در سال 2025 ، سرعتی که مفاهیم و ویژگی های جدید در زمینه تولید هوش مصنوعی ظاهر می شود ، باعث می شود که از زمان راه اندازی اولین نسخه از Chatgpt ، دهه ها گذشته باشد. با این حال ، کمتر از سه سال است.
در اواخر سال 2024 ، Anthropic ، سازندگان کلود ، پروتکل زمینه مدل (MCP) به عنوان منبع باز اگرچه در ابتدا بدون توجه به آن رفت ، اما امروز تقریباً در هر مقاله ، ابزار یا ویژگی مربوط به AI تولیدی وجود دارد. MCP در همه جا ذکر شده است.
MCP چیست؟
MCP (پروتکل زمینه مدل) یک مشخصات منبع باز است که توسط انسان شناسی تهیه شده است.
با توجه به مستندات رسمی خود ، MCP مانند “USB-C برای AI”: یک رابط یکپارچه که به مدل های زبان اجازه می دهد تا با ابزارهای خارجی به روشی استاندارد ارتباط برقرار کنند.
مزیت واقعی MCP در استاندارد سازی نهفته است.
از نظر فنی ، LLM که به عنوان مشتری عمل می کند می تواند برای دسترسی به داده های خارجی یا عملکرد به سرور MCP متصل شود.
اجزای استاندارد پروتکل MCP
پروتکل زمینه مدل (MCP) بر اساس سه مؤلفه اساسی است که به سرورها امکان می دهد قابلیت ها را در معرض دید مشتری قرار دهند:
-
منابع: داده های ساختاری که زمینه دیگری را برای مدل فراهم می کند. آنها ممکن است شامل محتویات پرونده ، سوابق پایگاه داده ، پاسخ های API و موارد دیگر باشند. منابع توسط برنامه کنترل می شوند و به صراحت توسط کاربر یا به طور خودکار توسط مشتری انتخاب می شوند. اطلاعات بیشتر
-
اعلان: الگوهای قابل استفاده مجدد که تعامل مشترک با مدل را تعریف می کنند. آنها امکان استاندارد سازی و به اشتراک گذاری گردش کار را فراهم می کنند ، و می توانند استدلال های پویا را بپذیرند ، شامل زمینه منابع و راهنمایی فرایندهای خاص. اطلاعات بیشتر
-
ابزار: توابع اجرایی که مدل می تواند برای انجام اقدامات از جمله تعامل با سیستم های خارجی ، انجام محاسبات یا اجرای دستورات استفاده کند. ابزارها توسط مدل کنترل می شوند و به طور خودکار قابل کشف و فراخوانی هستند. اطلاعات بیشتر
“MCP یک ساختار مدولار را فراهم می کند که به وضوح ورودی ، دانش و توانایی عمل مدل را سازماندهی می کند.”
چرا مرتبط است؟
به لطف ساختار مدولار ، MCP اجازه می دهد:
- جدایی نگرانی ها: هر بلوک یک هدف خاص دارد.
- وضوح متن بیشتر: این مدل اهداف خود را بهتر درک می کند.
- عوامل پیشرفته تر: حافظه ، ابزارها و استدلال میانی را فعال می کند.
- مقیاس پذیری: اجازه می دهد تا معماری های ماژولار و پایدار بسازید.
شما فقط در حال نوشتن سریع نیستید. شما در حال طراحی یک پروتکل هستید.
نمونه عملی
اگر از یک مدل سؤال کنید که استفاده از CPU فعلی رایانه شما چیست ، احتمالاً نمی داند. این دسترسی به سیستم عامل شما ندارد ، زیرا عملکرد اصلی آن تولید متن است ، نه با سخت افزار.
این جایی است که MCP وارد می شود: به مدل اجازه می دهد تا از طریق ابزارهای تعریف شده توسط سرور ، به اطلاعات خارجی دسترسی پیدا کند.
نحوه ساخت سرور MCP در 4 مرحله
می توانید با استفاده از پایتون و کتابخانه FastMCP یک سرور MCP ایجاد کنید.
1. ایجاد server.py
from typing import Dict
import psutil
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("sys-monitor")
@mcp.tool()
def get_system_stats() -> Dict[str, float]:
cpu_percent = psutil.cpu_percent(interval=1)
virtual_mem = psutil.virtual_memory()
return {
"cpu_percent": cpu_percent,
"memory_total_gb": round(virtual_mem.total / (1024 ** 3), 2),
"memory_used_gb": round(virtual_mem.used / (1024 ** 3), 2),
"memory_percent": virtual_mem.percent
}
if __name__ == "__main__":
mcp.run()
2. ایجاد requirements.txt
psutil>=5.9.0
fastmcp>=0.1.0
3. ایجاد کنید Dockerfile
FROM python:3.12-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
EXPOSE 8000
CMD ["python", "server.py"]
4. تصویر Docker را بسازید (اختیاری)
توجه: این تنظیمات استفاده از CPU از ظرف را گزارش می کند ، نه سیستم میزبان. برای اهداف آموزشی ، هنوز هم معتبر است.
docker build -t cpusage .
اتصال سرور MCP به یک مدل
این مثال استفاده می کند دسک تاپ، اما همچنین با Amazon Q CLI یا سایر LLM ها که از MCP پشتیبانی می کنند ، سازگار است.
راهنمای رسمی ادغام را دنبال کنید.
اگر شما claude_desktop_config.json پرونده خالی است ، موارد زیر را اضافه کنید:
{
"mcpServers": {
"cpusage": {
"command": "docker",
"args": [
"run",
"-i",
"--rm",
"cpusage"
]
}
}
}
برای اجرای مستقیم سرور با پایتون:
{
"mcpServers": {
"cpusage": {
"command": "python",
"args": ["path/to/server.py"]
}
}
}
همچنین می توانید جایگزین کنید
"python"باuvیا دستور دیگری در صورت استفاده از یک محیط مجازی.
اگر سرورهای دیگر قبلاً تعریف شده اند ، به سادگی بلوک مربوطه را اضافه کنید.
دسک تاپ کلود را مجدداً راه اندازی کنید. انجام داد
نسخه آزمایشی
ویدئو با نسخه ی نمایشی در اینجا
چگونه من از آن استفاده می کنم
من از MCP در پروژه های مبتنی بر AWS استفاده می کنم که مدل ها را با بانکهای اطلاعاتی و ابزارهای سفارشی ادغام می کنند. این ساختار به من اجازه می دهد:
- ابزارهای موجود را تعریف کنید
- زمینه مداوم و به روز شده را ارائه دهید
- مرزهای عملیاتی روشن را تنظیم کنید
علاوه بر این ، با کمی خلاقیت ، به راحتی برای سایر سیستم عامل ها قابل حمل است.
پایان
MCP فقط روشی متفاوت برای ساختار اعلان ها نیست: این راهی برای طراحی معماری شناختی عوامل شما است.
اگر در سال 2025 با Genai کار می کنید و هنوز MCP را کاوش نکرده اید ، اکنون زمان آن رسیده است.
