تصور کنید ۳۰ دقیقه از زمانتان را صرف نوشتن یک کوئری پیچیده کنید و در نهایت باز هم به جواب نرسید. این کابوس هر توسعهدهندهای است که با حجم عظیمی از دادههای سیستم سروکار دارد.
در ۸ ژوئن ۲۰۲۶، شرکت تنسنت با معرفی تنسنت کلاد لاگ سرویس (Tencent Cloud Log Service - CLS) و سرور MCP، این مشکل را حل کرد. این ابزار اجازه میدهد تا کاربر با زبان طبیعی از هوش مصنوعی سؤال کند و مدل، آن را مستقیماً به دادههای لاگ متصل کند.
در پوشش پیشین ما از چالشهای استدلال منطقی در مدلهای زبانی، دیدیم که این مدلها در مواجهه با ساختارهای سختگیرانه و ریاضیات دقیق شکست میخورند. پروتکل کانتکست مدل یا MCP (Model Context Protocol) — شبیه به یک تبدیل یا آداپتور جهانی که اجازه میدهد هر دستگاهی به هر پریزی وصل شود — دقیقاً برای حل این مشکل ساخته شده است. این پروتکل، استدلال مدل را به منابع داده خارجی متصل میکند.
طبق اعلام تنسنت، سرور MCP سه قابلیت اصلی دارد:
- پرسوجوی مستقیم از لاگها
- تبدیل زبان طبیعی به کوئریهای فنی
- کمککنندههای آگاه به بافت (Context-aware helpers)
این کمککنندهها مانع از توهم (Hallucination) — وقتی مدل با اطمینان چیزی میگوید که اصلاً وجود ندارد، مثل دوستی که خاطرهای را اشتباه تعریف میکند — میشوند. برای درک دقیقتر علت وقوع این خطاها، میتوان به بررسی مکانیسم توجه در مدلهای زبانی پرداخت تا مشخص شود چرا مدلها گاهی واقعیت را با تخیل اشتباه میگیرند. مدل به جای حدس زدن، شناسههای موضوعی (Topic IDs) و اختصارات منطقهای را بهطور خودکار جستوجو میکند. به نقل از گزارش dev.to، برای راهاندازی این سیستم به یک محیط Node.js و حساب کاربری با دسترسیهای خاص مثل cls:SearchLog نیاز است.
در مقایسه با ابزار قدیمی CLS Dify، این اجرای جدید قابلیتهای حیاتیتری مثل بازیابی برخطِ مهر زمانی (Timestamp) را اضافه کرده است. کاربران میتوانند این سرور را با یک تنظیم سادهی JSON در کلاینتهایی مثل Cherry Studio فعال کنند.
برای یک اپراتور عملیاتی، این یعنی گلوگاه کار از «دانستن سینتکس پیچیده» به «پرسیدن سؤال درست» تغییر میکند. این تحول نشان میدهد که توسعهدهندگان در حال فاصله گرفتن از مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن برای گرفتن بهترین جواب — و حرکت به سمت استفاده از ابزارهای ساختارمند و پروتکلمحور هستند.
گام بعدی شما
- اگر از سرویسهای ابری تنسنت استفاده میکنید، ابتدا مجموعهای از حداقلیترین دسترسیها را به حساب کاربری بدهید تا ریسک امنیتی کاهش یابد.
- بررسی کنید آیا سایر سرویسهای Observability شما نیز سرورهای MCP ارائه دادهاند یا خیر.
- برای کاهش نرخ خطا، مدل خود را به جای پرامپتهای طولانی، به منابع دادهی متصل کنید.
اما این تنها بخشی از پازل است؛ برای درک نقش پروتکلهای استاندارد در آیندهی عاملهای هوش مصنوعی، تحلیل ما دربارهی معماری MCP را بخوانید.
گفتگو