تصور کنید یک عامل هوشمند در حال مدیریت هزاران فایل و دیتابیس است، اما ناگهان به دلیل یک قطعی کوچک در شبکه، تمام حافظه و پیشینهٔ کاری خود را از دست می‌دهد. این کابوسِ توقف عملیاتی، دقیقاً همان چیزی است که به‌روزرسانی ۲۸ ژوئیه ۲۰۲۶ در پروتکل زمینهٔ مدل (MCP) برای همیشه آن را ریشه‌کن می‌کند. این بازنگری، مهم‌ترین تحول این پروتکل از زمان پیدایش آن است و به‌طور بنیادی شیوه ارتباط اپلیکیشن‌های هوش مصنوعی با داده‌هایشان را تغییر می‌دهد.
به نقل از مستندات فنی این پروتکل، MCP که پیش از این به عنوان «درگاه USB-C برای هوش مصنوعی» شناخته می‌شد، استاندارد جهانی‌ای است که به کلاینت‌های AI — مانند Claude، محیط‌های توسعه متخصصه (IDEs) یا عامل‌های خودمختار — اجازه می‌دهد بدون نیاز به نوشتن کدهای ادغام سفارشی برای هر منبع داده، به سرورها برای دسترسی به ابزارها، منابع و پرامپت‌ها متصل شوند. با این حال، تا پیش از این نسخه، MCP بر پایه یک مدل جلسه «با وضعیت» (Stateful) متکی بود.
در مدل قدیمی، ارتباط بین کلاینت (مثل Claude) و سرور شبیه به یک رستوران لوکس بود که یک پیش‌خدمت خاص تمام جزئیات میز، حساسیت‌های غذایی شما (مثل حساسیت به پیاز) و ترجیحات پرداخت شما را به یاد داشت؛ تجربه تا زمانی که آن پیش‌خدمت در سالن حضور دارد، یکپارچه و بی‌نقص است. اما به محض خروج آن پیش‌خدمت از سالن، پیش‌خدمت جدید هیچ خاطره‌ای از شما ندارد و شما باید همه چیز را از صفر تعریف کنید. در دنیای فنی MCP، این یعنی کلاینت و سرور یک دست‌دادن (Handshake) اولیه برای «مقداردهی» (Initialize) انجام می‌دادند و سرور آن جلسه خاص را مدیریت می‌کرد. اگر نمونه‌ای از سرور کرش می‌کرد یا اتصال لحظه‌ای قطع می‌شد، تمام بستر (Context) از بین می‌رفت و هوش مصنوعی مجبور بود هویت و وضعیت خود را دوباره از ابتدا بسازد.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی استانداردهای ارتباطی مدل‌های زاینده اشاره کردیم، پایداری در لایه انتقال داده کلید رسیدن به خودمختاری کامل است. در نسخه جدید، MCP کاملاً بدون وضعیت (Stateless) شده است. این تغییر بنیادین در واقع پاسخ به چالش‌های مقیاس‌پذیری بود که در تحلیل معماری MCP v2 برای سازگاری با زیرساخت‌های بدون سرور به تفصیل بررسی کردیم. در استعاره رستوران، این تغییر معادل جایگزینی آن پیش‌خدمت تک‌نفره با یک سیستم سفارش دیجیتال پیشرفته و مشترک است. اکنون هر درخواست ارسالی از سوی کلاینت AI به سرور، حاوی تمام اطلاعات لازم است که سرور برای پردازش آن درخواست به آن‌ها نیاز دارد. دیگر هیچ «حافظه‌ای» در سرور بین دو فراخوانی وجود ندارد.
اگرچه ممکن است این موضوع در ابتدا به معنای کار بیشتر برای کلاینت به نظر برسد، اما در واقع یک جهش عظیم در قابلیت اطمینان (Reliability) و مقیاس‌پذیری است. چون سرور دیگر نیازی ندارد به یاد بیاورد کلاینت کیست، هر نمونه از سرور می‌تواند هر درخواستی را در هر زمان پردازش کند. اگر یک سرور کرش کند، سرور دیگری می‌تواند فوراً جایگزین آن شود بدون اینکه عامل AI هرگز متوجه وقفه‌ای در سرویس شود. این مکانیسم دقیقاً مشکل «نقطه شکست واحد» (Single Point of Failure) را که مدل‌های مبتنی بر جلسه را دچار مشکل می‌کرد، حذف می‌کند.
طبق گزارش‌های منتشر شده، این تحول فراتر از یک تغییر فنی است و یک گلوگاه حیاتی در تکامل عامل‌های هوش مصنوعی را هدف قرار داده است. در دنیای «با وضعیت»، مقیاس‌پذیری یک سیستم AI به معنای مدیریت پیچیده شناسه‌های جلسه (Session IDs) و اطمینان از این بود که یک کلاینت خاص همیشه به همان نمونه از سروری هدایت شود که وضعیت (State) او را در خود نگه داشته است. این امر منجر به ایجاد اتصالات «چسبنده» (Sticky Connections) می‌شد که توازن بار (Load Balancing) را مختل می‌کرد و توزیع کار در میان یک کلاستر از سرورها را بسیار دشوار می‌ساخت.
با انتقال به معماری بدون وضعیت، MCP امکان مقیاس‌پذیری افقی (Horizontal Scaling) یکپارچه را فراهم می‌کند. شما اکنون می‌توانید صدها نمونه از یک سرور ابزار را فعال کنید و کلاینت AI می‌تواند بدون هیچ‌گونه اصطکاکی بین آن‌ها جابه‌جا شود. این قابلیت برای نسل بعدی عامل‌هایی که نیاز دارند وظایف عظیم و موازی را روی مجموعه‌های داده متنوع انجام دهند، ضروری است.
علاوه بر این، بازنگری ۲۸ ژوئیه ۲۰۲۶ اصلاحات قابل‌توجهی در نحوه نمایش ابزارها و منابع ایجاد کرده است. پروتکل به سمت رویکردی اعلامی (Declarative) حرکت کرده است که در آن قابلیت‌های سرور به‌طور شفاف‌تری به کلاینت منتقل می‌شود. این تحول در لایه نمایش، مکمل توسعه‌هایی است که در پشتیبانی از mcp-elements در چارچوب‌های مختلف رابط کاربر مشاهده می‌کنیم تا تعامل کاربر با این ابزارها بهینه‌تر شود. این کار مرحله «آزمون و خطا» را کاهش می‌دهد؛ مرحله‌ای که در آن یک عامل AI سعی می‌کند ابزاری را فراخوانی کند و سپس متوجه می‌شود که آن ابزار از یک پارامتر خاص پشتیبانی نمی‌کند. با استانداردسازی نحوه تبلیغ قابلیت‌ها، پروتکل تضمین می‌کند که AI دقیقاً بداند چه کارهایی ممکن است، پیش از آنکه حتی درخواستی ارسال کند. این امر منجر به نرخ موفقیت بالاتر در گردش‌های کاری پیچیده شده و اتلاف توکن‌های مربوط به فراخوانی‌های شکست‌خورده ابزارها را کاهش می‌دهد.
بخش دیگری از این به‌روزرسانی به بازنگری جامع در چارچوب مدیریت خطاها اختصاص یافته است. در نسخه‌های پیشین، خطاها اغلب کلی و مبهم بودند (مثل Internal Server Error) و هوش مصنوعی مجبور بود حدس بزند چرا فراخوانی یک ابزار شکست خورده است. اکنون سیستم خطاها دانه‌بندی شده (Granular) است؛ سرور می‌تواند بازخوردهای عملیاتی (Actionable Feedback) ارائه دهد. به جای یک خطای مبهم، سرور اکنون می‌تواند مشخص کند که آیا درخواست به دلیل «پایان زمان انتظار» (Timeout)، یک مشکل «دسترسی/مجوز» (Permission) یا «ورودی نامعتبر» (Malformed Input) شکست خورده است. در کنار این دقت عملیاتی، تأمین امنیت داده‌های حساس در SaaS نیز به یکی از ارکان حیاتی این پروتکل برای جلوگیری از نشت اطلاعات در محیط‌های سازمانی تبدیل شده است.
این موضوع اجازه می‌دهد عامل AI در لحظه خود را اصلاح کند. اگر AI بداند که یک پارامتر ضروری را فراموش کرده است، می‌تواند به سادگی ابزار را با داده‌های صحیح دوباره اجرا کند، به جای اینکه تسلیم شود یا نتیجه‌ای را توهم بزند. این تغییر، یک حلقه بازخورد تنگ‌تر بین استدلال AI و واقعیت دنیای خارجی ایجاد می‌کند.
منتقدان احتمالاً استدلال می‌کنند که مدل بدون وضعیت باعث افزایش سربار (Overhead) در هر درخواست می‌شود، زیرا کلاینت باید بستر و اطلاعات بیشتری را ارسال کند. اما در عصر مدل‌های زبانی بزرگ (LLM) — که مثل کتابخانه‌داری هستند که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهند — و شبکه‌های پرسرعت مدرن، این سربار در مقایسه با مزایای استحکام سیستم، ناچیز است. صنعت در حال حرکت به سمت یک پارادایم «تابعانه» (Functional) است که در آن وضعیت در لبه‌ها (کلاینت) مدیریت می‌شود، نه در مرکز (سرور). این رویکرد، MCP را با روندهای گسترده‌تر در رایانش ابری و میکروسرویس‌ها همسو می‌کند، جایی که «بدون وضعیت بودن» استانداردی طلایی برای ساخت سیستم‌های تاب‌آور است. با پذیرش این الگو، MCP تضمین می‌کند که می‌تواند در کنار اکوسیستم AI رشد کند و همه‌چیز را، از یک اسکریپت محلی ساده تا یک زیرساخت AI سازمانی جهانی، پشتیبانی نماید.
در نهایت، این تغییر یعنی حذف اصطکاک بین «هوش» و «داده». وقتی یک عامل بتواند بدون ترس از قطع شدن جلسه یا کرش کردن سرور با یک دیتابیس، سیستم فایل یا یک API تعامل کند، واقعاً خودمختار می‌شود. استعاره USB-C همچنان صادق است: درست همان‌طور که برایتان مهم نیست شارژر شما چه برندی است تا زمانی که سوکت بخورد و برق جریان یابد، هوش مصنوعی هم نباید اهمیتی دهد که کدام نمونه از سرور در حال پردازش درخواست اوست، تا زمانی که پروتکل رعایت شده باشد.
نسخه ۲۸ ژوئیه ۲۰۲۶، MCP را از یک آزمایش امیدوارکننده به یک استاندارد صنعتی تبدیل کرد. این به‌روزرسانی صنعت را از مدل شکننده «پیش‌خدمت واحد» دور کرده و به سمت یک سیستم تبادل صنعتی و قدرتمند می‌برد. همان‌طور که به سمتی می‌رویم که عامل‌ها تقویم‌های ما را مدیریت کنند، نرم‌افزارهای ما را کدنویسی کنند و داده‌های تجاری ما را در لحظه تحلیل کنند، لوله‌کشی زیربنایی باید نامرئی و شکست‌ناپذیر باشد. این به‌روزرسانی دقیقاً همان زیربنا را فراهم می‌کند و تضمین می‌کند که اتصال بین «مغز» هوش مصنوعی و «ابزارهای» جهان، ثابت، قابل اعتماد و به‌طور نامحدود مقیاس‌پذیر باقی بماند.
گام بعدی شما
- اگر توسعه‌دهنده ابزارهای MCP هستید، معماری سرورهای خود را از مدل Session-based به Stateless تغییر دهید تا از قابلیت Autoscaling بهره‌مند شوید.
- در پیاده‌سازی‌های جدید، از سیستم خطاهای دانه‌بندی شده برای کاهش نرخ توهم مدل در فراخوانی توابع استفاده کنید.
- مستندات جدید MCP را برای پیاده‌سازی رویکرد Declarative در معرفی قابلیت‌های سرور مطالعه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو