درک MCPها: پلی بین مدل‌های هوش مصنوعی و داده‌های خارجی
پروتکل‌های контекست‌سازی مدل (MCP) را می‌توان به عنوان APIهای استانداردشده تصور کرد که به عنوان یک پیوند حیاتی بین منابع داده یا برنامه‌های خارجی و مدل‌های زبانی بزرگ (LLM) مانند ChatGPT یا Claude عمل می‌کنند. این پروتکل‌ها مدل‌های هوش مصنوعی را قادر می‌سازند تا به داده‌های زمان واقعی از وب‌سایت‌های مسافرتی دسترسی داشته باشند، تقویم‌ها را مدیریت کنند و حتی فایل‌ها را در یک رایانه دستکاری کنند.
در حالی که برخی از ابزارهای هوش مصنوعی مانند Claude، Cursor و OpenAI در حال حاضر از ویژگی‌های یکپارچه‌سازی سفارشی استفاده می‌کنند، MCPها یک فرمت جهانی و استاندارد برای همه این تعاملات ارائه می‌دهند و به طور قابل توجهی تطبیق‌پذیری آنها را افزایش می‌دهند.
یک MCP در درجه اول از دو جزء تشکیل شده است: یک کلاینت (به عنوان مثال، ChatGPT) و یک سرور (به عنوان مثال، یک وب‌سایت برنامه‌ریزی پرواز). هنگامی که این دو با هم استفاده می‌شوند، مدل‌های هوش مصنوعی را قادر می‌سازند تا به داده‌های زمان واقعی دسترسی داشته باشند، اقدامات آنلاین را انجام دهند و بیشتر شبیه عوامل فعال عمل کنند تا ربات‌های گفتگو استاتیک.
در حال حاضر، دو نوع اصلی MCP در حال افزایش هستند. نوع اول برای توسعه‌دهندگان ارائه می‌شود که توسط ابزارهایی مانند Cursor یا Claude Code نشان داده می‌شود که می‌توانند روی دستگاه‌هایی مانند لپ‌تاپ‌ها برای مدیریت فایل‌ها و اجرای اسکریپت‌ها اجرا شوند. نوع دوم برای برنامه‌های کاربردی دنیای واقعی طراحی شده است و بر فعالیت‌هایی مانند جستجوی محصولات، ثبت دامنه‌ها، رزرو رویدادها یا ارسال ایمیل تمرکز دارد.
برای بررسی پیامدهای عملی، دو نوع متمایز MCP توسعه داده شد. اولی، به نام GPT Learner، یک سرور توسعه‌دهنده است که برای کمک به کاربران در هدایت Cursor در به خاطر سپردن خطاها و جلوگیری از تکرار طراحی شده است. اگر Claude یا Cursor به اشتباه کد را بازنویسی کند، این ابزار به کاربران اجازه می‌دهد تا از اشتباه درس بگیرند و رویکرد صحیح را برای مراجعات بعدی ذخیره کنند.
پروژه دوم یک MCP بازار پیش‌بینی است که مدل‌های زبانی بزرگ را به یک وب‌سایت به نام betsee.xyz متصل می‌کند که بازارهای پیش‌بینی زمان واقعی را جمع‌آوری می‌کند. هنگامی که یک کاربر از Claude سؤالی مانند ‘اثرات ثانویه توقف تعرفه‌های ترامپ چیست و مردم روی چه چیزی شرط می‌بندند؟’ می‌پرسد، MCP بازارهای مربوطه و شانس‌های زمان واقعی را از Polymarket یا Kalshi برمی‌گرداند.
چرا MCPها هنوز برای استفاده گسترده آماده نیستند
ساخت این دو MCP بینش‌های کلیدی متعددی را آشکار کرد، در درجه اول اینکه MCPها هنوز برای پذیرش گسترده آماده نیستند.
تجربه کاربری فعلی با MCPها کمتر از حد مطلوب است. اکثر ربات‌های گفتگو مانند ChatGPT هنوز از سرورهای MCP پشتیبانی نمی‌کنند. از بین کسانی که پشتیبانی می‌کنند، نصب اغلب نیاز به ویرایش دستی JSON دارد، فرآیندی که به هیچ وجه کاربرپسند نیست. ربات‌های گفتگو مانند Cursor و Claude تمایل دارند از کاربران برای هر درخواست بپرسند و اغلب اطلاعات ناقص یا خروجی JSON خام را برمی‌گردانند و تجربه را دست و پا گیر و غیر رضایت‌بخش می‌کنند.
با استفاده از نسخه دسکتاپ Claude برای پرس و جو از MCP بازار پیش‌بینی، اغلب در ارائه پیوندها یا قیمت‌ها ناکام بود، مگر اینکه به طور صریح خواسته شود و در مواردی اصلاً با سرور تماس نمی‌گرفت. درخواست‌های بازشو مداوم از Claude هنگام استفاده از MCPها علاقه کاربران را بیشتر کاهش داد. در حالی که پردازش یکپارچه و پاسخ‌های معنادار از MCPها در آینده انتظار می‌رود، فناوری هنوز به آن مرحله نرسیده است.
امنیت یکی دیگر از نگرانی‌های مهم است. با توجه به توانایی آنها در انجام عملیات خارجی و دسترسی به سیستم‌های زمان واقعی، MCPها با چالش‌های امنیتی متعددی روبرو هستند. تزریق سریع، نصب ابزارهای مخرب، دسترسی غیرمجاز و حملات اسب تروا تهدیدهای بسیار واقعی هستند. در حال حاضر، کمبود sandbox، لایه‌های تأیید و یک اکوسیستم بالغ برای رسیدگی به این موارد حاشیه‌ای وجود دارد.
این مسائل روشن می‌کند که MCP هنوز یک فناوری آزمایشی است.
نقش تعیین کننده کلاینت
درس مهمی که هنگام ساخت این سرورها آموخته شد این است که کلاینت، نه سرور، در نهایت آینده MCPها را تعیین می‌کند.
کسانی که تعامل با مدل‌های بزرگ را کنترل می‌کنند، همچنین کنترل می‌کنند که کدام ابزارها را کاربران می‌بینند، کدام فعال می‌شوند و کدام پاسخ‌ها نمایش داده می‌شوند. می‌توان مفیدترین سرور MCP را در جهان ایجاد کرد، اما کلاینت ممکن است با آن تماس نگیرد، ممکن است فقط نیمی از خروجی آن را نشان دهد، یا حتی ممکن است اجازه نصب آن را ندهد.
MCPها و ظهور دروازه‌بانان
قدرت حیاتی کلاینت به این معنی است که MCPها در نهایت مانند موتورهای جستجو و فروشگاه‌های برنامه اداره خواهند شد. ارائه دهندگان پیشرو برنامه‌های مدل بزرگ مانند OpenAI و Anthropic به ‘دروازه‌بانان’ جدید تبدیل خواهند شد و تصمیم می‌گیرند کدام MCPها می‌توانند فهرست شوند و قابلیت کشف آنها را از طریق الگوریتم‌های توصیه مدیریت می‌کنند.
گوگل از زمان آغاز به کار خود در اواخر دهه 1990، محتوایی را که به کاربران ارائه می‌شود کنترل کرده است، که به آنها کمک کرده است تا یک تجارت بسیار سودآور ایجاد کنند. ربات‌های گفتگو اکنون این توانایی را به دست می‌آورند و جایگزین ‘10 پیوند آبی’ موتور جستجوی سنتی با پاسخ‌های مستقیم می‌شوند. آنها می‌توانند تصمیم بگیرند که کدام محتوا را نشان دهند، کدام را حذف کنند و چگونه آن را قالب بندی کنند.
فرآیند نصب MCP احتمالاً شبیه مدل فروشگاه برنامه خواهد بود. همانطور که اپل و گوگل با تصمیم‌گیری در مورد اینکه کدام برنامه‌ها توصیه می‌شوند، از پیش نصب شده‌اند یا تأیید شده‌اند، اکوسیستم تلفن همراه را شکل داده‌اند، مشتریان مدل بزرگ تعیین خواهند کرد که کدام سرورهای MCP به نمایش گذاشته می‌شوند، تبلیغ می‌شوند و حتی در پلتفرم مجاز هستند. این پویایی احتمالاً منجر به رقابت بین شرکت‌ها می‌شود و به طور بالقوه شامل پرداخت به ارائه دهندگان مدل برای توصیه‌ها و قرار گرفتن در معرض اکوسیستم جدید می‌شود و ایجاد پلتفرم‌های توزیع MCP با سود بالا را تقویت می‌کند.
کاربران MCPها یا ‘برنامه‌های چت هوش مصنوعی’ را از ‘فروشگاه‌های MCP’ با دقت انتخاب شده نصب می‌کنند. ابزارهایی مانند Gmail، HubSpot، Uber و Kayak نقاط پایانی MCP را اضافه می‌کنند و مستقیماً در گردش کار مبتنی بر چت ادغام می‌شوند. در حالی که کاربران از نظر تئوری می‌توانند هر MCP را که می‌خواهند نصب کنند، اکثر آنها احتمالاً به توصیه‌های ارائه شده توسط مشتری مانند توصیه‌های ChatGPT تکیه می‌کنند. این توصیه‌ها خودسرانه نخواهند بود، اما ناشی از مشارکت‌های سودآور هستند، با شرکت‌های بزرگ که برای تبدیل شدن به گزینه پیش‌فرض در دسته‌های خرید، مسافرت، جستجوی دامنه یا جستجوی خدمات هزینه می‌پردازند. این سطح از دید میلیون‌ها کاربر را به ارمغان می‌آورد و قرار گرفتن در معرض، داده و ارزش تجاری زیادی را ارائه می‌دهد.
برخی از فروشگاه‌های برنامه MCP سمت مشتری (MAS) انتخاب گسترده‌تر و بازتری از MCPها را ارائه می‌دهند و امکان آزمایش گسترده‌تر و MCPهای توسعه یافته توسط جامعه را فراهم می‌کنند. دیگران فرآیندهای تأیید سخت‌گیرانه‌ای خواهند داشت و کیفیت، امنیت و کسب درآمد را در اولویت قرار می‌دهند. در هر صورت، کلاینت شرایط شرکت را تعیین می‌کند—و قوانین موفقیت را.
مشتریان MCP مانند OpenAI و Claude به پلتفرم‌های جدید iOS و Android تبدیل خواهند شد و سرورهای MCP نقش برنامه‌ها را ایفا می‌کنند. به جای نمادها، این برنامه‌ها از طریق دستورات کاربر فراخوانی می‌شوند و پاسخ‌های غنی، ساختاریافته و تعاملی را به نیازهای کاربر از طریق تعامل زبانی ارائه می‌دهند.
با گذشت زمان، ممکن است شاهد ظهور مشتریان تخصصی باشیم که متناسب با صنایع یا حوزه‌های خاص طراحی شده‌اند. یک دستیار چت هوش مصنوعی را تصور کنید که بر برنامه‌ریزی سفر متمرکز است و خدمات یکپارچه را از خطوط هوایی، زنجیره‌های هتل و آژانس‌های مسافرتی ادغام می‌کند تا تجربه برنامه‌ریزی سفر جامع را به کاربران ارائه دهد. یا یک مشتری MCP که بر منابع انسانی متمرکز است و دسترسی یکپارچه به داده‌های قانونی، سوابق کارکنان و ابزارهای سازمانی را فراهم می‌کند و نحوه مدیریت مشاغل را متحول می‌کند.
در حالی که اکثر کاربران به مشتریان اصلی پایبند خواهند بود، برخی از ربات‌های گفتگوی هوش مصنوعی منبع باز ظاهر می‌شوند. این ربات‌های گفتگو برای متخصصانی جذاب خواهند بود که می‌خواهند کنترل کاملی بر MCPهایی که نصب می‌کنند، داشته باشند، و از محدودیت‌های تحمیل شده توسط دروازه‌بانان آزاد باشند. با این حال، مانند سیستم‌های دسکتاپ لینوکس، این محصولات منبع باز احتمالاً بازارهای طاقچه‌ای باقی می‌مانند.
فرصت‌های جدید در اکوسیستم نوظهور
انتظار می‌رود چندین نوع از مشاغل و ابزارها برای خدمت به چشم‌انداز در حال تحول MCP ظاهر شوند، از جمله:
پوشش‌های MCP و بسته‌های سرور: اینها چندین MCP مرتبط را در یک بسته نصب واحد بسته‌بندی می‌کنند و راه اندازی را ساده می‌کنند. یک بسته واحد را تصور کنید که یک تقویم، ایمیل، مدیریت ارتباط با مشتری و MCP ذخیره سازی فایل را ارائه می‌دهد که بدون هیچ پیکربندی آماده استفاده است. چنین بسته‌هایی فرآیندهای پرسنلی را ساده می‌کنند و به ویژه در بازارهای عمودی مفید هستند. آنها همچنین ممکن است شامل ابزارهای بسته‌بندی باشند (‘تنظیم تقویم و ارسال ایمیل’).
موتورهای خرید MCP: برخی از سرورهای MCP به عنوان موتورهای مقایسه مجهز به هوش مصنوعی عمل می‌کنند و قیمت‌ها و لیست‌های محصول زمان واقعی را از فروشندگان مختلف ارائه می‌دهند. آنها از طریق پیوندهای وابسته کسب درآمد می‌کنند و هزینه‌های ارجاع را به دست می‌آورند. این رویکرد منعکس کننده بهینه سازی اولیه موتور جستجو و بازاریابی وابسته است.
برنامه‌های محتوای MCP-First: این خدمات تحویل محتوا را برای مدل‌های زبانی بزرگ از طریق سرورهای MCP به جای طراحی وب‌سایت‌ها برای بینندگان انسانی بهینه می‌کنند. داده‌های غنی، ساختاریافته و برچسب‌های معنایی را که از طریق تماس‌های MCP برگردانده می‌شوند، تصور کنید. درآمد به جای بازدید از صفحه، از اشتراک‌ها یا حمایت‌های مالی جاسازی شده و قرار دادن محصول حاصل می‌شود.
ارائه دهندگان API به MCP: بسیاری از ارائه دهندگان API موجود مایل به شرکت در این اکوسیستم جدید هستند، اما منابع لازم را برای انجام این کار ندارند. این امر باعث ظهور ابزارهای میان‌افزار می‌شود که به طور خودکار APIهای REST سنتی را به سرورهای MCP سازگار و قابل کشف تبدیل می‌کنند و پیوستن به پلتفرم‌های SaaS را آسان می‌کنند.
Cloudflare برای MCPها: امنیت یک نگرانی عمده است. این ابزارها بین کلاینت و سرور قرار می‌گیرند و ورودی‌ها را پاکسازی می‌کنند، درخواست‌ها را ثبت می‌کنند، حملات را مسدود می‌کنند و ناهنجاری‌ها را نظارت می‌کنند. همانطور که Cloudflare وب مدرن را ایمن‌تر کرده است، این نوع خدمات نقش مشابهی را در اکوسیستم MCP ایفا می‌کند.
راه حل‌های MCP ‘خصوصی’ سازمانی: شرکت‌های بزرگ شروع به اتصال خدمات داخلی خود به سرورهای MCP خصوصی و استفاده از محصولات هوش مصنوعی منبع باز می‌کنند. این تنظیمات داخلی بخشی از گردش کار هوش مصنوعی در پشت فایروال می‌شود و به شرکت‌ها کنترل می‌دهد.
مشتریان MCP متمرکز به صورت عمودی: در حالی که بسیاری از ربات‌های گفتگو می‌توانند نیازهای عمومی کاربر را برآورده کنند، سناریوهای خاصی مانند تهیه صنعتی و کار انطباق نیاز به رابط‌های کاربری خاص و منطق تجاری دارند. مشتریان MCP متمرکز به صورت عمودی با عملیات، زبان و طرح‌بندی سفارشی برای پاسخگویی به این نیازهای منحصر به فرد ظاهر می‌شوند.