اگر امروز از ابزارهای کدنویسی هوش مصنوعی استفاده می‌کنید، احتمالاً با این کابوس مواجه شده‌اید که مدل یا مسیر فایل‌ها را اشتباه حدس می‌زند یا بخشی از کد شما را به‌کل پاک می‌کند. Coding Tools MCP درست برای حل همین مشکل آمده است تا یک «جفت دستِ امن» برای مدیریت فایل‌های محلی شما باشد.
این سیستم که در ۲۸ ژوئیه ۲۰۲۶ عرضه شد، به هر کلاینت سازگار با پروتکل زمینهٔ مدل (MCP) — مثل کتابخانه‌داری که به جای حدس زدن، دقیقاً می‌داند هر کتاب کجاست و فقط اجازه دارد صفحات خاصی را ورق بزند — اجازه می‌دهد کارهای پیچیده مخزن کد (Repository) را بدون نیاز به نوشتن کدهای رابط (Glue Code) برای هر مدل جدید، انجام دهد. این رویکرد باعث شده تا بار کاری ادغام هوش مصنوعی از روش‌های سنتی به ساختاری جمعی تغییر یابد.
بسیاری از عامل‌ها (Agents) در «آخرین کیلومتر» کدنویسی شکست می‌خورند؛ یعنی همان لحظه‌ای که باید واقعاً فایلی را تغییر دهند یا آزمونی را اجرا کنند بدون اینکه دچار توهم (Hallucination) شوند. طبق گزارش مستندات پروژه، این ابزار با تبدیل شدن به یک لایه‌ی خنثی، ایمنی را به جای یک ویژگی جانبی، به محصول اصلی تبدیل کرده است تا عامل‌ها هرگز از مرزهای تعیین‌شده خارج نشوند.
همان‌طور که در تحلیل قبلی ما درباره‌ی شکاف‌های پیکربندی بین Claude Code و نسخه دسکتاپ اشاره کردیم، اصطکاک در دسترسی به فایل‌ها همواره یک چالش بوده است. Coding Tools MCP با استفاده از یک کاتالوگ ابزارهای ثابت و توصیف‌شده، این مشکل را حل می‌کند. به این معنا که اگر کاربر کلاینت خود را از Claude Desktop به Cursor یا Cline تغییر دهد، رفتار محیط اجرا (Runtime) کاملاً یکسان باقی می‌ماند. در همین راستا، برخی پلتفرم‌ها مانند X نیز برای تسهیل این فرآیند، نیاز به زیرساخت‌های جداگانه برای اتصال عامل‌ها به داده‌ها را حذف کرده‌اند.
به نقل از مستندات گیت‌هاب، این سرور با زبان پایتون (نسخه ۳.۱۱ به بالا) نوشته شده و از طریق uvx یا npx قابل اجرا است. این سیستم ۲۰ ابزار تست‌شده را در چهار دسته‌بندی ارائه می‌دهد:
- فایل‌ها و جست‌وجو: شامل ابزارهایی مثل
read_fileوsearch_text. نکته کلیدی، ابزارapply_patchاست که تنها راه تغییر فایل‌هاست؛ این یعنی تغییرات به‌صورت اتمیک (یکپارچه) اعمال شده و قابلیت بازگشت (Rollback) دارند. - اجرا: ابزارهایی مانند
exec_commandاجازه می‌دهند عامل یک محیط REPL یا دیباگر را در یک PTY واقعی اجرا کند. برای جلوگیری از پردازش‌های خارج از کنترل، «سگ‌های نگهبانِ زمان» (Deadline Watchdogs) بر این عملیات نظارت می‌کنند. - یکپارچگی با گیت: دسترسی کامل به
git_statusوgit_diffبرای مشاهده تاریخچه تغییرات. - مدیریت محیط: ابزارهایی برای آگاهی عامل از مسیر فعلی کاری (
cwd) و اطلاعات سرور.
تمرکز ویژه‌ی این پروژه بر بهینه‌سازی پنجرهٔ زمینه (Context Window) — یعنی همان میز کاری که مدل برای نگه داشتن اطلاعات در لحظه در اختیار دارد — است. توسعه‌دهندگان با صفحه‌بندی و خلاصه‌سازی نتایج، توانسته‌اند حجم داده‌های ارسالی را ۳۷٪ کاهش دهند، بدون اینکه نرخ تکمیل وظایف پایین بیاید.
برای امنیت بیشتر، سه سطح دسترسی تعریف شده است:
- Safe (پیش‌فرض): برای کارهای روزمره؛ دسترسی به شبکه و دستورات تخریبی نیاز به تایید صریح کاربر دارد.
- Trusted: مخصوص توسعه محلی؛ دسترسی به شبکه و اسکریپت‌های داخلی باز است اما فیلترهای امنیتی فعال می‌ماند.
- Dangerous: فقط برای کانتینرهای ایزوله یا ماشین‌های مجازی؛ تمام گیت‌های دسترسی دستورات اجرایی حذف شده‌اند.
در لینوکس، این سیستم از Landlock برای محدود کردن دسترسی به فایل‌سیستم در سطح کرنل استفاده می‌کند. همچنین برای کاربران خارج از محیط محلی، امکان اتصال به ایستگاه‌های کاری خانگی از طریق تونل‌های HTTPS مانند cloudflared یا ngrok فراهم شده است تا بتوان مثلاً از طریق موبایل و وب‌سایت claude.ai کدها را در سیستم خانگی مدیریت کرد.
برای کارهای پرریسک، یک کنترل‌پنل مبتنی بر Cloudflare Worker تعبیه شده که با یک فراخوانی MCP، یک Runner در GitHub Actions را فعال کرده و یک سندباکس داکر ایزوله را برای محاسبات موقت راه‌اندازی می‌کند.
گام بعدی شما
- اگر از Claude Desktop استفاده می‌کنید، پکیج
coding-tools-mcpرا نصب کنید تا عامل شما بتواند مستقیماً روی فایل‌هایتان کد بزند. - برای پروژه‌های حساس، حتماً از Docker Sandbox پیش‌فرض پروژه استفاده کنید تا دسترسی‌های لینوکسی سیستم‌تان در خطر نباشد.
- تنظیمات
AGENTS.mdرا در ریشه پروژه قرار دهید تا مدل در لحظه ورود، قوانین خاص کدنویسی شما را یاد بگیرد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو