تصور کنید در حال کدنویسی یک سیستم فروش هستید و بدون ترک محیط ادیتور، دقیقاً بدانید مشتری احتمالی شما چه درآمدی دارد یا از چه ابزارهای نرم‌افزاری استفاده می‌کند. این قابلیت اکنون با ابزار جدید شرکت Agent-Infra که در ۱۲ سپتامبر ۲۰۲۶ منتشر شد، برای کاربران Cursor و VS Code Copilot فراهم شده است.
به نقل از مستندات این شرکت، هدف اصلی این ابزار حذف نیاز به جابه‌جایی میان مرورگر و محیط کدنویسی است. در دنیای توسعه، اتصال داده‌های خارجی به مدل زبانی بزرگ (LLM) — که شبیه کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — معمولاً به میان‌افزارهای پیچیده‌ای نیاز دارد که نرخ توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، مثل دوستی که خاطره‌ای را اشتباه تعریف می‌کند — را بالا می‌برند.
همان‌طور که در تحلیل قبلی ما درباره‌ی اکوسیستم ابزارهای توسعه‌ی هوش مصنوعی اشاره کردیم، استانداردسازی دسترسی به داده‌ها کلید اصلی افزایش بهره‌وری است. Agent-Infra برای حل این مشکل از پروتکل زمینهٔ مدل (MCP) استفاده کرده است. این رویکرد با داده‌های B2B مانند یک ابزار بومی برخورد می‌کند؛ درست مثل وقتی که یک برنامه‌نویس از دیباگر داخلی ادیتور استفاده می‌کند. این پیش‌زمینه در ادامه بررسی‌های ما پیرامون نحوه اتصال Cursor و VS Code به داده‌های زنده B2B از طریق پروتکل MCP بسط یافته است.
جزئیات فنی پیاده‌سازی
طبق اعلام این شرکت، سیستم از طریق یک پیکربندی خاص در فایل mcp.json ابزار enrich_lead را به ادیتور متصل می‌کند. قابلیت‌های کلیدی این سیستم عبارتند از:
- داده‌های Firmographic: دسترسی لحظه‌ای به درآمد شرکت، تعداد کارکنان و موقعیت جغرافیایی. این قابلیت در واقع تکامل‌یافته‌ی رویکردهای پیشین در زمینه یکپارچه‌سازی داده‌های Firmographic در محیط‌های توسعه است.
- پشته‌های Technographic: شناسایی CRMهای مورد استفاده، ارائه‌دهندگان میزبانی و شرکای تبلیغاتی.
- سیگنال‌های قصد خرید: ردیابی چرخه‌های خرید و میزان علاقه بازار.
برای جلوگیری از درخواست‌های نامعتبر، این سرور از اعتبارسنجی‌های سخت‌گیرانه Zod استفاده می‌کند تا اطمینان حاصل شود مدل پیش از ارسال درخواست به شبکه، دامنه‌ها را با فرمت صحیح ارسال می‌کند.
این تغییر، پژوهش‌های B2B را از تب‌های جداگانه مرورگر به درون چرخه توسعه می‌آورد. با ارائه داده‌هایی با سطح اطمینان بالا (مثلاً امتیاز ۰.۹۴ برای یک لید خاص)، عامل (Agent) هوش مصنوعی می‌تواند در حین کدنویسی تصمیمات خودکار دقیق‌تری بگیرد. این روند، مشابه تلاش‌های Cursor برای آوردن میزبانی کد به درون ویرایشگر است که هدف آن کاهش اصطکاک میان ابزارهای مختلف توسعه بود.
یکی از مهم‌ترین تغییرات برای توسعه‌دهندگان، مدل هزینه‌ای است. Agent-Infra سیستم پرداخت مبتنی بر سطح اطمینان را اجرا کرده است؛ به این معنا که کاربر تنها برای غنی‌سازی‌های موفقی هزینه می‌پردازد که امتیاز اطمینان آن‌ها بیش از ۰.۶ باشد. این مدل، ریسک مالی پرداخت برای داده‌های مبهم یا بی‌کیفیت را حذف می‌کند.
گام بعدی شما
- برای شروع، یک کلید API از آدرس lead-enrichment-mcp.agent-infra.workers.dev دریافت کنید.
- تنظیمات IDE خود را برای شناسایی سرور MCP جدید به‌روزرسانی کنید.
- ابزار
enrich_leadرا در پرامپت‌های خود برای تحلیل خودکار مشتریان به کار بگیرید.
اما این تنها بخشی از تحول در محیط‌های توسعه است؛ اثر پروتکل MCP بر یکپارچگی ابزارهای متن‌باز را در گزارش بعدی بررسی خواهیم کرد.
گفتگو