A Comprehensive Study and Implementation of Agentic AI via MCP Servers
Notice bibliographique
Résumé
Agentic and Multi-Agent Artificial Intelligence (AI) systems are revolutionizing business operations and collaborative decision-making. The convergence of Agentic Artificial Intelligence (Agentic AI) and Multi-Agent Systems (MAS) into enterprise ecosystems marks a paradigm shift to autonomous, adaptive, and context-aware decision-making. A structured approach is taken, classifying the literature into five themes: agentic architectures, multi-agent coordination, ethical governance, tool ecosystems, and enterprise case studies. Comparative analysis picks up improvements like layered agentic frameworks and real-time anomaly detection, as well as revealing substantial deficits in scalability, explainability, persistent learning, and multi-agent orchestration. Standardized evaluation benchmarks, interoperable toolchains, ethical governance models, and hybrid human-agent collaboration frameworks need to be developed through future research. The research concludes that the shift from conceptual innovation to enterprise-level deployment is a multidisciplinary exercise that synergizes AI research, systems engineering, and organizational change management. This review has been designed to steer researchers and practitioners alike to convert Agentic AI into an actionable force for sustainable digital transformation in enterprise settings. Additionally, we introduce a multi-location MCP(Model Context Protocol) Server implementation comprising three servers: (1) a Web/API server, (2) a data source server hosting Text-to-SQL and RAG tools, and (3) a secondary data source server with identical tools, all operating in distributed locations. The MCP servers are critical for aggregating and managing data from heterogeneous sources, enabling seamless integration with Large Language Models (LLMs) for real-time query resolution and reasoning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».