Het Protocol van Agenten: Het MCP-potentieel van Web3

Oorspronkelijk begonnen als een experimenteel zijproject bij Anthropic, is het Model Context Protocol (MCP) uitgegroeid tot de facto standaard voor het orkestreren van agentie-interacties over datasets, computationele middelen en externe artefacten.

Het kan een van de meest transformerende protocollen voor het AI-tijdperk vertegenwoordigen en is uitstekend geschikt voor Web3-architecturen.

Net zoals HTTP de webcommunicatie heeft getransformeerd, biedt MCP een universeel raamwerk dat vrijwel elk groot AI-platform in staat stelt slimme agenten te integreren met diverse informatiebronnen en operationele eindpunten.

Een Korte Introductie tot MCP

MCP was oorspronkelijk ontworpen om de interacties tussen prototype-agenten en documentopslag te stroomlijnen. Vroege successen in het coördineren van opvragingen en redeneerwerkstromen trokken de aandacht van andere labs, en tegen midden 2024 hadden onderzoekers open-source referentie-implementaties uitgerold. 

Een golf van door de gemeenschap aangedreven uitbreidingen volgde snel, waardoor MCP veilige uitwisseling van referenties, gespreide leerscenario’s en plugin-achtige resource-adapters kon ondersteunen. Begin 2025 hadden toonaangevende platformen—waaronder OpenAI, Google DeepMind en Meta AI—MCP native omarmd, waarmee de rol ervan als het HTTP-equivalente protocol voor agentische communicatie werd versterkt.

MCP maakt gebruik van een lichtgewicht client-serverparadigma met drie hoofdrolspelers: de MCP Host (een AI-toepassing die verzoeken orkestreert), één of meer MCP Clients (componenten die toegewijde verbindingen onderhouden), en MCP Servers (diensten die contextuele primitives blootstellen). Elk client-serverpaar communiceert via een afzonderlijk kanaal, wat parallel context ophalen van meerdere servers mogelijk maakt.

De Data Layer van MCP draait om drie fundamentele componenten—Tools, Resources en Prompts—die samen naadloze samenwerking tussen agenten mogelijk maken.

Tools omvatten externe operaties of functies die een agent kan aanroepen om gespecialiseerde taken uit te voeren, terwijl Resources de data-eindpunten vertegenwoordigen—zoals databases, vectoropslag en on-chain orakels—waaruit agenten contextuele informatie kunnen ophalen.

Prompts dienen als gestructureerde sjablonen die het redeneerproces van een agent sturen en definiëren hoe invoer geformuleerd en geïnterpreteerd moet worden. Door deze kernbouwstenen te standaardiseren, zorgt MCP ervoor dat diverse agents mogelijkheden op een consistente, interoperabele manier kunnen ontdekken, aanvragen en gebruiken, ongeacht de onderliggende infrastructuur.

MCP en Web3

Vanuit een eerste-principes perspectief zou de kruising van Web3 en MCP zich kunnen manifesteren in twee belangrijke gebieden:

1. Het mogelijk maken dat elke blockchain-dataset en gedecentraliseerd protocol functioneert als een MCP-server of -client
2. Gebruik Web3 om een nieuwe generatie MCP-netwerken aan te drijven.

Samen bieden deze vereisten een uitbreidbaar, vertrouwensminimaliserend kader voor agentische intelligentie.

Web3-gegevens als MCP-artefacten

Om AI-agenten in crypto-omgevingen te versnellen, is naadloze toegang tot on-chain data en smart-contract functionaliteit van het grootste belang. Wij voorzien dat blockchain nodes blok- en transactiegeschiedenissen via MCP-servers zullen blootstellen, terwijl DeFi-platforms samenstelbare operaties via MCP-interfaces publiceren.

Complementair aan dit patroon fungeren traditionele crypto-poorten—beurzen, wallets, explorers—als MCP-cliënten, die uniform context opvragen en verwerken. Stel je een enkele agent voor die gelijktijdig communiceert met Aave’s leenmarkten, Layer0’s cross-chain bruggen en MEV-analyses, allemaal via dezelfde coherente programmeerinterface.

Web3 MCP-netwerken

MCP is een ongelooflijk krachtig protocol, maar het zal, net als HTTP, evolueren van geïsoleerde eindpunten naar het aandrijven van volledige netwerken. Tegenwoordig vereist het gebruik van MCP nog steeds gedetailleerde kennis van client- en servereindpunten. Evenzo zijn mogelijkheden zoals authenticatie en identiteit kernonderdelen die momenteel ontbreken in de protocollen, maar essentieel zijn voor de gestroomlijnde adoptie van MCP.

De volgende fase van MCP zal worden aangedreven door netwerkplatforms die enkele meer geavanceerde mogelijkheden mogelijk maken:

• Dynamische ontdekking die de juiste MCP-eindpunten voor een bepaalde taak blootlegt.
• Zoekfuncties die agents in staat stellen de juiste MCP-eindpunten te vinden.
• Beoordelingen van MCP-servers en -clients om hun reputatie bij te houden.
• Coördinatie van MCP-servers om een specifiek resultaat te bereiken.
• Verifieerbaarheid van de output die door MCP-eindpunten wordt geproduceerd.
• Traceerbaarheid van de interacties met MCP-klanten en -servers
• Authenticatie- en toegangscontrolemechanismen voor MCP-servers.

Veel van deze mogelijkheden vereisen het juiste niveau van economische prikkels om de knooppunten in een MCP-netwerk te coördineren. Dit lijkt een perfecte combinatie te zijn in AI-hemel voor Web3. Traceerbaarheid, trustless en verifieerbare berekeningen zijn enkele van de belangrijkste bouwstenen die de eerste generatie MCP-netwerken kunnen aandrijven. Web3 is de meest efficiënte technologie van meerdere generaties om computationele netwerken aan te drijven en MCP heeft nieuwe netwerken nodig.

Project Namda

Het idee om Web3 en MCP te combineren om een nieuwe generatie MCP-netwerken aan te drijven, is geenszins theoretisch en we beginnen echte vooruitgang te zien in deze sector. Een van de meest interessante initiatieven op dit gebied is MIT’s Project Namda.

Aangestuurd door onderzoekers van CSAIL en het MIT-IBM Watson AI Lab, werd Namda in 2024 gelanceerd om baanbrekende, schaalbare, gedistribueerde agentgebaseerde raamwerken te ontwikkelen, gebaseerd op de messaging-structuren van MCP. Namda (Networked Agent Modular Distributed Architecture) creëert een open ecosysteem waarin heterogene agenten—variërend van cloudservices, edge-apparaten tot gespecialiseerde accelerators—naadloos context kunnen uitwisselen en complexe workflows kunnen coördineren. Door gebruik te maken van MCP’s gestandaardiseerde JSON-RPC-primitieven, toont Namda aan hoe grootschalige, low-latency samenwerking gerealiseerd kan worden zonder concessies te doen aan interoperabiliteit of beveiliging.

De architectuur van Namda omvat al veel van de ideeën van een gedecentraliseerd MCP-netwerk, zoals dynamische knooppuntontdekking, load balancing en fouttolerantie over gedistribueerde clusters. Met een gedecentraliseerd register geïnspireerd op blockchain-technieken, zorgt Namda voor verifieerbare agentidentiteiten en beleidsgestuurde resource-arbitrage, waardoor vertrouwde multi-party workflows mogelijk zijn. Uitbreidingen voor token-gebaseerde prikkelmechanismen en end-to-end herkomsttracking verrijken het protocol verder, waarbij vroege prototypes efficiënte federated learning op beeld- en taalgerelateerde taken demonstreren, verspreid over wereldwijde testomgevingen.

Een Andere Basis voor Gedecentraliseerde AI

Decennialang heeft gedecentraliseerde AI moeite gehad om een duidelijke toepassing te vinden voor het aandrijven van mainstream AI-toepassingen. De opkomst van MCP en de behoefte aan MCP-netwerken zijn snel uitgegroeid tot een van de meest prominente use cases voor een nieuwe generatie AI-infrastructuur. Dit zou wel eens een van de grootste toepassingen in AI kunnen zijn en een die Web3 bij uitstek geschikt is om aan te pakken. De combinatie van Web3 en MCP zou wel eens een nieuwe basis kunnen vormen voor gedecentraliseerde AI.