توقف مستشار تسويق نمو عن قضاء فترة ما بعد الظهيرة بأكملها في سحب البيانات من أربع عشرة علامة تبويب في المتصفح وجداول بيانات لا تنتهي، وذلك من خلال بناء خادم Model Context Protocol (MCP). يتيح هذا الخادم لمساعد يعمل بالذكاء الاصطناعي جلب البيانات من Google Ads وMeta وGA4 وSearch Console والعمل بناءً عليها. أصبح الخادم الآن يُصدر تقارير شهرية، ويجري عمليات تدقيق، ويطبق تحسينات دون الحاجة إلى تدخل يدوي، مما يفرغ المسوق للتركيز على الاستراتيجية بدلاً من الانشغال بمعالجة البيانات.

لماذا كان هذا التحول مهماً

كان إعداد التقارير حول منصات البحث المدفوع، والتواصل الاجتماعي، والتحليلات بمثابة عملية تنسيق يدوية معقدة: فتح كل لوحة تحكم، ونسخ الأرقام إلى جدول بيانات، وتسوية التناقضات، ثم كتابة الرؤى. استهلك هذا الجهد وقتاً ثميناً وتسبب في وقوع أخطاء بشرية. يغير MCP سير العمل من خلال منح الذكاء الاصطناعي وصولاً مباشراً إلى لغات الاستعلام الأصلية وواجهات برمجة التطبيقات (APIs) الخاصة بالمنصات، محولاً عبارة "أخبرني بالأرقام" إلى "اذهب وأحضر الأرقام لي".

الأساس التقني

MCP هو بروتوكول يتيح لمساعد مدعوم بنماذج لغوية كبيرة (LLM) استدعاء أدوات خارجية كجزء من عملية التفكير المنطقي الخاصة به. ومن الناحية العملية، قام المستشار بإعداد خدمة ويب صغيرة تعرض لغة الاستعلام الخام لكل منصة (Google Ads ← GAQL) ونقاط نهاية REST القياسية لـ Meta وGA4 وSearch Console. يقوم الذكاء الاصطناعي ببناء الاستعلامات، وإرسالها إلى الخادم، وتلقي نتائج مهيكلة، ويمكنه إصدار عمليات كتابة تتبعها عمليات قراءة للتحقق.

ثلاثة خيارات تصميمية آتت ثمارها

  • عرض لغات الاستعلام الأصلية بدلاً من الأغلفة البرمجية البسيطة (thin wrappers) – في المحاولة الأولى، تم كتابة دالة منفصلة لكل حاجة من حاجات البيانات (مثل get_campaigns). وسرعان ما أدت زوايا التقارير الجديدة إلى تضخم قاعدة الكود البرمجي. ومن خلال عرض GAQL مباشرة، تتيح نقطة نهاية واحدة للذكاء الاصطناعي صياغة أي استعلام يحتاجه. وقد تفوقت تركيبات GAQL التي أنشأها المساعد على النصوص البرمجية اليدوية للمستشار، وينطبق النمط نفسه على المنصات الأخرى.
  • التحقق من كل عملية كتابة عبر عملية قراءة – غالباً ما تعيد واجهات برمجة التطبيقات (APIs) علامة نجاح حتى عندما لا يتم تثبيت التغيير. يقوم الخادم الآن بالقراءة مرة أخرى بعد كل عملية كتابة؛ وإذا كانت القيمة المتوقعة مفقودة، فإنه يسجل فشلاً وينبه المستخدم. تمنع هذه الحماية الأخطاء الصامتة التي قد تؤدي إلى فساد بيانات الأداء.
  • الاحتفاظ بسجل أخطاء بصيغة markdown – كل خطأ برمجِي، أو حقل مكتوب بشكل خاطئ، أو قاعدة غير مفهومة يتم تسجيلها في learned-errors.md. يقرأ الذكاء الاصطناعي هذا الملف في بداية كل جلسة، ليعلم نفسه ما يجب تجنب تكراره.

ثلاث عثرات استنزفت الوقت

  • تضارب الأسماء بين الأدوات والمكتبات المستوردة (imports) – كانت إحدى الدوال تشترك في نفس الاسم مع وحدة (module) مستوردة، مما أدى إلى تعطل الخادم أثناء التشغيل. وقد أدى إعطاء كل عملية استيراد اسماً مستعاراً متميزاً إلى القضاء على هذا التعارض.
  • إهمال ميزة إعادة التحميل الفوري (hot reloads) – كان خادم MCP يقوم بتحميل الكود مرة واحدة عند التشغيل. ولم تكن التغييرات في قاعدة الكود البرمجي تدخل حيز التنفيذ إلا بعد إعادة تشغيل عملية العميل بالكامل، مما أدى إلى قضاء ساعات في تصحيح أخطاء كود غير فعال. وقد أدى إضافة سير عمل لإعادة التشغيل الكامل بعد كل تعديل إلى حل المشكلة.
  • نقص التبعيات (dependencies) – أدى استيراد عشوائي غير موجود في البيئة الافتراضية إلى توقف الخادم عند بدء التشغيل. تقوم الآن فحوصات ما قبل التشغيل بتثبيت والتحقق من جميع الحزم المطلوبة قبل إعادة التشغيل، مما يساعد في اكتشاف المشكلة مبكراً.

الخلاصة

يمكن لخادم MCP متواضع أن يحول طقوس التقارير الشاقة إلى سير عمل مؤتمت وجاهز للتدقيق، لكنه يتطلب ممارسات برمجية منضبطة واستعداداً لصيانة خدمة صغيرة. المسوقون الذين يستثمرون وقت الإعداد يستبدلون عناء جداول البيانات بالتحليل الاستراتيجي.