AI Agents and MCP Cheat Sheet in Hindi: Complete Guide

AI Agents and MCP (Model Context Protocol) modern AI application development के important concepts हैं। इनकी मदद से AI systems केवल text generate करने तक सीमित नहीं रहते, बल्कि tools इस्तेमाल कर सकते हैं, external information access कर सकते हैं और multi-step tasks complete करने में मदद कर सकते हैं।

उदाहरण के लिए, एक AI assistant आपके programming documentation को search कर सकता है, relevant information निकाल सकता है, code analysis में मदद कर सकता है और approved tools के जरिए किसी workflow को आगे बढ़ा सकता है।

इस guide में हम AI Agents, Agentic AI, tool calling, MCP architecture, MCP servers, security, practical examples और interview questions को आसान Hinglish में समझेंगे।

1. AI Agent क्या है?#

AI Agent एक ऐसा software system है जो किसी goal को पूरा करने के लिए AI model का उपयोग करके steps decide कर सकता है और उपलब्ध tools के जरिए actions perform कर सकता है।

एक सामान्य chatbot मुख्य रूप से user के message का जवाब देता है। इसके विपरीत, AI agent किसी task को पूरा करने के लिए information collect कर सकता है, tools call कर सकता है, results evaluate कर सकता है और जरूरत पड़ने पर अगले steps चुन सकता है।

Simple example

मान लीजिए आप एक AI coding assistant बना रहे हैं।

आप उससे कहते हैं:

“मेरे project में authentication से संबंधित bugs identify करो और मुझे report दो।”

एक configured coding agent यह workflow follow कर सकता है:

1. Project की relevant files पढ़ना।
2. Authentication-related code search करना।
3. संभावित issues identify करना।
4. Available tests run करना, अगर इसकी permission है।
5. Findings को verify करके report बनाना।

ध्यान दें कि agent क्या-क्या कर सकता है, यह उसके configured tools, permissions, environment और safety rules पर निर्भर करता है। केवल AI model होने से उसे अपने आप आपके computer या project का access नहीं मिलता।

याद रखें: AI Agent का मुख्य उद्देश्य केवल जवाब देना नहीं, बल्कि tools और controlled workflow के जरिए किसी goal को पूरा करना है।

2. Chatbot, LLM और AI Agent में Difference#

Important point: हर chatbot AI agent नहीं होता। इसी तरह, हर agent को fully autonomous बनाना जरूरी नहीं है। कई applications में limited tools और human approval वाला agent ज्यादा reliable होता है।

3. AI Agent कैसे काम करता है?#

एक typical AI agent system में model, instructions, tools और execution logic शामिल हो सकते हैं।

Basic Agent Workflow

User Goal
    |
    v
AI Model Understands Task
    |
    v
Choose Next Step
    |
    v
Call an Available Tool
    |
    v
Receive Tool Result
    |
    v
Evaluate Result
    |
    +---- More Work Needed? ---- Yes
    |                              |
    |                         Choose Next Step
    |
    No
    |
    v
Return Final Answer

यह एक simplified workflow है। कुछ agents predefined steps follow करते हैं, जबकि दूसरे agents model decisions के आधार पर workflow को adapt कर सकते हैं।

Main components

• Model: Task को समझने और next step चुनने में मदद करता है।
• Instructions: Agent का role, goal और constraints define करती हैं।
• Tools: Search, database queries, file reading या API actions जैसी capabilities देते हैं।
• State / Context: Current task और पहले के results से संबंधित information रखता है।
• Execution loop: Model output और tool results के बीच workflow manage करता है।
• Guardrails: Unsafe या unauthorized actions को रोकने में मदद करते हैं।
• Human approval: Sensitive actions से पहले व्यक्ति की permission लेता है।

4. AI Agent Tools क्या होते हैं?#

Tools agent को external systems के साथ interact करने की capability देते हैं।

उदाहरण:

Tools को केवल नाम देने से वे काम नहीं करने लगते। Application को tool का implementation, parameters, validation, permissions और execution environment configure करना होता है।

Tool calling कैसे काम करती है?

मान लीजिए agent को weather information चाहिए और उसके पास get_weather नाम का tool उपलब्ध है।

1. User weather पूछता है।
2. Model decide करता है कि weather tool उपयोगी होगा।
3. Application tool call को validate करती है।
4. Tool weather service से result प्राप्त करता है।
5. Result model को वापस दिया जाता है।
6. Model user के लिए final answer बनाता है।

यहाँ model tool को चुनने का निर्णय कर सकता है, लेकिन वास्तविक tool execution application या configured runtime के माध्यम से होता है।

Security tip: Tool के parameters validate करें और हर tool को केवल जरूरी permissions दें। Model से आए arguments को blindly trust न करें।

5. Agentic AI क्या है?#

Agentic AI उन AI systems और approaches को refer करता है जिनमें models goals को पूरा करने के लिए steps plan कर सकते हैं, tools इस्तेमाल कर सकते हैं और multi-step workflows में decisions ले सकते हैं।

उदाहरण के लिए, एक research assistant:

1. User के topic को समझता है।
2. Relevant sources search करता है।
3. Information को compare करता है।
4. Missing information होने पर additional search करता है।
5. Sources के साथ report तैयार करता है।

ऐसे workflow में autonomy का level अलग-अलग हो सकता है।

• Low autonomy: हर important step predefined होता है।
• Limited autonomy: Agent कुछ decisions खुद लेता है।
• Higher autonomy: Agent कई steps dynamically चुन सकता है, लेकिन फिर भी configured boundaries के अंदर काम करता है।

Higher autonomy हमेशा बेहतर नहीं होती। अगर task predictable है, तो simple workflow अधिक reliable और आसान to debug हो सकता है।

6. Single-Agent vs Multi-Agent Systems#

Single-Agent System

एक agent task को end-to-end handle करता है।

उदाहरण: Documentation search करके user को answer देना।

यह शुरुआत के लिए अच्छा विकल्प है क्योंकि architecture और debugging comparatively सरल रहते हैं।

Multi-Agent System

इस approach में अलग-अलग agents specialized responsibilities संभालते हैं।

उदाहरण:

• Research Agent — sources search करता है।
• Analysis Agent — information analyze करता है।
• Writing Agent — report draft करता है।
• Review Agent — output check करता है।

Simplified architecture:

            User Request
                  |
                  v
            Manager Agent
                  |
        +---------+---------+
        |         |         |
        v         v         v
     Research  Analysis   Review
       Agent     Agent     Agent
        |         |         |
        +---------+---------+
                  |
                  v
           Final Response

यह केवल illustrative architecture है। Real implementation में manager agent specialists को tools की तरह call कर सकता है या control specialist agent को hand off कर सकता है।

Best practice: शुरुआत एक focused agent से करें। Multi-agent architecture तभी अपनाएँ जब अलग responsibilities, tools या approval policies होने से वास्तविक लाभ मिले।

Official reference: OpenAI — Agent Orchestration and Handoffs

7. MCP क्या है?#

MCP का full form Model Context Protocol है।

यह एक open protocol है जो AI applications को external data sources और tools से connect करने के लिए standardized communication approach प्रदान करता है।

Simple words में, MCP AI applications और supported integrations के बीच communication का एक common तरीका है।

इसे USB-C के example से समझें: USB-C एक standard connection interface देता है। इसी तरह MCP compatible AI applications और MCP servers के बीच defined protocol के जरिए communication करने में मदद करता है।

MCP खुद AI model नहीं है और न ही यह अपने आप agent को intelligent बना देता है। यह data और capabilities को application तक पहुँचाने का standardized तरीका देता है।

MCP की जरूरत क्यों है?

मान लीजिए आप AI assistant को इन systems से connect करना चाहते हैं:

• Local project files
• Documentation
• Git repositories
• Databases
• Internal APIs
• Approved business tools

अगर हर integration के लिए अलग custom interface बनाया जाए, तो implementation और maintenance मुश्किल हो सकती है।

MCP-compatible integrations standard protocol के जरिए capabilities expose कर सकती हैं। Compatible host application उन capabilities को discover और use कर सकती है, subject to its implementation and permissions.

Official documentation: Model Context Protocol — Introduction

8. MCP Architecture: Host, Client और Server#

MCP architecture के तीन important components हैं: Host, Client और Server.

8.1 MCP Host

Host वह AI application है जिसमें user काम करता है और जो MCP integrations को use करती है।

Examples में compatible AI desktop applications, IDEs और developer tools शामिल हो सकते हैं।

Host conversation, model interaction और user-facing experience को manage करता है।

8.2 MCP Client

MCP Client host application के अंदर protocol communication manage करता है। आम तौर पर client किसी particular MCP server के साथ connection बनाए रखता है।

यह protocol messages exchange करने और available capabilities को discover करने में मदद करता है।

8.3 MCP Server

MCP Server किसी data source या functionality को MCP protocol के जरिए expose करता है।

उदाहरण के लिए, एक documentation MCP server search tools expose कर सकता है और दूसरा server authorized project files पढ़ने की capability दे सकता है।

MCP architecture diagram

            AI Application
                 (Host)
                   |
              MCP Client
                   |
             MCP Protocol
                   |
              MCP Server
                   |
        +----------+----------+
        |          |          |
        v          v          v
    Documents   Database    External API

यह एक simplified view है। Real deployments में एक host कई MCP servers से connect हो सकता है और server local या remote environment में चल सकता है।

9. MCP के Core Primitives#

MCP servers मुख्य रूप से तीन तरह की capabilities expose कर सकते हैं: Tools, Resources और Prompts.

9.1 MCP Tools

Tools executable capabilities होते हैं जिन्हें compatible client discover कर सकता है और supported protocol flow के जरिए call कर सकता है।

उदाहरण:

• search_docs
• read_file
• get_order_status

ये illustrative names हैं। वास्तविक names और parameters server के implementation पर निर्भर करेंगे।

9.2 MCP Resources

Resources data या contextual information expose करने के लिए होते हैं।

उदाहरण:

• Documentation content
• Project configuration information
• Reference documents

Resources को tools के साथ confuse नहीं करना चाहिए। Resource का मुख्य उद्देश्य information उपलब्ध कराना है, जबकि tool कोई defined operation perform करता है।

9.3 MCP Prompts

Prompts reusable templates होते हैं जो particular tasks के लिए interaction structure करने में मदद कर सकते हैं।

उदाहरण:

• Code review prompt
• Database investigation prompt
• Documentation summary prompt

Prompt availability और user-facing selection behavior client implementation पर निर्भर करते हैं।

Official reference: MCP — Architecture Overview

10. AI Agents और MCP में Difference#

AI Agents और MCP related हैं, लेकिन दोनों एक ही चीज नहीं हैं।

याद रखने वाली बात: Agent बताता है कि task को कैसे handle करना है। MCP compatible systems के बीच tools और context उपलब्ध कराने का तरीका दे सकता है।

एक AI agent MCP इस्तेमाल कर सकता है, लेकिन हर agent को MCP की जरूरत नहीं होती और हर MCP server को AI agent होना जरूरी नहीं है।

11. Practical Example: Documentation AI Assistant#

मान लीजिए आप एक coding assistant बनाना चाहते हैं जो आपके approved project documentation को search कर सके।

System में:

• AI Agent user के question को समझेगा।
• MCP Client server से connect करेगा।
• MCP Server documentation search tool expose करेगा।
• Documentation source relevant content return करेगा।
• Agent result को समझकर answer बनाएगा।

Example workflow

User:
"Symfony में environment variables कैसे configure होते हैं?"
                  |
                  v
             AI Agent
                  |
                  v
       Documentation Search Tool
                  |
                  v
             MCP Server
                  |
                  v
       Relevant Documentation
                  |
                  v
             AI Agent
                  |
                  v
      Answer + Documentation Link

इस example में server का काम documentation search capability expose करना है। Agent का काम user request को handle करना और returned information के आधार पर response बनाना है।

Production application में source access, permissions और citation validation भी implement करनी चाहिए।

12. MCP Server कैसे Design करें?#

अगर आप अपना MCP server बनाना चाहते हैं, तो पहले एक छोटा और clearly defined use case चुनें।

Step 1: Use case define करें

उदाहरण: Approved documentation files को search करना।

Step 2: Capabilities define करें

आप server में ये capabilities expose कर सकते हैं:

• Documentation search tool
• Specific document read करने का tool
• Approved reference content के लिए resources

Step 3: Input schema define करें

हर tool के parameters स्पष्ट होने चाहिए।

उदाहरण:

{
  "name": "search_docs",
  "description": "Search approved documentation",
  "inputSchema": {
    "type": "object",
    "properties": {
      "query": {
        "type": "string",
        "description": "Search phrase"
      }
    },
    "required": ["query"]
  }
}

यह एक simplified conceptual example है, complete MCP server implementation नहीं। Actual schema और tool registration अपने चुने हुए MCP SDK और protocol version के अनुसार implement करें।

Step 4: Tool implementation लिखें

Tool को approved documents में search करना चाहिए और useful results return करने चाहिए।

Step 5: Permissions और validation जोड़ें

• Empty या invalid input reject करें।
• केवल authorized documents access करें।
• Sensitive data अनावश्यक रूप से return न करें।
• Tool errors को safely handle करें।

Step 6: MCP client से test करें

Compatible client या MCP Inspector जैसे development tool से verify करें कि server connect होता है, capabilities सही तरह discover होती हैं और tool calls expected results देती हैं।

Official starting point: MCP — Official Documentation

13. MCP Transport और Connections#

MCP client और server के बीच communication के लिए supported transport mechanism का इस्तेमाल होता है।

Developers को common deployment patterns समझने चाहिए:

• stdio: Local process के साथ standard input/output के जरिए communication।
• Streamable HTTP: HTTP-based connection approach, जो remote server deployments में उपयोगी हो सकती है।

Transport choice deployment environment, security model और client/server support पर निर्भर करती है।

Remote server का URL होना अपने आप यह guarantee नहीं करता कि server trustworthy है। Authentication, authorization, network access और transport security सही तरीके से configure करनी चाहिए।

Transport और protocol details के लिए official documentation देखें: MCP Architecture

14. AI Agent और MCP Security#

AI agents external tools और data access कर सकते हैं, इसलिए security शुरुआत से design करनी चाहिए।

Important practices

1. Least privilege: Agent और MCP server को केवल जरूरी permissions दें।
2. Human approval: Email भेजने, files delete करने, code deploy करने या records modify करने जैसे sensitive actions से पहले approval रखें।
3. Input validation: Tool parameters और user inputs validate करें।
4. Authentication: Remote integrations के लिए suitable authentication और authorization लागू करें।
5. Untrusted content: Documents और tool results में malicious instructions हो सकती हैं। इन्हें trusted system instructions न मानें।
6. Secret management: API keys और credentials को source code या model prompts में hardcode न करें।
7. Audit logs: Sensitive tool calls और important actions का appropriate audit trail रखें।
8. Tool allowlist: Agent को केवल approved tools और servers तक access दें।
9. Output validation: Tool results और model-generated outputs को use करने से पहले validate करें।
10. Failure handling: Tool failure, timeout या unexpected result आने पर safe fallback रखें।

Example: Unsafe vs safer workflow

Unsafe: Agent को unrestricted shell access देना और हर command बिना review execute कर देना।

Safer: Agent को limited tools देना, execution को isolated environment में रखना और destructive commands के लिए explicit approval require करना।

Important: केवल prompt में “safe रहो” लिखना पर्याप्त security control नहीं है। Critical restrictions application और execution environment में enforce होनी चाहिए।

Official references:

• OpenAI — Guardrails and Human Review
• Model Context Protocol — Security

15. Common Mistakes#

16. Quick Reference#

17. AI Agents / MCP Interview Questions#

Beginner Level

1. AI Agent क्या है?

AI Agent एक goal-oriented AI system है जो configured tools और workflow के जरिए task पूरा करने के लिए decisions ले सकता है।

2. AI Agent और chatbot में क्या difference है?

Chatbot मुख्य रूप से conversation पर focused हो सकता है, जबकि agent multi-step tasks और tool execution handle कर सकता है। कुछ advanced chatbots में agent-like capabilities भी होती हैं।

3. MCP का full form क्या है?

Model Context Protocol.

4. MCP का क्या purpose है?

AI applications को supported data sources और tools से standardized protocol के जरिए connect करने में मदद करना।

5. MCP के तीन core primitives कौन-से हैं?

Tools, Resources और Prompts.

Intermediate Level

6. MCP Host, Client और Server में क्या difference है?

Host AI application है, Client protocol communication manage करता है और Server capabilities expose करता है।

7. क्या AI Agent को MCP की जरूरत होती है?

नहीं। Agent direct integrations या दूसरे tool interfaces भी use कर सकता है। MCP एक supported integration option है।

8. Multi-agent architecture कब उपयोग करनी चाहिए?

जब अलग tasks को specialized agents में divide करने से ownership, tools, policies या workflow management बेहतर होता हो।

9. AI agent में guardrails क्यों जरूरी हैं?

वे unsafe inputs, unauthorized tool calls और risky actions को control करने में मदद करते हैं।

10. MCP server को secure कैसे करेंगे?

Authentication, authorization, least privilege, input validation, trusted connections, logging और sensitive operations के लिए suitable approval controls के जरिए।

18. Practice Exercises#

इन exercises से concepts को practically समझने की कोशिश करें।

• Exercise 1: एक सामान्य chatbot और एक AI agent के बीच पाँच differences लिखें।
• Exercise 2: Documentation assistant के लिए agent workflow diagram बनाएँ।
• Exercise 3: तीन tools define करें — search_docs, read_document और get_document_metadata।
• Exercise 4: MCP Host, Client और Server का diagram बनाएँ।
• Exercise 5: Tools, Resources और Prompts के लिए एक-एक practical example लिखें।
• Exercise 6: एक hypothetical MCP server का tool input schema तैयार करें।
• Exercise 7: Identify करें कि कौन-से actions human approval require करेंगे।
• Exercise 8: Tool failure और malicious document content के लिए test cases बनाएँ।

19. Summary#

AI Agents और MCP अलग लेकिन complementary concepts हैं।

AI Agent user के goal को समझकर available tools और workflow के जरिए task complete करने में मदद करता है। MCP एक open protocol है जो compatible AI applications और external integrations के बीच context और capabilities exchange करने का standardized तरीका देता है।

मुख्य concepts:

• AI Agent और Agentic AI
• Tool calling और agent loop
• Single-agent और multi-agent architecture
• MCP Host, Client और Server
• MCP Tools, Resources और Prompts
• Guardrails, permissions और human approval

अगर आप beginner हैं, तो पहले एक simple tool-using agent बनाना सीखें। उसके बाद MCP architecture समझें और एक छोटा documentation MCP server implement करें।

याद रखने वाली बात: Reliable AI application बनाने के लिए केवल intelligent model पर्याप्त नहीं है। अच्छी tools design, clear permissions, reliable workflows और proper evaluation भी जरूरी हैं।

20. Related Cheat Sheets#

इस topic को समझने के लिए ये related guides पढ़ें:

• AI Fundamentals Cheat Sheet — Artificial Intelligence की basics।
• LLMs Cheat Sheet — Large Language Models कैसे काम करते हैं।
• Prompt Engineering Cheat Sheet — Better prompts लिखना सीखें।
• Embeddings / Vector Database Cheat Sheet — Semantic search और vector storage।
• RAG Cheat Sheet — External knowledge के आधार पर grounded answers।