هر بار که از ChatGPT میخواهید فایلی را در دسکتاپ شما بررسی کند یا از Claude میخواهید آخرین پیامهای Slack شما را چک کند، با یک مانع مشابه روبرو میشوید. این مدلهای هوش مصنوعی قدرتمند هستند، اما در یک محیط ایزوله (sandbox) زندگی میکنند. آنها نمیتوانند جداول داده (spreadsheets) شما را باز کنند، در پایگاه داده شما پرسوجو (query) انجام دهند یا در کانالهای تیم شما پست بگذارند، مگر اینکه کسی یک پل اختصاصی بسازد. و تا همین اواخر، آن پل باید برای تکتک دستیارهای هوش مصنوعی که میخواستید استفاده کنید، دوباره ساخته میشد.
چرخه تکراری و طاقتفرسای یکپارچهسازی
در حال حاضر، اگر تیم شما دستیار هوش مصنوعیای بخواهد که بتواند در GitHub issue ایجاد کند، در نهایت مجبور میشوید یک یکپارچهسازی اختصاصی برای ChatGPT بنویسید. سپس یکی دیگر برای Claude و یکی دیگر برای Gemini. هر کدام با گویش متفاوتی صحبت میکنند. هر کدام به منطق احراز هویت، مدیریت خطا و نگهداری مخصوص به خود نیاز دارند. حجم کار به سرعت چند برابر میشود. اگر شش ابزار و سه پلتفرم هوش مصنوعی داشته باشید، با سه یکپارچهسازی روبرو نیستید؛ بلکه حداقل با هجده مورد روبرو هستید. این فقط خستهکننده نیست، بلکه مالیاتی است بر هر توسعهدهنده و تیم IT که تلاش میکند هوش مصنوعی را در جریانهای کاری واقعی (workflows) کاربردی کند.
پروتکل کانتکست مدل (Model Context Protocol) یا MCP، یک استاندارد باز است که برای پایان دادن به این تکرار طراحی شده است.
یک پورت واحد برای هر ابزار
MCP را مانند یک پورت USB-C برای اپلیکیشنهای هوش مصنوعی تصور کنید. همانطور که USB-C اجازه میدهد با یک کابل لپتاپ، گوشی و هدفون خود را شارژ کنید، MCP نیز به دستیار هوش مصنوعی شما یک روش استاندارد برای اتصال به ابزارهای خارجی میدهد. شما اتصال را یک بار میسازید و هر دستیار سازگار با MCP میتواند از آن استفاده کند.
این پروتکل بین هوش مصنوعی شما و ابزارهایتان قرار میگیرد. به جای اینکه Claude مستقیماً با زبان خودش با GitHub صحبت کند، Claude با MCP صحبت میکند و MCP با GitHub. فردا که بخواهید به مدل دیگری سوئیچ کنید یا دستیار دومی اضافه کنید، نیازی به بازنویسی کانکتور GitHub نیست. شما فقط هوش مصنوعی جدید را به همان سرور MCP متصل میکنید. یکپارچهسازی ابزار ثابت میماند و هوش مصنوعی تغییر میکند.
این موضوع از آن جهت اهمیت دارد که مدل قدیمی شما را مجبور میکند با یکپارچهسازیها به عنوان لوازم جانبی هوش مصنوعی برخورد کنید. MCP این رابطه را معکوس میکند. یکپارچهسازیها به زیرساخت تبدیل میشوند و مدلهای هوش مصنوعی به کلاینتهای قابل تعویض تبدیل میشوند. یک یکپارچهسازی برای تمام دستیارهای هوش مصنوعی شما کار میکند.
MCP در عمل چگونه به نظر میرسد
این یک مفهوم آیندهنگرانه نیست. توسعهدهندگان هماکنون از MCP برای متصل کردن دستیارهای هوش مصنوعی به سیستمهایی که هر روز با آنها سر و کار دارند، استفاده میکنند.
GitHub. با یک سرور GitHub MCP، یک دستیار میتواند از طریق گفتگو issue ایجاد کند، تغییرات (diffs) در pull requestها را بررسی کند یا کامیتهای اخیر را خلاصه کند، بدون اینکه توسعهدهنده مجبور باشد کد را در پنجره چت کپی-پیست کند.
Google Drive. با اتصال Drive از طریق MCP، هوش مصنوعی میتواند اسناد طولانی را بخواند و خلاصههایی مرتبط با محتوای واقعی فایل (و نه فقط نام فایل) تولید کند.
Slack. یک عامل هوش مصنوعی (AI agent) میتواند فعالیت کانالها را نظارت کند، در مورد رشتهگفتگوهای (threads) فوری به شما هشدار دهد یا بهروزرسانیهای وضعیت را به تیم ارسال کند.
Databases. یک سرور MCP برای پایگاه داده به دستیار اجازه میدهد تا پرسوجوهای (queries) با محدوده مشخصی را اجرا کند و به جای حدس زدن پاسخها از روی حافظه، رکوردهای خاصی را برگرداند.
File Systems. دسترسی محلی به هوش مصنوعی اجازه میدهد پوشههای پروژه را ببیند، بنابراین میتواند فایلهای پیکربندی را تحلیل کند یا بر اساس ساختار واقعی کد (codebase)، بازنویسی (refactor) پیشنهاد دهد.
Developer Tools. هوش مصنوعی میتواند تستها را اجرا کند، اسکریپتهای ساخت (build scripts) را به کار بگیرد و خطاها را مستقیماً در رشتهگفتگوی چت شما نمایش دهد.
تصور کنید در حال عیبیابی (debugging) یک مجموعه تستِ در حال خطا هستید. به جای کپی کردن لاگهای خطا در یک پرامپت، از دستیار هوش مصنوعی خود میخواهید آخرین اجرا را بررسی کند. دستیار که از طریق MCP به ابزار اجرای تست (test runner) شما متصل است، لاگها را استخراج کرده، مخزن (repo) شما را برای یافتن فایلهای مرتبط اسکن میکند و یک راه حل پیشنهاد میدهد. اگر راه حل درست به نظر برسد، دستیار میتواند یک شاخه (branch) ایجاد کرده و یک pull request باز کند، و همه اینها از طریق همان لایه پروتکل انجام میشود. شما هرگز نیاز به تغییر زمینه (context) نداشتید.
چرا این کار واقعاً در زمان صرفهجویی میکند
مزیت فوری آن آشکار است: دیگر لازم نیست با عرضه هر مدل جدید، همان کانکتور را دوباره بسازید. اما اثرات ثانویه نیز به همان اندازه مهم هستند.
تیمهای کوچکتر میتوانند از پسِ یکپارچهسازی هوش مصنوعی در پشته تکنولوژی (stack) خود برآیند، زیرا نیازی به مهندس اختصاصی برای نگهداری شبکهای از پوششهای (wrappers) شکننده API ندارند. امنیت بهبود مییابد زیرا MCP تعیین میکند که اعتبارنامهها (credentials) و مجوزها چگونه بین هوش مصنوعی و ابزار جریان یابند، و جایگزین راهکارهای موردی (ad-hoc) میشود که از یک یکپارچهسازی به یکپارچهسازی دیگر متفاوت هستند. سرعت توسعه نیز زمانی افزایش مییابد که اضافه کردن یک مدل هوش مصنوعی جدید، به جای هفتهها کدنویسی اختصاصی، تنها به پیکربندی (configuration) نیاز داشته باشد.
استانداردسازی بهندرت تیتر اخبار میشود، اما همان چیزی است که یک گجت را به زیرساخت تبدیل میکند. پیش از USB-C، مسافران برای هر دستگاه کابلهای جداگانهای همراه خود داشتند. پیش از استانداردهای رایج شبکه، سیستمها برای برقراری ارتباط با یکدیگر با مشکل مواجه بودند. MCP همین منطق را در زمینه هوش مصنوعی به کار میگیرد. این پروتکل لایه هوش را از لایه ابزار جدا میکند تا بتوانید مدلهای خود را بدون از هم پاشیدن جریانهای کاری (workflows) خود ارتقا دهید.
خلاصه کلام
ابزارهای هوش مصنوعی به تکامل خود ادامه خواهند داد. مدلهای جدید بهطور منظم عرضه میشوند که هر کدام نقاط قوت متفاوتی دارند. آخرین چیزی که هر تیمی به آن نیاز دارد، بازسازی کامل استک (stack) خود با ظهور هر مدل زبانی بزرگِ بهتر است. MCP راهی برای خروج از این چرخه ارائه میدهد. با برخورد با ادغام ابزارها به عنوان درگاههای جهانی بهجای لوازم جانبی انحصاری، این پروتکل به شما اجازه میدهد بدون دستکاری زیرساختهای زیرین، بهترین هوش موجود را متصل کنید. این صرفاً یک راحتی نیست؛ بلکه روشی است که هوش مصنوعی را از یک پروژه ادغامِ دیگر، به یک زیرساخت واقعی تبدیل میکند.
برای خوانندگانی که میخواهند مشخصات پروتکل و پیادهسازیهای اولیه را بررسی کنند، میتوانید یک نمای کلی فنی و دقیق را در اینجا بیابید: Model Context Protocol: The Universal Bridge Between AI and External Tools. اگر ترجیح میدهید در کنار جامعهای از متخصصان که در حال آزمایش MCP در محیط عملیاتی هستند یاد بگیرید، به گفتگو در GyaanSetu AI Telegram channel بپیوندید.