تصور کنید هر بار که مدل هوش مصنوعی خود را از کلود به جیپیتی تغییر میدهید، مجبور باشید تمام اتصالات دیتابیس و ابزارهای سیستمی خود را از ابتدا بازنویسی کنید. این «خستگی از یکپارچهسازی» دقیقاً همان نقطهای است که پروتکل زمینهٔ مدل (Model Context Protocol یا MCP) آن را هدف قرار داده است.
مایک اسپلور (Mike Splore)، توسعهدهنده، نشان داد که ساخت یک سرور MCP سفارشی پروژهای است که در یک آخر هفته قابل انجام است و نیاز به بازنویسی کدهای رابط (Glue Code) برای هر مدل جدید را از بین میبرد. با انتقال به یک پروتکل استاندارد، توسعهدهندگان میتوانند زیرساخت خود را از ارائهدهندگان خاص مدلها جدا کنند. طبق گزارش منتشر شده در وبسایت dev.to در ۸ اوت ۲۰۲۶، این رویکرد مشکل «M×N» را حل میکند؛ یعنی دیگر لازم نیست برای هر مدل (M) و هر ابزار (N)، یک اتصال مجزا بسازید.
تغییر به سمت استانداردسازی
بسیاری از توسعهدهندگان در حال حاضر منطق لازم را در اختیار دارند؛ اگر یک اپلیکیشن قابلیت فراخوانی تابع داشته باشد، تقریباً ۸۰٪ مسیر تبدیل شدن به یک سرور MCP را طی کرده است. MCP در واقع یک پروتکل استاندارد برای نمایش ابزارها به مدلهای زبانی بزرگ (LLM) است که نخستین بار در نوامبر ۲۰۲۴ توسط آنتروپیک (Anthropic) معرفی شد. این استانداردسازی در محیطهای تجاری نیز بسیار موثر است، چنانکه در پیادهسازیهای B2B شاهد حذف کدهای پیچیده یکپارچهساز بودهایم.
این تغییر در حالی رخ میدهد که کاربران کلود کد (Claude Code) و دیگر کلاینتهای عاملمحور به دنبال راهی هستند تا زیرساختهای واقعی را بدون ایجاد اتصالات شکننده و مدل-محور مدیریت کنند. تصور کنید هوش مصنوعی شما فقط چت نکند، بلکه از طریق یک رابط واحد و قابل انتقال، مستقیماً رم سرور شما را مدیریت کند یا کاربران را در دیتابیس مسدود نماید.
همانطور که در تحلیلهای پیشین ما دربارهی امنیت مدلهای بازمتن اشاره کردیم، استانداردسازی لایههای دسترسی، اولین قدم برای کاهش خطاهای سیستمی است. در واقع MCP — مثل یک تبدیل برق جهانی است که اجازه میدهد هر دستگاهی را به هر پریزی در هر کشوری وصل کنید — ابزارهای شما را از مدلها مستقل میکند.
بر اساس مستندات فنی، فرآیند پیادهسازی از این مسیر عبور میکند:
جزئیات پیادهسازی
- استخراج ابزارهای موجود: شناسایی توابعی که در حال حاضر کارهای مفیدی انجام میدهند، مانند لیست کردن پروژهها، بررسی میزان مصرف داده یا مسدود کردن کاربران.
- بازطراحی طرحواره (Schema): مجموعههای ابزار موجود برای انطباق با مشخصات MCP که در سایت modelcontextprotocol.io یافت میشود، بازسازی میشوند. این کار عمدتاً شامل تغییر نام و ساختار مجدد طرحوارههای JSON موجود است. این دقت در طراحی طرحوارهها به جلوگیری از توهمات پارامتری در مدلهای زبانی و افزایش دقت بازیابی دادهها کمک میکند.
- تست محلی: سرورها ابتدا روی stdio (ورودی/خروجی استاندارد) اجرا میشوند. اسپلور سرور خود را از طریق پلاگین کلاین (Cline) تست کرد و این سیستم در اولین تلاش با موفقیت کار کرد.
- دسترسی از راه دور: برای فعال کردن دسترسی از راه دور برای کلاینتهایی مانند کلود، سرور از طریق HTTP منتشر شده، توسط انجیناکس (Nginx) مسیریابی میشود و برای مدیریت چند-مستاجری (Multi-tenancy) با سیستم احراز هویت ایمن میگردد.
اجرای واقعی
در یک اجرای واقعی، اسپلور قدرت این ترکیبپذیری را به نمایش گذاشت. در یک مورد، یک پرامپت واحد از طریق گوشی تلفن، چهار ابزار مجزا را در یک لپتاپ فعال کرد تا وضعیت باتری، مصرف داده و اتصال شبکه را بررسی کرده و همزمان یک نوتیفیکیشن پوش (Push Notification) ارسال کند.
در سناریویی پیچیدهتر، مدل یک سرور اوبونتو را که ۸۰٪ رم آن اشغال شده بود، بررسی کرد. تحت یک محدودیت سختگیرانه مبنی بر اینکه مدل اجازه ندارد هیچ پردازشهایی را تغییر دهد، ریاستارت کند، بکشد (Kill) یا متوقف کند، هوش مصنوعی به طور همزمان آمار زنده حافظه، پردازشهای برتر (Top Processes) و میزان استفاده از داکر را استخراج کرد. سپس درباره ریسکهای کمبود حافظه (OOM) استدلال کرد و یک گزارش PDF فرمتشده تولید نمود.
این موضوع یک تمایز کلیدی را برجسته میکند: سرور MCP اجرای دستورات را روی زیرساخت شما فراهم میکند، در حالی که مدل کلاینت، قابلیتهای استدلال و گزارشنویسی (مانند تولید PDF) را ارائه میدهد؛ قابلیتهایی که شما هرگز مجبور نبودید خودتان بنویسید. این تفکیک وظایف، هستهی اصلی نقشه راه ساخت عاملهای هوش مصنوعی است که در آن ابزارها از منطق استدلال جدا میشوند.
ترکیبپذیری و زمینه
برای یک توسعهدهنده عملگرا، این به معنای پایان «خستگی از یکپارچهسازی» است. شما دیگر یک «یکپارچهسازی برای کلود» یا «یکپارچهسازی برای جیپیتی» نمیسازید؛ بلکه یک سرور MCP میسازید که هر کلاینت سازگاری میتواند آن را هدایت کند. این معماری ترکیبپذیری را بر بازاختراع ابزارها ترجیح میدهد.
با ساخت سرور خود، میتوانید با تغییر جامعه توسعهدهندگان به سمت مینیمالیسم در MCP همسو شوید. این رویکرد به شما اجازه میدهد با کنترل دقیق ابزارهایی که نمایش داده میشوند، زمینه (Context) خود را سبک نگه دارید و از تورم زمینه (Context Bloat) جلوگیری کنید.
این رویکرد، LLM را از یک چتبات ساده به یک اپراتور راه دور برای استک فنی خاص شما تبدیل میکند. جداسازی زیرساخت از مدل به تنهایی ارزش این تلاش را دارد، زیرا تضمین میکند که مجموعه ابزارهای شما فارغ از اینکه ماه آینده کدام مدل در بنچمارکها پیشتاز باشد، قابل انتقال باقی بماند.
گام بعدی شما
- مستندات رسمی در modelcontextprotocol.io را بررسی کنید.
- سه تابع پرکاربرد در اپلیکیشن فعلی خود را شناسایی کنید تا آنها را به اولین سرور MCP خود منتقل کنید.
- از کلاینتهایی مثل Cline برای تست سریع ابزارهای محلی استفاده کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو