AI මොඩලයන්ට භාවිතා කරන MCP (Model‑Centered Programming) සර්වර්වල ගුණාත්මක පරීක්ෂාවක් අවශ්ය බව ඉකුත් සතියේ තවත් ත්රිත්වයක් පෙන්වා දුන්නා. පරිශීලකයන්ට මෙවලම් ලැයිස්තුවක් ඉදිරිපත් කරන විට, ඒ ලැයිස්තුවේ විස්තර, JSON schema, නාමය යන සියල්ලම මොඩලයට පෙන්වෙයි. එම තොරතුරු ඉතා බර වුවහොත්, සර්වර් එකක් තවත් නොකැමතිවම බොහෝ token ගෙවයි.
මෙම ගැටළුවට විසඳුමක් ලෙස mcp-scorecard නමින් Python පැකේජයක් නිකුත් කරන ලදී. එය MCP සර්වර් එකක ප්රකාශිත මුහුණත (surface) විශ්ලේෂණය කර, නාලිකා 4ක් මත පදනම්ව පූර්ව පරීක්ෂාවක් සිදු කරයි. ප්රථම ස්තරය ‘Passive Footprint’ ලෙස token ගණන ගණනය කර, 1500 token ඉක්මවන සර්වර්වලට ‘YELLOW’ සලකුණක් දෙනු ඇත. දෙවන ස්තරය විස්තරයේ token බහුලතාවය පරීක්ෂා කර, 150 token ඉක්මනේ නම් ‘bloat’ ලෙස ලකුණු කරයි.
තවත් දෙක ස්තරයන් වන්නේ මෙවලම් ගණන (Tool Count) සහ නාමය/වර්ණනා අසම්භාවිතා (Name Collision) පරීක්ෂා කිරීමයි. ඒ සියල්ලම pip install mcp-scorecard කමාන්ඩ් එකෙන් ක්රියාත්මක කර, mcp-scorecard scan ./your-server.py ලෙස ලිපිගොනුවක් පරීක්ෂා කළ හැකිය. ප්රතිඵලය A‑F ශ්රේණිගත කර, එක් එක් මෙවලමට සවිස්තරාත්මක සටහන් ලබා දේ.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ තරුණ ඩිවෙලපර්, AI උපාධිධාරීන් සහ තාක්ෂණික ව්යාපාරිකයින් සඳහා මෙය විශාල වාසියක් ගෙන එයි.
- ඉගෙනුම් වේගය: පූර්ව පරීක්ෂකය මගින් මොඩලයට අධික token භාවිතය වැළැක්වීම නිසා, ව්යාපෘති පරික්ෂණ වේගය වැඩිවේ.
- වියදම් ඉතිරි කිරීම: අඩු token පාවිච්චියෙන් OpenAI/Claude වැනි සේවා සැපයුම්කරුවන්ගේ ගාස්තුව අඩු වේ.
- ආරක්ෂක වාසි: අනිසි විස්තර හෝ අධික schema එකක් නොලැයිස්තු කිරීමෙන් දත්ත හෙළිවීමේ අවදානම අඩුවේ.
ඉදිරියේදී ශ්රී ලංකාවේ AI‑මූලික නිෂ්පාදන සංවර්ධනයට මූලික පදක්කමක් වශයෙන්, mcp-scorecard වැනි මෙවලම් පාවිච්චියෙන් ගුණාත්මක, ආරක්ෂිත සහ පරිභෝජන‑හිතකාමී සේවා නිර්මාණය කරගත හැක.
අවසන් වශයෙන්, MCP සර්වර් ප්රකාශයට පෙර මෙම පූර්ව පරීක්ෂකය භාවිතා කිරීම, සංවර්ධකයින්ට නිවැරදි, කාර්යක්ෂම සහ ආරක්ෂිත AI මෙවලම් සපයන්නට මඟ පෙන්වයි.
