تصور کنید در حال استفاده از یک کتابخانه کدنویسی هستید که همین امروز به‌روزرسانی شده، اما هوش مصنوعی شما هنوز در سال ۲۰۲۴ زندگی می‌کند. این شکاف اطلاعاتی اکنون با پروتکل زمینهٔ مدل (Model Context Protocol یا MCP) پر شده است تا دستیارهای کدنویسی بتوانند در چند ثانیه وضعیت فعلی هر وب‌سایتی را تأیید کنند.
این سازوکار به ابزارهایی مثل Claude Code، Claude Desktop و Cursor دسترسی مستقیم به اینترنت زنده را می‌دهد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی تولید بازیابی‌افزا (RAG) اشاره کردیم، هدف اصلی این است که مدل به‌جای تکیه بر حافظه، از منابع خارجی استفاده کند. در اینجا MCP نقش یک پل ارتباطی را ایفا می‌کند؛ شبیه به این است که به جای حفظ کردن تمام کتاب‌های دنیا، به مدل یک مرورگر بدهیم تا هر زمان لازم بود، صفحه مورد نظر را باز کند. این رویکرد در واقع گامی است به سوی یکپارچه‌سازی استاندارد اتصال مدل‌ها به ابزارها تا جایگزینی برای روش‌های پراکنده و غیربهینه اتصال داده‌ها باشد.
طبق گزارشی که در ۱۷ اکتبر ۲۰۲۶ در وب‌سایت dev.to منتشر شد، اکثر دستیارهای AI با مشکل «تاریخ قطع دانش» (Knowledge Cutoff) دست‌وپنجه نرم می‌کنند. با استفاده از یک سرور MCP، دستیار تنها زمانی که به اطلاعات تازه نیاز دارد، ابزارهای خارجی را فراخوانی می‌کند تا وب را جست‌وجو یا یک URL را اسکرپ کند. این قابلیت به طور مستقیم مقیاس‌پذیری گردش‌های کاری AI را تسهیل می‌کند و اجازه می‌دهد مدل‌ها بدون نیاز به بازآموزی، به دانش لحظه‌ای دست یابند.
توسعه‌دهندگان می‌توانند این قابلیت را از طریق سرور XCrawl پیاده‌سازی کنند که ابزارهای تخصصی زیر را ارائه می‌دهد:
- xcrawl_scrape: استخراج یک صفحه و تبدیل آن به فرمت Markdown، HTML یا خلاصه.
- xcrawl_search: اجرای جست‌وجوی وب برای دریافت نتایج ساختاریافته.
- xcrawl_map: فهرست کردن تمام URLهای در دسترس در یک دامنه خاص.
- xcrawl_crawl: اجرای عملیات پس‌زمینه برای جمع‌آوری داده‌ها از بخش‌های مختلف سایت.
برای راه‌اندازی، کاربران می‌توانند یک URL را به فایل claude_desktop_config.json اضافه کنند یا سرور را به‌صورت محلی با دستور npx -y xcrawl-mcp و Node.js نسخه ۱۸ به بالا اجرا کنند. در Claude Code، این کار مستقیماً از طریق ترمینال و دستور claude mcp add انجام می‌شود.
به نقل از مستندات راهنما، برای جلوگیری از اتلاف توکن (Token) — که مثل تکه‌های کوچک کیک هستند و مدل آن‌ها را می‌خورد — توصیه می‌شود به‌جای HTML از فرمت Markdown استفاده کنید، چون حجم کمتری دارد و پردازش آن برای مدل ساده‌تر است. همچنین بهتر است ابتدا از ابزار map استفاده کنید تا فقط صفحات ضروری را اسکرپ کنید. در این میان، بحث مدل‌های درآمدی برای دسترسی به این داده‌های زنده مطرح است و برخی بررسی کرده‌اند که آیا پرداخت‌های خرد USDC می‌تواند مدل درآمدی ابزارهای جست‌وجوی AI را تغییر دهد یا خیر.
این تغییر، تجربه توسعه‌دهنده را از کپی-پیست دستیِ مستندات در پنجره چت، به یک فرآیند خودکار تبدیل می‌کند. حالا هوش مصنوعی به‌جای اینکه صرفاً یک تولیدکننده متن غیرفعال باشد، به یک پژوهشگر فعال تبدیل شده که راهنمای مهاجرت نسخه‌ها و محدودیت‌های API را خودش پیدا می‌کند.
برای شروع، حساب‌های XCrawl مقدار ۱۰۰۰ اعتبار رایگان برای تست این گردش‌کارهای محلی در محیط IDE ارائه می‌دهند.
گام بعدی شما
- اگر از Cursor یا Claude استفاده می‌کنید، سرور XCrawl را نصب کنید تا نیاز به کپی کردن مستندات را فراموش کنید.
- برای بهینه‌سازی هزینه، خروجی‌های سرور را روی Markdown تنظیم کنید.
- ابتدا ساختار سایت را با دستور map بررسی کنید و سپس صفحات هدف را اسکرپ نمایید.
اما این تنها بخشی از قدرت MCP است؛ بررسی اینکه چگونه این پروتکل می‌تواند پایگاه‌داده‌های داخلی شرکت‌ها را به AI متصل کند، در گزارش بعدی ما خواهد بود.
گفتگو