Model Context Protocol (MCP)

تسلط بر ابزارهای MCP: ساخت یکپارچه‌سازی‌های هوش مصنوعی امن و مقیاس‌پذیر

منظره توسعه برنامه‌های مدل زبانی بزرگ (LLM) به سرعت در حال تغییر است. در حالی که مدل‌ها به تنهایی توانایی بیشتری پیدا می‌کنند، پل ارتباطی بین این مدل‌ها و دنیای واقعی—به‌ویژه داده‌ها و اقدامات خارجی—چالش‌برانگیزترین بخش ساخت عامل‌های قابل اعتماد باقی می‌ماند. اینجاست که پروتکل زمینه مدل (MCP) به عنوان یک بازیگر تغییردهنده وارد صحنه می‌شود و به‌طور خاص‌تر، جایی که ابزارهای MCP به عنوان جزء حیاتی برای اجرا عمل می‌کنند.

ابزارهای MCP چیستند؟

در زمینه پروتکل زمینه مدل، یک «ابزار» روشی استاندارد برای نمایان‌سازی قابلیت‌های سمت سرور به یک مشتری (کلاینت) LLM است. برخلاف یکپارچه‌سازی‌های API سنتی و تصادفی که در آن هر برنامه ممکن است نقاط پایانی REST و طرح‌های احراز هویت خاص خود را تعریف کند، ابزارهای MCP یک رابط واحد و باز ارائه می‌دهند. آن‌ها به یک سرور MCP اجازه می‌دهند قابلیت‌هایی (مانند خواندن فایل‌ها، پرس‌وجو از پایگاه داده‌ها یا کنترل دستگاه‌های IoT) را به هر مشتری MCP سازگار نمایان کند.

ارزش پیشنهادی اصلی، استانداردسازی است. با تعریف ابزارها از طریق JSON Schema، پروتکل تضمین می‌کند که مشتری LLM دقیقاً بداند چه آرگومان‌های ورودی مورد نیاز است، فرمت خروجی مورد انتظار چیست و چگونه باید خطاها را مدیریت کرد. این امر توهم (hallucination) را کاهش داده و قابلیت اطمینان جریان‌های کاری عامل‌محور را بهبود می‌بخشد.

تعریف یک ابزار MCP

برای درک نحوه عملکرد ابزارهای MCP، باید به تعریف آن‌ها نگاه کنیم. یک ابزار MCP اساساً یک توصیف‌کننده تابع است. این تعریف شامل متادیتایی مانند نام، توضیحات و یک طرح JSON برای پارامترها می‌باشد.

// Example of an MCP Tool definition in JSON
{
  "name": "get_weather",
  "description": "Get the current weather for a specific location",
  "inputSchema": {
    "type": "object",
    "properties": {
      "location": {
        "type": "string",
        "description": "The city and state, e.g., San Francisco, CA"
      },
      "unit": {
        "type": "string",
        "enum": ["celsius", "fahrenheit"],
        "description": "The unit of temperature"
      }
    },
    "required": ["location"]
  }
}

این ساختار به مشتری LLM اجازه می‌دهد تا قصد کاربر را قبل از ارسال درخواست به سرور اعتبارسنجی کند. این ساختار به عنوان یک قرارداد بین هوش مصنوعی و سرویس بک‌اند عمل می‌کند.

پیاده‌سازی: SDK پایتون

برای توسعه‌دهندگانی که به دنبال پیاده‌سازی سرورهای MCP هستند، SDK رسمی پایتون این فرآیند را به طور شگفت‌انگیزی ساده می‌کند. در زیر یک مثال عملی از نحوه تعریف و ثبت یک ابزار ساده که دو عدد را در هم ضرب می‌کند—یک مورد آزمایش کلاسیک برای استدلال عامل—آورده شده است.

from mcp.server.fastmcp import FastMCP
import mcp.types as types

# Initialize the MCP server
mcp = FastMCP("CalculatorServer")

@mcp.tool()
def multiply(a: float, b: float) -> float:
    """
    Multiplies two numbers together.
    Args:
        a: The first number.
        b: The second number.
    """
    return a * b

# Run the server
if __name__ == "__main__":
    mcp.run()

در این قطعه کد، دکوراتور @mcp.tool() به طور خودکار تولید طرح را بر اساس امضای تابع و توضیحات مستند (docstring) مدیریت می‌کند. مشتری LLM این ابزار را مشاهده کرده و می‌تواند آن را تنها با فراخوانی نام تابع همراه با آرگومان‌های مناسب فراخوانی کند.

چرا از ابزارهای MCP به جای تماس‌های مستقیم API استفاده کنیم؟

شاید بپرسید چرا مستقیماً از طریق پرامپت LLM یا یک اسکریپت عامل سفارشی به یک REST API تماس برقرار نکنیم؟ سه دلیل اصلی وجود دارد:

  1. ایزوله‌سازی و امنیت: MCP به عنوان یک پراکسی امن عمل می‌کند. سرور کنترل می‌کند که کدام ابزارها نمایان شوند و می‌تواند احراز هویت و محدودیت نرخ (rate limiting) را اعمال کند، که از دور زدن کنترل‌های امنیتی توسط مشتری LLM جلوگیری می‌کند.
  2. ماژولار بودن: شما می‌توانید کتابخانه‌ای از ابزارها (مانند «FileOps»، «DatabaseAccess»، «EmailIntegration») بسازید و آن‌ها را در سرورهای مختلف ترکیب کنید. یک مشتری واحد می‌تواند به چندین سرور متصل شود و به اکوسیستم گسترده‌ای از قابلیت‌ها دسترسی یابد بدون اینکه نیاز به اختراع دوباره چرخ باشد.
  3. قابلیت مشاهده (Observability): از آنجا که تمام تماس‌های ابزار از استاندارد MCP پیروی می‌کنند، ثبت، نظارت و عیب‌یابی تعاملات عامل در سراسر برنامه‌ها و ارائه‌دهندگان مختلف آسان‌تر می‌شود.

نتیجه‌گیری

ابزارهای MCP نشان‌دهنده یک گام بالغ در تکامل زیرساخت هوش مصنوعی هستند. با حرکت از یکپارچه‌سازی‌های شکننده و کد-محور سخت به سمت یک پروتکل استاندارد و مبتنی بر طرح، توسعه‌دهندگان می‌توانند عامل‌های هوش مصنوعی قوی‌تر، امن‌تر و قابل‌تعامل‌تری بسازند. با رشد اکوسیستم، انتظار می‌رود بازار غنی‌ای از ابزارهای MCP از پیش ساخته شده مشاهده کنیم که هر توسعه‌دهنده‌ای بتواند با حداقل کد آن‌ها را در برنامه‌های خود ادغام کند. پذیرش این استاندارد اکنون پروژه‌های شما را در خط مقدم نسل بعدی برنامه‌های هوشمند قرار می‌دهد.

Share: