MCP چیست؟ استاندارد باز اتصال هوش مصنوعی به ابزارها و داده‌ها


MCP چیست و چرا همه درباره‌اش حرف می‌زنند؟ #

تصور کنید هر ابزار، هر پایگاه داده و هر سرویسی که می‌خواهد به یک دستیار هوش مصنوعی وصل شود، به یک کابل و پورت متفاوت نیاز داشته باشد؛ این دقیقاً وضعیت اکوسیستم AI پیش از MCP بود. MCP یا Model Context Protocol استاندارد بازی از Anthropic است که در نوامبر ۲۰۲۴ معرفی شد تا اتصال سیستم‌های هوش مصنوعی به داده‌ها و ابزارها را یک‌دست و قابل‌تکرار کند. ساده‌ترین تشبیه معروف، USB-C برای دنیای AI است: یک پورت مشترک برای همهٔ اتصال‌ها.

مشکل اصلی: ادغام‌های پراکنده و تکراری #

قبل از MCP، هر اپلیکیشن AI برای وصل شدن به هر منبع داده (گیت‌هاب، اسلاک، پایگاه داده و…) باید یک یکپارچه‌سازی اختصاصی می‌نوشت. با N اپلیکیشن و M منبع داده، به N×M اتصال سفارشی نیاز بود؛ کاری که هم پرهزینه است و هم شکننده. MCP این معادله را به N+M تغییر داد: هر اپلیکیشن یک‌بار MCP Client می‌شود و هر منبع داده یک‌بار MCP Server.

ℹ️ اطلاعات: MCP در نوامبر ۲۰۲۴ توسط Anthropic معرفی شد و تا امروز توسط جامعه، هزاران MCP Server ساخته شده و SDKهای رسمی برای زبان‌های اصلی برنامه‌نویسی منتشر شده است.

معماری سه‌جزئی: Host، Client و Server #

معماری MCP حول سه نقش می‌چرخد:

  • MCP Host: برنامهٔ هوش مصنوعی که کاربر با آن کار می‌کند؛ مثل Claude Desktop یا یک IDE هوشمند.
  • MCP Client: کانکتوری داخل Host که اتصال ۱:۱ با یک سرور را مدیریت می‌کند.
  • MCP Server: برنامه‌ای سبک که قابلیت‌های یک منبع داده یا ابزار را با پروتکل مشترک ارائه می‌دهد؛ مثلاً سرورهای آمادهٔ Google Drive، Slack، GitHub، Git، Postgres و Puppeteer که در معرفی اولیه منتشر شدند.
┌─────────────────────────────┐
│        MCP Host (IDE)       │
│  ┌──────────┐ ┌──────────┐  │
│  │ Client 1 │ │ Client 2 │  │
└──┴────╥─────┴┴────╥─────┴──┘
        ║           ║
   ┌────╨────┐ ┌────╨─────┐
   │ Server: │ │ Server:  │
   │ GitHub  │ │ Postgres │
   └─────────┘ └──────────┘

سه مفهوم اصلی در MCP #

هر MCP Server قابلیت‌های خود را با سه primitive استاندارد ارائه می‌دهد:

  1. Tools: توابعی که مدل می‌تواند صدا بزند؛ مثل جستجوی گیت‌هاب یا اجرای یک کوئری. کنترل آن با مدل است.
  2. Resources: داده‌های قابل‌خواندن مثل فایل‌ها، اسکیمای پایگاه داده یا مستندات؛ کنترل آن با اپلیکیشن است.
  3. Prompts: قالب‌های آمادهٔ پرامپت که کاربر انتخاب می‌کند؛ کنترل با کاربر است.

یک تعریف Tool در سمت سرور چیزی شبیه زیر است:

json
{
  "name": "get_document",
  "description": "Retrieve a document from Google Drive",
  "inputSchema": {
    "type": "object",
    "properties": {
      "documentId": { "type": "string" }
    },
    "required": ["documentId"]
  }
}

چرا MCP به استاندارد صنعتی تبدیل شد؟ #

سه عامل کلیدی باعث پذیرش سریع شد:

  • باز و مستقل از سازنده: MCP یک استاندارد باز است؛ نه وابسته به یک مدل و نه یک ابر.
  • انتشار هم‌زمان ابزارها: از روز اول، SDKها، پشتیبانی داخل Claude Desktop و یک مخزن متن‌باز از سرورها موجود بود.
  • پذیرش صنعت: شرکت‌هایی مثل Block و Apollo در معرفی اولیه به‌عنوان کاربران اولیه معرفی شدند و ابزارهای توسعه مثل Zed، Replit، Codeium و Sourcegraph ادغام خود را آغاز کردند.

از آن موقع، الگوی مصرف هم بالغ شده است؛ برای مثال، روش‌های جدید مثل اجرای کد برای تعامل بهینه‌تر با صدها ابزار، هزینهٔ توکن و تأخیر عامل‌ها را کاهش می‌دهد (پژوهش Anthropic دربارهٔ اجرای کد با MCP).

💡 نکته: اگر می‌خواهید ایدهٔ MCP را سریع تجربه کنید، بهترین مسیر ساخت یک سرور کوچک برای یک API داخلی خودتان است؛ مستندات رسمی یک راهنمای شروع سریع دارد.

MCP با Function Calling معمولی چه فرقی دارد؟ #

Function Calling یک قابلیت در سطح مدل است، اما MCP یک لایهٔ استاندارد در سطح اکوسیستم: با MCP، همان سرور با هر اپلیکیشن سازگار با پروتکل (Claude Desktop، IDEها و هر Client دیگر) کار می‌کند و نیازی به بازنویسی schemaها برای هر پلتفرم نیست. یعنی هزینهٔ نگهداری اتصال‌ها یک‌بار برای همیشه پرداخت می‌شود.

جمع‌بندی #

MCP مشکل قدیمی N×M ادغام را با یک قرارداد مشترک به N+M رساند و به همین دلیل خیلی زود به استاندارد عملی اتصال عامل‌های هوش مصنوعی به ابزارها و داده‌ها تبدیل شد. اگر با اکوسیستم Claude و ابزارهای کلاد کار می‌کنید، مطلب ما دربارهٔ استفادهٔ حرفه‌ای از مهارت‌های کلاد گام بعدی خوبی برای عمیق‌تر شدن است؛ و برای شروع عملی، مستندات modelcontextprotocol.io و مقالهٔ معرفی رسمی نقطهٔ شروع شما هستند.

این پست چطور بود؟

پست‌های مرتبط