پروتکل زمینه مدل (MCP) 101: راهنمای مبتدی دستی!

پروتکل زمینه Model (MCP) در جامعه AI ایجاد می کند و به دلایل خوبی. این چارچوب منبع باز ، که توسط Anthropic آغاز شده است ، روشی استاندارد را برای مدل های AI برای ارتباط با منابع و ابزارهای داده خارجی فراهم می کند. با ساده کردن فرایند ادغام ، MCP تنظیم شده است که چگونه توسعه دهندگان برنامه های هوش مصنوعی را ایجاد می کنند ، و دسترسی به داده های زمان واقعی را آسانتر می کند و از قابلیت های پیشرفته استفاده می کند.

پروتکل زمینه مدل (MCP) چیست؟

MCP مخفف پروتکل زمینه مدل است و در اصل یک اتصال جهانی برای برنامه های هوش مصنوعی است. از آن به عنوان USB-C دنیای هوش مصنوعی فکر کنید و به ابزارها و مدل های مختلف هوش مصنوعی اجازه می دهد تا یکپارچه با منابع مختلف داده تعامل داشته باشند. با استفاده از MCP ، توسعه دهندگان می توانند به جای گذراندن وقت خود برای ادغام های پیچیده ، بر ساخت برنامه های نوآورانه تمرکز کنند.

چرا ما به MCP احتیاج داریم؟

مدل های بزرگ زبان (LLM) مانند Claude ، Chatgpt و دیگران تعامل ما را با فناوری تغییر داده اند. با این حال ، آنها هنوز هم محدودیت هایی دارند ، به ویژه در مورد دسترسی به داده های دنیای واقعی و اتصال با ابزارها.
در اینجا برخی از چالش هایی که MCP به آن می پردازد آورده شده است:

• محدودیت های دانش: LLMS به داده های آموزشی متکی است که می توانند به سرعت منسوخ شوند. این امر ارائه اطلاعات دقیق و در زمان واقعی را برای آنها دشوار می کند.

• شکاف دانش دامنه: LLM ها فاقد درک عمیق از حوزه های تخصصی هستند و تولید پاسخ های مرتبط با آنها را برای آنها دشوار می کند.

• ادغام غیر استاندارد: روشهای فعلی برای اتصال LLM ها به منابع داده خارجی اغلب به راه حل های سفارشی نیاز دارند و منجر به هزینه های بالا و ناکارآمدی می شوند.

MCP یک راه حل یکپارچه برای این موضوعات ارائه می دهد و به LLM ها اجازه می دهد به راحتی به داده ها و ابزارهای خارجی دسترسی پیدا کنند و از این طریق قابلیت های آنها را تقویت کنند.

چگونه MCP کار می کند

MCP در ابتدا برای بهبود توانایی کلود در تعامل با سیستم های خارجی ساخته شده بود ، Anthropic تصمیم گرفت در اوایل سال 2024 منبع MCP را باز کند تا بتواند پذیرش در سطح صنعت را ترغیب کند.

بنابراین ، نسل تقویت شده بازیابی (RAG) جایی است که داده های سفارشی مورد نیاز برای تولید پاسخ های مرتبط با متن را برای نمایش داده های کاربر ارائه می دهید. اما MCP فراتر می رود ، MCP دسترسی مستقیم به ابزارها و سایر داده های سفارشی را از طریق یک API یکپارچه فراهم می کند.
در اصل ، MCP ارتباط بین مدل های AI و داده ها/ابزارهای خارجی را تسهیل می کند و سیستم های AI را قادر می سازد تا با منابع متنوع به روشی مداوم در تعامل باشند.

MCP بر روی معماری مشتری-سرور فعالیت می کند ، که شامل چندین مؤلفه کلیدی است:

• میزبان MCP: برنامه هایی که به قابلیت های هوش مصنوعی متنی ، مانند چت بابات یا IDE نیاز دارند.
• مشتریان MCP: اینها ارتباط یک به یک را با سرورهای MCP حفظ می کنند و مشخصات پروتکل را کنترل می کنند.
• سرورهای MCP: برنامه های سبک وزن که قابلیت های خاص را از طریق رابط MCP در معرض دید قرار می دهند و به منابع داده محلی یا از راه دور متصل می شوند.
• منابع داده محلی: پرونده ها و پایگاه داده هایی که سرورهای MCP می توانند به طور ایمن به آن دسترسی پیدا کنند.
• خدمات از راه دور: خدمات خارجی موجود از طریق اینترنت که سرورهای MCP می توانند به آن وصل شوند.

در اینجا یک قیاس برای درک MCP وجود دارد:

بیایید مفهوم MCP را به عنوان رستوران که در آن وجود دارد تصور کنیم:

میزبان = ساختمان رستوران (محیطی که عامل در آن کار می کند)

سرور = آشپزخانه (جایی که ابزارها زندگی می کنند)

مشتری = پیشخدمت (که درخواست های ابزار را ارسال می کند)

نماینده = مشتری (که تصمیم می گیرد از چه ابزاری استفاده کند)

ابزارها = دستور العمل ها (کدی که اجرا می شود)

مزایای اجرای MCP

مزایای اتخاذ MCP بیشمار است:

• استاندارد سازی: MCP یک رابط مشترک برای ادغام ابزارها و منابع مختلف داده ، کاهش زمان توسعه و پیچیدگی فراهم می کند.
• عملکرد پیشرفته: دسترسی مستقیم به منابع داده امکان پاسخ سریعتر و دقیق تر از مدل های AI را فراهم می کند.
• انعطاف پذیری: توسعه دهندگان می توانند به راحتی بدون نیاز به بازنویسی کد برای هر ادغام ، بین LLM های مختلف جابجا شوند.
• امنیت: MCP شامل احراز هویت قوی و مکانیسم های کنترل دسترسی ، از تبادل داده های ایمن است.

شروع با MCP

اگر علاقه مند به اجرای MCP هستید ، در اینجا یک راهنمای سریع برای کمک به شما در شروع کار ارائه شده است. بیایید یک آموزش ساده را طی کنیم که در آن یک سرور MCP ایجاد می کنیم که می تواند داده های آب و هوا را واکشی کند. برای این کار ، شما باید دسک تاپ کلود را آماده کنید. در اینجا یک راهنمای گام به گام وجود دارد:

پیش نیازهای

اطمینان حاصل کنید که Claude Desktop روی سیستم خود نصب شده است. شما می توانید آن را بر اساس سیستم عامل خود بارگیری کنید – چه MacOS یا Windows.

ساختن سرور MCP

1. برای راهنمایی به مستندات MCP بروید.

2. سرور خود را تنظیم کنید تا دو ابزار را در معرض دید خود قرار دهید: “هشدارها” و “پیش بینی” برای آب و هوا.

3. در اینجا ویدیوی کامل من که می توانید دنبال کنید وجود دارد

https://www.youtube.com/watch؟v=i7cxna3lyck

MCP آماده است تا استانداردی برای ادغام AL باشد ، به چالش های محدودیت های دانش ، شکاف دانش دامنه و ادغام های غیر استاندارد بپردازد. با اتخاذ MCP ، توسعه دهندگان می توانند برنامه های AL کارآمدتر ، مقیاس پذیر و ایمن تر ایجاد کنند.

آینده برای AL روشن به نظر می رسد و با استفاده از MCP زمینه برای اتصالات استاندارد ، ما گامهای مهمی را به سمت یک اکوسیستم متصل تر و توانمندتر انجام می دهیم. قبلاً شاهد تحولات هیجان انگیز بر این اصول بودیم.

عملیات پایگاه داده خود را از طریق MCP خودکار کنید

و اکنون ، می توانید به راحتی بیشتر اقدامات پایگاه داده خود را از یک مکان مدیریت و خودکار کنید. در SingLestore ، ما به تازگی سرور MCP خود را منتشر کردیم.

Singlestore ، یک بستر داده در زمان واقعی ، با تهیه یک بانک اطلاعاتی یکپارچه برای بارهای کاری معامله ای و تحلیلی ، از جمله بردار سریع و جستجوی متن کامل ، و پشتیبانی از SQL و Python در نوت بوک های خود ، به ساخت برنامه ها و سیستم های هوش مصنوعی کمک می کند. با ایجاد یک حساب رایگان می توانید با SingLestore شروع کنید.

در اینجا repo github است که می توانید دنبال کنید.

npx -y @smithery/cli install @singlestore-labs/mcp-server-singlestore --client claude

git clone https://github.com/singlestore-labs/mcp-server-singlestore.git
cd mcp-server-singlestore
# Install dependencies
pip install -e .

pip install singlestore-mcp-server