ظهور MCP: آیا این پدیده بزرگ بعدی در هوش مصنوعی است؟

درک MCP

اگر هنوز با MCP آشنا نیستید، احتمالاً با اصطلاح ‘Agent’ (یا عامل هوشمند) برخورد کرده‌اید. افزایش محبوبیت Manus، یک استارت‌آپ چینی، در اوایل سال 2025، این مفهوم را در کانون توجه قرار داد.

نکته کلیدی جذابیت Agent در توانایی آن در انجام موثر وظایف نهفته است. برخلاف مدل‌های زبانی بزرگ (LLM) قبلی که عمدتاً به عنوان رابط‌های مکالمه عمل می‌کردند، Agents برای اجرای فعال وظایف، با استفاده از ابزارها و منابع داده خارجی طراحی شده‌اند. LLM های سنتی توسط داده‌های آموزشی خود محدود شده‌اند و برای دسترسی به منابع خارجی به فرآیندهای پیچیده‌ای نیاز دارند.

MCP برای تحقق چشم‌انداز Agent بسیار مهم است و به LLM ها اجازه می‌دهد تا به طور یکپارچه با ابزارهای خارجی که از پروتکل MCP پشتیبانی می‌کنند، تعامل داشته باشند. این امر آنها را قادر می‌سازد تا وظایف خاص‌تر و پیچیده‌تری را انجام دهند.

در حال حاضر، چندین برنامه کاربردی، از جمله Amap و WeChat Read، سرورهای رسمی MCP را راه‌اندازی کرده‌اند. این امر به توسعه‌دهندگان این امکان را می‌دهد تا با انتخاب یک LLM ترجیحی و ادغام آن با سرورهای MCP مانند Amap یا WeChat Read، برنامه‌های کاربردی هوش مصنوعی ایجاد کنند. این به LLM اجازه می‌دهد تا وظایفی مانند جستجو در نقشه و بازیابی اطلاعات از کتاب‌ها را انجام دهد.

موج MCP در فوریه 2024 آغاز شد و به سرعت در سراسر جهان شتاب گرفته است.

بازیگران اصلی مانند OpenAI، Google، Meta، Alibaba، Tencent، ByteDance و Baidu همگی از پشتیبانی از پروتکل MCP خبر داده‌اند و پلتفرم‌های MCP خود را راه‌اندازی کرده‌اند و از توسعه‌دهندگان و ارائه‌دهندگان خدمات برنامه کاربردی برای پیوستن دعوت کرده‌اند.

MCP: یکپارچه‌سازی اکوسیستم هوش مصنوعی

مفهوم ‘سوپر اپلیکیشن‌ها’ موضوع داغی در زمینه هوش مصنوعی در سال 2024 بود، با انتظارات مبنی بر تکثیر سریع برنامه‌های کاربردی هوش مصنوعی. با این حال، اکوسیستم نوآوری هوش مصنوعی همچنان پراکنده باقی ماند.

ظهور MCP را می‌توان با یکپارچگی چین تحت فرمانروایی Qin Shi Huang مقایسه کرد، که سیستم‌های نوشتاری، حمل و نقل و اندازه‌گیری را استاندارد کرد. این استانداردسازی فعالیت‌های اقتصادی و تجاری را تا حد زیادی تسهیل کرد.

بسیاری از تحلیلگران بازار بر این باورند که پذیرش MCP و پروتکل‌های مشابه، راه را برای افزایش چشمگیر برنامه‌های کاربردی هوش مصنوعی در سال 2025 هموار خواهد کرد.

در اصل، MCP به عنوان یک ‘سوپر پلاگین’ برای هوش مصنوعی عمل می‌کند و ادغام یکپارچه با ابزارها و منابع داده خارجی مختلف را ممکن می‌سازد.

بنیان فنی MCP

MCP، یا پروتکل زمینه مدل، برای اولین بار توسط Anthropic در نوامبر 2024 معرفی شد.

MCP به عنوان یک استاندارد باز، به برنامه‌های کاربردی هوش مصنوعی اجازه می‌دهد تا با منابع داده و ابزارهای خارجی ارتباط برقرار کنند.

MCP را به عنوان یک آداپتور جهانی برای LLM ها در نظر بگیرید که یک ‘رابط USB’ استاندارد را تعریف می‌کند.

این رابط به توسعه‌دهندگان اجازه می‌دهد تا برنامه‌های کاربردی را به روشی استانداردتر و سازمان‌یافته‌تر ایجاد کنند و به منابع داده و گردش‌های کاری مختلف متصل شوند.

غلبه بر موانع توسعه برنامه کاربردی هوش مصنوعی

قبل از ظهور MCP، توسعه برنامه‌های کاربردی هوش مصنوعی یک فرآیند چالش‌برانگیز و پیچیده بود.

به عنوان مثال، توسعه یک دستیار سفر هوش مصنوعی مستلزم این بود که یک LLM وظایفی مانند دسترسی به نقشه‌ها، جستجو برای راهنمای سفر و ایجاد برنامه‌های سفر شخصی‌سازی‌شده بر اساس ترجیحات کاربر راانجام دهد.

برای فعال کردن LLM برای پرس و جو از نقشه‌ها و جستجو برای راهنماها، توسعه‌دهندگان با چالش‌های زیر روبرو بودند:

• هر ارائه‌دهنده هوش مصنوعی (OpenAI، Anthropic و غیره) Function Calling را به طور متفاوتی پیاده‌سازی می‌کرد. تغییر بین LLM ها مستلزم این بود که توسعه‌دهندگان کد تطبیق را بازنویسی کنند، اساساً یک ‘راهنمای کاربر’ برای LLM برای استفاده از ابزارهای خارجی ایجاد کنند. در غیر این صورت، دقت خروجی مدل به طور قابل توجهی کاهش می‌یابد.
• نبود یک استاندارد واحد برای تعامل LLM با دنیای خارج منجر به قابلیت استفاده مجدد کم کد شد و مانع از توسعه اکوسیستم برنامه کاربردی هوش مصنوعی شد.

به گفته Chen Ziqian، یک متخصص فناوری الگوریتم در Alibaba Cloud ModelScope، ‘قبل از MCP، توسعه‌دهندگان نیاز داشتند که LLM ها را درک کنند و برای جاسازی ابزارهای خارجی در برنامه‌های خود، توسعه ثانویه انجام دهند. اگر عملکرد ابزارها ضعیف بود، توسعه‌دهندگان باید بررسی می‌کردند که آیا مشکل از خود برنامه است یا ابزارها.’

Manus، استارت‌آپ هوش مصنوعی ذکر شده در بالا، به عنوان یک نمونه اصلی عمل می‌کند. در یک ارزیابی قبلی، مشخص شد که Manus برای نوشتن یک مقاله خبری ساده، به فراخوانی بیش از ده ابزار نیاز دارد، از جمله باز کردن یک مرورگر، مرور و خراشیدن صفحات وب، نوشتن، تأیید و ارائه نتیجه نهایی.

اگر Manus تصمیم می‌گرفت در هر مرحله ابزارهای خارجی را فراخوانی کند، باید یک ‘تابع’ می‌نوشت تا ترتیب اجرای ابزارهای خارجی را مشخص کند. در نتیجه، Manus اغلب به دلیل اضافه بار و مصرف بیش از حد توکن، وظایف را خاتمه می‌داد.

مزایای MCP

با استفاده از MCP، توسعه‌دهندگان دیگر نیازی به مسئولیت‌پذیری در قبال عملکرد ابزارهای خارجی ندارند. در عوض، آنها می‌توانند بر نگهداری و رفع اشکال خود برنامه تمرکز کنند، که به طور قابل توجهی حجم کار توسعه را کاهش می‌دهد.

سرورهای جداگانه در داخل اکوسیستم، مانند Alipay و Amap، می‌توانند خدمات MCP خود را حفظ کنند، به آخرین نسخه‌ها به‌روزرسانی کنند و منتظر اتصال توسعه‌دهندگان باشند.

محدودیت‌ها و چالش‌های MCP

علی‌رغم پتانسیل آن، اکوسیستم MCP هنوز در مراحل اولیه خود قرار دارد و با چندین چالش روبرو است.

برخی از توسعه‌دهندگان استدلال می‌کنند که MCP یک لایه غیرضروری از پیچیدگی است و پیشنهاد می‌کنند که API ها یک راه حل ساده‌تر هستند. LLM ها می‌توانند از قبل API ها را از طریق پروتکل‌های مختلف فراخوانی کنند، که باعث می‌شود MCP زائد به نظر برسد.

در حال حاضر، اکثر خدمات MCP منتشر شده توسط شرکت‌های بزرگ توسط خود شرکت‌ها تعریف می‌شوند و تعیین می‌کنند که کدام توابع می‌توانند توسط LLM ها فراخوانی شوند و چگونه برنامه‌ریزی می‌شوند. با این حال، این نگرانی را ایجاد می‌کند که شرکت‌ها ممکن است دسترسی به مهم‌ترین و اطلاعات بلادرنگ خود را فراهم نکنند.

علاوه بر این، اگر سرورهای MCP به طور رسمی راه‌اندازی نشده یا به خوبی نگهداری نشوند، امنیت و پایداری اتصالات MCP ممکن است زیر سوال برود.

Tang Shuang، یک توسعه‌دهنده مستقل، نمونه‌ای از یک سرور MCP نقشه را با کمتر از 20 ابزار به اشتراک گذاشت. پنج مورد از این ابزارها به طول و عرض جغرافیایی نیاز داشتند، در حالی که یک ابزار آب و هوا به یک شناسه تقسیمات اداری نیاز داشت بدون اینکه دستورالعملی در مورد نحوه به دست آوردن این شناسه‌ها ارائه شود. تنها راه حل این بود که کاربران به اکوسیستم ارائه‌دهنده خدمات برگردند و مراحل را برای به دست آوردن اطلاعات و مجوزها دنبال کنند.

در حالی که محبوبیت MCP مشهود است، پویایی‌های اساسی پیچیده هستند. اگرچه فروشندگان LLM مایل به ارائه خدمات MCP هستند، اما کنترل را حفظ می‌کنند و از سود رساندن به سایر اکوسیستم‌ها تردید دارند. اگر خدمات به درستی نگهداری نشوند، توسعه‌دهندگان ممکن است با افزایش حجم کار مواجه شوند که هدف اکوسیستم را تضعیف می‌کند.

پیروزی متن‌باز

چرا MCP اکنون در حال کشش است؟

در ابتدا، MCP پس از راه‌اندازی توسط Anthropic، توجه کمی را به خود جلب کرد. تنها تعداد محدودی از برنامه‌های کاربردی، مانند Claude Desktop Anthropic، از پروتکل MCP پشتیبانی می‌کردند. توسعه‌دهندگان فاقد یک اکوسیستم توسعه هوش مصنوعی یکپارچه بودند و عمدتاً به صورت جداگانه کار می‌کردند.

پذیرش MCP توسط توسعه‌دهندگان به تدریج آن را در کانون توجه قرار داده است. از فوریه 2025، چندین برنامه کاربردی محبوب برنامه‌نویسی هوش مصنوعی، از جمله Cursor، VSCode و Cline، از پشتیبانی از پروتکل MCP خبر دادند که به طور قابل توجهی مشخصات آن را بالا برد.

پس از پذیرش جامعه توسعه‌دهندگان، ادغام MCP توسط فروشندگان LLM عامل اصلی پذیرش گسترده آن بوده است.

اعلامیه OpenAI مبنی بر پشتیبانی از MCP در 27 مارس، و به دنبال آن Google، یک گام حیاتی بود.

Sundar Pichai، مدیر عامل Google، در X نسبت به MCP ابراز تردید کرد و اظهار داشت: ‘به MCP یا نه به MCP، این سوال است.’ با این حال، تنها چهار روز پس از انتشار این توییت، Google نیز از پشتیبانی خود از MCP خبر داد.

پذیرش سریع MCP توسط بازیگران اصلی در صنعت هوش مصنوعی، پتانسیل آن را برای تغییر نحوه توسعه و استقرار برنامه‌های کاربردی هوش مصنوعی برجسته می‌کند.

مسیر پیش رو برای MCP

همانطور که اکوسیستم MCP به تکامل خود ادامه می‌دهد، رسیدگی به محدودیت‌ها و چالش‌های موجود بسیار مهم خواهد بود. این شامل:

• استانداردسازی: توسعه یک پروتکل MCP استانداردتر که مستقل از فروشندگان فردی باشد.
• امنیت: اجرای اقدامات امنیتی قوی برای اطمینان از ایمنی و قابلیت اطمینان اتصالات MCP.
• قابلیت نگهداری: تشویق به توسعه و نگهداری سرورهای MCP با کیفیت بالا.
• دسترسی: ایجاد MCP برای توسعه‌دهندگان در تمام سطوح مهارت در دسترس تر است.

با رسیدگی به این چالش‌ها، MCP این پتانسیل را دارد که دوران جدیدی از نوآوری هوش مصنوعی را باز کند و ایجاد برنامه‌های کاربردی هوش مصنوعی قدرتمندتر، همه‌کاره‌تر و کاربرپسندتر را ممکن سازد.

در خاتمه، در حالی که MCP هنوز در مراحل اولیه خود قرار دارد، پتانسیل آن برای تغییر چشم‌انداز هوش مصنوعی غیرقابل انکار است. با تقویت یک اکوسیستم بازتر، استانداردتر و مشارکتی‌تر، MCP می‌تواند راه را برای آینده‌ای هموار کند که در آن هوش مصنوعی برای همه در دسترس‌تر و سودمندتر باشد.