Khi xây dựng một hệ thống AI Agent thực tế trong doanh nghiệp, phần tốn công sức bảo trì nhất thường không phải là bản thân mô hình ngôn ngữ (LLM), mà là hàng chục đầu mối kết nối xung quanh nó: làm sao để AI đọc được tệp trên Google Drive/SharePoint, truy vấn dữ liệu từ PostgreSQL, kiểm tra lịch trống trên Calendar và gửi thông báo qua Slack hay Zalo. Sự ra đời và phổ biến của Model Context Protocol (MCP) đã giải quyết triệt để bài toán phân mảnh tích hợp này.

Bài toán tích hợp "M nhân N" trước khi có MCP

Trước đây, mỗi mô hình AI (Claude, OpenAI, Gemini hay các mô hình mở) lại có cách định nghĩa cấu trúc gọi hàm (Function Calling / Tool Schema) hơi khác nhau. Khi một doanh nghiệp có 3 ứng dụng AI nội bộ cần kết nối tới 5 hệ thống dữ liệu (ERP, HRM, CRM, Kho tài liệu, Hệ thống thông báo), đội ngũ kỹ thuật phải viết và duy trì các lớp kết nối tùy biến (custom connectors) chồng chéo. Mỗi khi một API thay đổi phiên bản, toàn bộ các ứng dụng AI phía trên đều phải sửa lại code.

Model Context Protocol (MCP) — giao thức mở do Anthropic khởi xướng và được cộng đồng công nghệ đón nhận rộng rãi — chuẩn hóa toàn bộ quá trình này theo kiến trúc Client–Server thống nhất:

  • MCP Server: Đóng vai trò là lớp bọc chuẩn hóa nằm ngay trước nguồn dữ liệu hoặc phần mềm nội bộ, công bố rõ ràng 3 thành phần: Resources (dữ liệu cho phép đọc), Tools (các hàm cho phép thực thi) và Prompts (các mẫu ngữ cảnh chuẩn).
  • MCP Client: Nằm trong ứng dụng AI Agent, có thể tự động khám phá và giao tiếp với bất kỳ MCP Server nào thông qua giao thức JSON-RPC chuẩn mà không cần biết chi tiết cài đặt bên dưới.
"Nếu REST API chuẩn hóa cách các ứng dụng web nói chuyện với nhau, thì MCP chính là lớp giao thức chuẩn giúp các AI Agent hiểu được mình được phép đọc dữ liệu gì và sử dụng công cụ nào trong hệ thống doanh nghiệp."

Cách Tekino ứng dụng kiến trúc MCP vào hệ thống HR Agent

Trong bài toán tự động hóa quy trình tuyển dụng tại Tekino, thay vì viết một khối mã nguồn nguyên khối (monolithic), chúng tôi tách biệt rõ ràng phần lõi suy luận của HR Agent và các đầu mối dữ liệu thông qua 3 MCP Server độc lập:

1. Document & CV Storage MCP Server

Cung cấp khả năng đọc và trích xuất nội dung văn bản từ kho lưu trữ hồ sơ ứng viên. Server này đảm nhiệm luôn việc kiểm tra định dạng tệp, quét an toàn và ẩn danh thông tin nhạy cảm trước khi trả dữ liệu văn bản sạch về cho Agent.

2. ATS Database MCP Server

Cung cấp các công cụ (Tools) được kiểm soát chặt chẽ về mặt tham số như search_candidates_by_skill, get_job_requirements hoặc update_interview_stage. Nhờ đó, AI Agent không bao giờ được phép tự sinh câu lệnh SQL thô chạy trực tiếp vào cơ sở dữ liệu, loại bỏ hoàn toàn nguy cơ xóa nhầm dữ liệu hoặc truy cập trái phép.

3. Workplace Communication MCP Server

Đóng gói các thao tác kiểm tra lịch trống của hội đồng phỏng vấn và gửi thông báo tóm tắt ứng viên vào kênh trao đổi của bộ phận Tuyển dụng, kèm theo cơ chế yêu cầu xác nhận trước khi gửi thư mời chính thức.

Lợi ích thiết thực về mặt kỹ thuật và bảo mật

  • Kiểm soát phân quyền tập trung: Mọi quy tắc bảo mật, giới hạn tốc độ gọi (rate limit) và ghi nhật ký (audit log) đều được thực thi ngay tại tầng MCP Server, không phụ thuộc vào việc mô hình AI có "nghe lời" hay không.
  • Tái sử dụng cho nhiều Agent khác nhau: Cùng một MCP Server kết nối vào hệ thống nhân sự hoặc ERP có thể được tái sử dụng ngay lập tức cho cả HR Agent, Onboarding Agent lẫn trợ lý tra cứu nội bộ mà không tốn công viết lại phần tích hợp.
  • Linh hoạt thay đổi mô hình AI: Doanh nghiệp có thể chuyển đổi linh hoạt giữa các mô hình LLM thương mại và mô hình mã nguồn mở nội bộ ở phía Client mà toàn bộ hệ thống công cụ phía sau vẫn giữ nguyên.