تصور کنید برنامه‌نویسی هستید که دیگر نیازی ندارد برای توضیح یک باگ، ساعت‌ها اسکرین‌شات بگیرد یا متن تیکت‌ها را کپی کند. استودیو مایر (StudioMeyer) زمانی هوش مصنوعی را به یک «اسباب‌بازی جالب» تشبیه می‌کرد، اما ادغام «پروتکل زمینهٔ مدل» (Model Context Protocol یا MCP) در حال تبدیل آن به ابزاری است که با حذف کپی-پیست دستیِ زمینه‌ها، در زمان و نیروی کار صرفه‌جویی می‌کند. با پیاده‌سازی MCP، دستیاران هوش مصنوعی اکنون می‌توانند مستقیماً به قلب ابزارهای کاری شما نفوذ کنند.
به گزارش منابع فنی، این تحول باعث شده تا ابزارهایی مثل Claude بتوانند یک تیکت در Jira را با مستندات متصل به آن تطبیق دهند یا مقادیر دقیق استایل‌دهی را از یک فایل Figma استخراج کنند، بدون آنکه کاربر حتی یک کلمه را کپی کند. این پل ارتباطی به دستیاران AI اجازه می‌دهد تا داده‌ها را استعلام کنند و اکشن‌ها را مستقیماً از برنامه‌های خارجی اجرا نمایند.
مکانیسم این پل ارتباطی
پروتکل زمینهٔ مدل (MCP) — شبیه به یک مترجم جهانی است که اجازه می‌دهد برنامه‌های مختلف بدون نیاز به زبان‌های اختصاصی، داده‌هایشان را به هوش مصنوعی بفهمانند — در واقع پلی میان داده‌های خام و مدل است. یک سرور MCP به عنوان یک پروتکل تعریف‌شده بین برنامه‌ای که داده‌ها را در اختیار دارد و دستیار هوش مصنوعی عمل می‌کند. بدون این پل، کاربر باید محتوا را دستی جابه‌جا کند، اما با MCP، تنها با گفتن «نگاهی به این فایل بینداز»، مدل به داده‌های واقعی یک فایل، تیکت یا درخواست ادغام (Merge Request) دسترسی پیدا می‌کند.
برای سال‌ها، دستیاران هوش مصنوعی در یک خلأ عمل می‌کردند و به اسکرین‌شات‌ها یا متن‌های کپی‌شده‌ای متکی بودند که اغلب متادیتای حیاتی را حذف می‌کردند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی عامل‌های هوش مصنوعی (AI Agents) اشاره کردیم، برای رسیدن به اتوماسیون واقعی، مدل‌ها نباید بر اساس تصاویر استاتیک حدس بزنند. وقتی یک مدل طراحی Figma را به صورت عکس می‌بیند، فاصله و رنگ‌ها را حدس می‌زند، اما با MCP، مقادیر عددی دقیق را می‌خواند. این تغییر برای تیم‌هایی که به سمت گردش‌کارهای عامل‌محور (Agentic Workflows) حرکت می‌کنند حیاتی است؛ جایی که AI باید روی داده‌های زنده عمل کند، نه روی عکس‌های ثابت.
فیگما: مسیرهای محلی در مقابل راه دور
Figma دو مسیر متمایز برای ادغام MCP ارائه داده است. مسیر اول، یک سرور محلی است که در اپلیکیشن دسکتاپ تعبیه شده و در صورتی که حالت Dev Mode فعال باشد، از طریق آدرس http://127.0.0.1:3845/mcp در دسترس است. طبق مستندات Figma، این مسیر نیازی به کلید API ندارد.
با این حال، یک تمایز حیاتی در مورد داده‌ها وجود دارد: عبارت «اجرای محلی» (runs locally) تنها به مسیر اتصال (Endpoint) اشاره دارد. هر آنچه دستیار از فایل می‌خواند، همچنان توسط ارائه‌دهنده ابری به عنوان «زمینه» (Context) پردازش می‌شود. بنابراین، این یک تضمین برای حفاظت از داده‌ها نیست.
در حال حاضر، فیگما سرور راه دور (Remote Server) را به عنوان مسیر پیش‌فرض توصیه می‌کند. برای کاربران Claude Code، سریع‌ترین راه راه‌اندازی، استفاده از پلاگین رسمی است: claude plugin install figma@claude-plugins-official.
دسترسی و الزامات فیگما
اینکه چه داده‌هایی بازیابی شوند و کدام مسیر در دسترس باشد، به نوع طرح (Plan) و سطح دسترسی (Seat) کاربر بستگی دارد:
- سرور راه دور (Remote Server): در تمام طرح‌ها و برای تمام کاربران در دسترس است. این تنها گزینه برای کاربرانی است که از طرح رایگان استفاده می‌کنند.
- سرور محلی (Local Server - اپلیکیشن دسکتاپ): نیازمند یک طرح پولی و داشتن دسترسی Dev یا Full است.
- نگاشت‌های Code Connect: نیازمند طرح Organization یا Enterprise به همراه دسترسی Dev یا Full است.
هنگامی که اتصال برقرار شود، دستیار می‌تواند کامپوننت‌ها، متغیرها و اطلاعات استایل‌دهی را استخراج کند. همچنین اگر ادغام Code Connect در پروژه فعال باشد، نگاشت‌های مربوط به آن نیز قابل بازیابی است.
اکوسیستم اتلاسیان (Atlassian)
در اکوسیستم Atlassian، برخلاف جستجوهای رایج کاربران برای یافتن «سرور MCP جیرا» یا «سرور MCP کانفلوئنس»، هیچ سرور رسمی و اختصاصی برای جیرا به تنهایی وجود ندارد. در عوض، Atlassian یک سرور واحد و یکپارچه ارائه داده است که تمامی ابزارهای Jira، Confluence، Jira Service Management، Bitbucket Cloud و Compass را در بر می‌گیرد.
جزئیات احراز هویت اتلاسیان
ورود به سیستم یک انتخاب ساده بین OAuth و توکن‌های API نیست؛ بلکه روش احراز هویت به محصول خاصی که به آن دسترسی می‌خواهید بستگی دارد:
- Jira Service Management و Bitbucket Cloud: تنها از طریق توکن API (API Token) کار می‌کنند.
- Compass: تنها از طریق OAuth 2.1 فعال می‌شود.
علاوه بر این، ورود با توکن API باید توسط مدیر (Administrator) سازمان اجازه داده شده باشد. اگر این مرحله نادیده گرفته شود، کاربران متوجه می‌شوند که نیمی از قابلیت‌ها هنگام راه‌اندازی فعال نیستند. در صورت پیکربندی درست، دستاورد نهایی این است که دستیار می‌تواند یک تیکت را در مقابل صفحه خاصی در Confluence که پشت آن قرار دارد بخواند، به جای اینکه آن‌ها را به عنوان دو موجودیت مجزا ببیند.
ادغام بتای گیت‌لب (GitLab)
GitLab سرور اختصاصی خود را از نسخه ۱۸.۳ به عنوان یک آزمایش در اپلیکیشن ادغام کرد. از نسخه ۱۸.۶، این سرور در مرحله بتا قرار دارد و از انتقال مستقیم HTTP از طریق آدرس https://<your-gitlab-instance>/api/v4/mcp پشتیبانی می‌کند.
پیش‌نیازها و راه‌اندازی گیت‌لب
از آنجایی که سرور در مرحله بتا است، جزئیات ممکن است تغییر کنند. برای اتصال موفق، چندین پیش‌نیاز لازم است:
- داشتن اشتراک فعال GitLab Duo.
- فعال بودن ویژگی‌های بتا و آزمایشی (Experimental) در تنظیمات.
- فعال کردن صریح دسترسی MCP.
نکته حیاتی این است که مسیر رسمی از OAuth 2.0 با ثبت کلاینت پویا (Dynamic Client Registration) استفاده می‌کند. کاربرانی که سعی می‌کنند از توکن‌های دسترسی شخصی (Personal Access Tokens) با محدوده «api scope» استفاده کنند، در واقع از راهنماهای مربوط به سایر رابط‌های گیت‌لب پیروی می‌کنند، نه سرور MCP. برای کسانی که یک لایه واسط را ترجیح می‌دهند، mcp-remote می‌تواند به عنوان پروکسی عمل کند، هرچند این کار نیازمند Node.js نسخه ۲۰ یا جدیدتر است. با این حال، مسیر مستقیم HTTP توصیه می‌شود زیرا این وابستگی را حذف می‌کند.
پلی‌رایت (Playwright): کنترل مرورگر
Microsoft یک سرور MCP رسمی برای Playwright ارائه کرده است که با بقیه متفاوت است؛ زیرا به جای یک مخزن داده، یک ابزار کنترل مرورگر است. برخلاف سرویس‌های میزبانی‌شده اتلاسیان، سرور Playwright به صورت محلی روی ماشین کاربر اجرا می‌شود.
به جای ارائه داده‌های استاتیک، سرور Playwright به دستیار اجازه می‌دهد تا صفحات را باز کند، روی المان‌ها کلیک کند و فرم‌ها را پر کند. این سرور به جای اسکرین‌شات‌های ساده، اسنپ‌شات‌های ساختاریافته از صفحه را برمی‌گرداند. این قابلیت به هوش مصنوعی اجازه می‌دهد تا به طور هدفمند تست کند که آیا یک فرم ارسال می‌شود یا خیر، یا ساختار یک صفحه را ممیزی کند. اگرچه فرمت داده‌های آن یادآور استانداردهای دسترسی‌پذیری است، اما جایگزین ممیزی‌های حرفه‌ای WCAG نمی‌شود.
تغییر مسیر به سمت کانکتورهای سفارشی
این چهار ادغام عمدتاً ابزارهای توسعه‌دهندگان هستند. اگر شرکتی از Figma، Jira یا GitLab استفاده نکند، این سرورهای خاص ارزش فوری ندارند. اما اصل زیربنایی جهانی است: یک سرور MCP محدود به نرم‌افزارهای برنامه‌نویسی نیست.
همین پل ارتباطی را می‌توان برای موارد زیر ساخت:
- سیستم‌های مدیریت موجودی (Inventory)
- سیستم‌های رزرو (Booking)
- پایگاه‌های داده مشتریان (CRM)
در حالی که فروشندگان بزرگ اکنون پل‌های آماده ارسال می‌کنند، نرم‌افزارهای صنعتی کوچک‌تر معمولاً چنین چیزی ندارند. اینجاست که کار سفارشی آغاز می‌شود: ساخت اتصالاتی به سیستم‌هایی که فاقد آن هستند تا دستیاران به جای متن‌های کپی‌شده، با داده‌های واقعی کار کنند.
برای اکثر شرکت‌ها، چالش اصلی نصب این سرورهای رسمی نیست، بلکه طراحی عملیاتی است. ارزش این ابزار تنها زمانی realized می‌شود که یک تیم دقیقاً تعیین کند کدام گردش‌کارهای روزانه — مانند مقایسه یک تیکت با یک فایل طراحی — از این جریان داده‌های زنده سود می‌برند.
این حرکت به سمت پروتکل‌های استاندارد، آینده‌ای را نشان می‌دهد که در آن «پنجره زمینه» (Context Window) دیگر محدودیتی برای آنچه می‌توانید کپی کنید نیست، بلکه محدودیتی است بر آنچه هوش مصنوعی شما اجازه دسترسی به آن را در کل پشته نرم‌افزاری (Software Stack) شما دارد. برای شروع پیاده‌سازی، توسعه‌دهندگان باید ابتدا سطح طرح‌های فعلی خود را ممیزی کنند، زیرا ویژگی‌های MCP در فیگما و گیت‌لب به لایه‌های پولی و دسترسی‌های خاصی گره خورده است.
گام بعدی شما
- اگر از Claude Code استفاده می‌کنید، پلاگین رسمی Figma را نصب کنید تا تست کنید مدل چقدر دقیق استایل‌ها را می‌خواند.
- مدیران فنی باید سطح دسترسی‌های API در Atlassian را بررسی کنند تا از فعال بودن توکن‌ها برای اعضای تیم مطمئن شوند.
- بررسی کنید آیا گردش‌کارهای تکراری شما (مثل تبدیل تیکت به کد) می‌تواند با یک سرور MCP سفارشی خودکار شود یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو