secara aman
  → bikin pull request
  → balikin link PR
 
Claude:
  → jawab "Aku udah buka pull request nih: <link>"

Daripada nulis integrasi custom buat tiap LLM, MCP kasih interface standar yang bisa dipake model apa aja yang compatible. Contohnya, begitu lo punya server GitHub MCP, Claude, GPT-4, atau LLM lain yang MCP-enabled bisa interaksi sama GitHub lewat endpoint yang sama.

Lo bisa liat demo praktisnya di post Reddit ini, di mana Claude interaksi lancar sama API GitHub lewat MCP.

Atau lo bisa make model lokal pake Ollama. Artikel ini kasih panduan step-by-step detail tentang cara connect Ollama sama server MCP.

Standarisasi ini nunjukin dua benefit utama MCP:

1. Interoperabilitas: Tulis sekali, make sama LLM compatible apa aja
2. Keamanan: Semua interaksi API di-handle sama server MCP, nggak langsung sama LLM

Use Case Praktis MCP

Server MCP bisa expose banyak tool beda:

• Tool Booking Penerbangan: interaksi sama beberapa airline lewat satu interface
• Tool Kalkulator: pastiin matematika dieksekusi bener
• Tool Cuaca: ambil update cuaca live secara aman
• Tool Kalender: baca dan update jadwal
• Tool Filesystem: explore dan edit file aman di sandbox

Dengan ngabstraksi beda API, MCP bikin agent AI bisa operate lebih kayak automation script canggih yang bisa mikir.

Ringkasan

• RAG itu teknik buat grounding respons LLM sama data luar.
• MCP itu protokol yang standarin cara LLM connect ke tool dan data.
• Bersama-sama, mereka enable AI agent yang akurat, extensible, dan aman.
• Meskipun REST API udah ada, MCP introduce struktur konsisten yang bisa dimengerti secara native sama LLM.

Penutup

RAG dan MCP itu bukan ide yang bersaing, mereka saling melengkapi.

• RAG fokus ke apa yang dilakuin model: ningkatin jawaban dengan konteks yang bener.
• MCP fokus ke gimana model connect: aman dan dengan cara yang standar.

Makin berkembangnya AI agent, bakal makin banyak tuh peran MCP buat connect LLM ke dunia nyata, dengan RAG sebagai salah satu aplikasi terpentingnya.

Referensi

• Situs Resmi Model Context Protocol
• Repositori GitHub MCP
• YouTube: Intro MCP sama Lab Environment (KodeKloud)
• Dokumentasi Anthropic: Make MCP sama Claude
• Demo Reddit: Integrasi Claude sama Github pake MCP
• Medium: Model Context Protocol (MCP) pake Ollama