اتصال داده‌های زنده Polymarket به Claude با پروتکل MCP

تصور کنید یک تحلیلگر بازار پیش‌بینی هستید که به‌جای حدس زدن سودآوری کیف‌پول‌ها، مستقیماً از هوش مصنوعی می‌خواهید عملکرد لحظه‌ای آن‌ها را از روی زنجیره (on-chain) استخراج کند. با عرضه سرور متن‌باز جدید OrcaLayer، حالا داده‌های زنده بازار پیش‌بینی مستقیماً به دستیاران هوش مصنوعی تزریق می‌شود. این پل ارتباطی به Claude Desktop، Cursor و هر کلاینت MCP دیگری اجازه می‌دهد تا حدس زدن درباره سودآوری کیف‌پول‌ها را متوقف کرده و شروع به پرس‌وجو از عملکرد واقعی روی زنجیره کنند.

مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده اما اخبار امروز را نمی‌داند — به شدت در بازخوانی اعداد دقیق و به‌روز ضعیف هستند و اغلب به داده‌های آموزشی تکیه می‌کنند که در لحظه انتشار مدل، منقضی شده‌اند. برای مثال، اگر از Claude بپرسید کدام کیف‌پول‌های Polymarket در واقعیت سودآور هستند، احتمالاً پاسخی با اطمینان کامل اما بر اساس داده‌های قدیمی (stale data) می‌دهد. این محدودیت به‌ویژه در محیط‌های پرشتاب و با سرعت بالای تغییرات، مانند بازارهای پیش‌بینی، بسیار شدیدتر است.

زمینه و ادغام

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مبنی‌سازی (Grounding) داده‌ها اشاره کردیم، راهکار نهایی خروج از توهم، اتصال مدل به منابع خارجی است. پروتکل زمینهٔ مدل (MCP) این مشکل را با اجازه دادن به مدل برای فراخوانی مستقیم داده‌های شما حل می‌کند. این ادغام نشان‌دهنده چرخش به سمت MCP به عنوان استاندارد برای مبنی‌سازی داده‌های بلادرنگ است تا LLM از یک نویسنده خلاق به یک تحلیلگر سخت‌گیر تبدیل شود.

به نقل از مستندات OrcaLayer، سرور orcalayer-mcp به عنوان یک wrapper روی SDK پایتون از طریق stdio عمل می‌کند، به این معنی که هیچ نیازی به استقرار (Deployment) نیست. در سیستم‌عامل ویندوز، فایل پیکربندی در مسیر %APPDATA%\Claude\claude_desktop_config.json و در macOS در مسیر ~/Library/Application Support/Claude/claude_desktop_config.json قرار دارد.

نصب این ابزار از طریق uvx انجام می‌شود که بسته را به‌صورت لحظه‌ای و بر حسب نیاز (on demand) اجرا می‌کند، بدون اینکه نیازی به ایجاد یک محیط مجازی (virtualenv) باشد. کاربران صرفاً باید قطعه کد زیر را به تنظیمات خود اضافه کنند:

{
  "mcpServers": {
    "orcalayer": {
      "command": "uvx",
      "args": ["orcalayer-mcp"]
    }
  }
}

جزئیات فنی

این سرور سه قابلیت اصلی را در اختیار مدل قرار می‌دهد:

• ابزارها (Tools): توابع تایپ‌شده با نتایج ساختاریافته.

  • leaderboard: رتبه‌بندی نهنگ‌های «پول هوشمند» بر اساس سود و زیان (P&L)، نرخ برد یا حجم معاملات (بدون نیاز به کلید API).
  • wallet_overview: نمایش پروفایل و خلاصه عملکرد یک کیف‌پول (بدون نیاز به کلید API).
  • wallet_positions: لیست بزرگ‌ترین موقعیت‌های باز یک کیف‌پول (بدون نیاز به کلید API).
  • markets: جست‌وجوی بازارهایی که نهنگ‌های هوشمند در آن‌ها تجمع کرده‌اند (بدون نیاز به کلید API).
  • whale_alerts: جریان زنده معاملات اخیر نهنگ‌های هوشمند (نیارمند کلید Premium از طریق متغیر محیطی ORCALAYER_API_KEY).

• پرامپت‌ها (Prompts): گردش‌های کاری پیش‌فرض که چندین ابزار را سازماندهی می‌کنند. به جای استفاده از دستورات طولانی و دستی، این سیستم از ساختارهای سازمان‌یافته‌ای بهره می‌برد که یادآور رویکردهای سیستماتیک در مهندسی پرامپت برای جایگزینی لیست‌های طولانی دستورات است.

  • analyze_wallet: اجرای تحلیل کامل برای تعیین اینکه آیا یک کاربر «پول هوشمند» است یا یک «فارمر» (Farmer).
  • find_divergence: شناسایی بازارهایی که در آن‌ها پول هوشمند با قیمت‌گذاری فعلی بازار مخالف است.
  • hedge_check: تعیین اینکه آیا سود حاصل شده یک آلفای واقعی بوده یا نتیجه یک ساختار پوششی (Hedge).
  • territorial_markets_review: بررسی بازارهای مربوط به قلمرو اوکراین با استفاده از لایه روی‌هم‌انداز (overlay) خط مقدم ISW.

• منابع (Resources): بارگذاری‌های مستقیم زمینه که در زمان پرس‌وجو هزینه‌ای ندارند. این موارد شامل orcalayer://methodology (توضیح تفکیک پول هوشمند، فارمرها و بازارسازان)، orcalayer://glossary (واژه‌نامه) و orcalayer://api-reference برای جزئیات REST API و محدودیت‌های نرخ فراخوانی (rate limits) است.

منطق «Nullهای صادقانه»

یک جزئیات طراحی حیاتی در جریان داده‌های Premium، استفاده از «nullهای صادقانه» (Honest Nulls) برای انواع تسویه است. سیستم رویدادها را به صورت MINT ،MERGE ،COMPLEMENTARY یا null برچسب می‌زند.

به جای جایگزینی یک نوع تسویه نامعلوم با یک مقدار پیش‌فرض، API مقدار null را برمی‌گرداند تا نشان دهد خط لوله (pipeline) نتوانسته است نوع را تعیین کند. این کار از این احتمال که مدل یک حدس را به عنوان واقعیت تلقی کند، جلوگیری می‌کند؛ چرا که یک LLM نمی‌تواند تفاوت بین یک «صفر واقعی» و یک «مقدار گم‌شده» را تشخیص دهد.

برای کسانی که سرورهای مشابه می‌سازند، ارزشمندترین درس در لایه پرامپت نهفته است. به‌طور خاص، پرامپت hedge_check حیاتی است، زیرا کیف‌پولی که هر دو طرف یک بازار را نگه داشته، می‌تواند سودهای خیره‌کننده‌ای را گزارش کند که از نظر جهت‌دار بودن هیچ معنایی ندارد. با کدگذاری این مورد به‌صورت یک پرامپت، مدل هر بار این بررسی را انجام می‌دهد، به‌جای اینکه منتظر بماند تا کاربر از او بپرسد. این کار دانش تخصصی (Domain Knowledge) را از ذهن کاربر به لایه سازمان‌دهی سرور منتقل می‌کند.

برای تست این سیستم، از Claude بپرسید: «کدام کیف‌پول‌های Polymarket در حال حاضر بهترین نرخ برد را دارند و آیا برخی از آن‌ها فقط در حال فارمینگ بازارهای نزدیک به تسویه هستند؟». هوش مصنوعی ابزار leaderboard را فراخوانی کرده، بررسی فارمر را از منبع متدولوژی اجرا کرده و حقیقت را استخراج می‌کند. این سرور تحت لایسنس MIT در github.com/orcalayer/orcalayer-mcp منتشر شده است و REST API آن در orcalayer.com/docs/api مستند شده است.

گام بعدی شما

• اگر از Claude Desktop یا Cursor استفاده می‌کنید، سرور orcalayer-mcp را نصب کنید تا تحلیل بازار را از حالت حدس به حالت داده‌محور ببرید.
• پرامپت‌های تخصصی مانند find_divergence را برای شناسایی فرصت‌های بازار پیش‌بینی آزمایش کنید.
• برای توسعه‌دهندگان: ساختار «nullهای صادقانه» را در MCP-serverهای خود پیاده کنید تا نرخ توهم مدل کاهش یابد.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.