دنیای مدل‌های زبانی بزرگ (LLM) اغلب نیازمند اتصال آنها به منابع خارجی مانند مخازن داده، ابزارهای تخصصی یا رابط‌های برنامه‌نویسی کاربردی (API) است تا پتانسیل واقعی آنها را آزاد کند. با این حال، یک روش استاندارد برای این ادغام به طور محسوسی غایب بوده است - تا به حال.
Anthropic با یک راه حل بالقوه پیشقدم شده است: پروتکل زمینه مدل (MCP)، یک پروتکل باز که هدف آن تبدیل شدن به “USB-C” دنیای هوش مصنوعی است. بیایید MCP را به تفصیل بررسی کنیم و عملکردها، کاربردها، چالش‌ها و استراتژی‌های استقرار آن را بررسی کنیم.
MCP که اخیراً معرفی شده است، یک پروژه منبع باز است که توسط سازندگان مدل Claude رهبری می‌شود. این پروژه یک استاندارد جهانی و باز را پیش‌بینی می‌کند که به طور یکپارچه سیستم‌های هوش مصنوعی را با منابع داده‌ای مختلف متصل می‌کند.
MCP دامنه دسترسی خود را فراتر از پایگاه داده‌های ساده گسترش می‌دهد و دسترسی به مجموعه‌ای متنوع از ابزارها و منابع را امکان پذیر می‌کند. این قابلیت‌ها شامل پرس و جو از پایگاه داده‌ها، راه اندازی کانتینرهای Docker و حتی تعامل با پلتفرم‌های پیام‌رسانی محبوب مانند Slack یا Discord است.
خواه هدف ادغام یک LLM با یک پایگاه داده SQL، مدیریت یک خوشه Kubernetes یا خودکارسازی وظایف Jira باشد، احتمال زیادی وجود دارد که یک سرور MCP مناسب از قبل وجود داشته باشد. حرکت این پروژه قابل توجه بوده است و توجه و حمایت قابل توجهی را از سوی غول‌های صنعت مانند OpenAI و Google به خود جلب کرده است.
این بررسی به جنبه‌های عملی MCP می‌پردازد و کاربردهای بالقوه، چالش‌های ذاتی و روش‌های استقرار و ادغام سرورهای MCP با Claude Desktop و مدل‌های سفارشی با استفاده از Open WebUI را برجسته می‌کند.
درک MCP: معماری کلاینت-سرور
MCP بر روی یک معماری کلاینت-سرور متعارف عمل می‌کند که از سه عنصر اساسی تشکیل شده است: میزبان، کلاینت و سرور.
میزبان به طور معمول یک رابط کاربری است، مانند Claude Desktop یا یک محیط توسعه یکپارچه (IDE) مانند Cursor. این رابط مسئول مدیریت یک یا چند کلاینت MCP است.
هر کلاینت یک اتصال اختصاصی با سرور از طریق پروتکل MCP برقرار می‌کند. ارتباط بین کلاینت و سرور از طریق پیام‌های JSON-RPC انجام می‌شود و لایه انتقال بر اساس پیاده‌سازی خاص متفاوت است. لایه‌های انتقال پشتیبانی شده در حال حاضر شامل Stdio، HTTP و رویدادهای ارسال شده توسط سرور (SSE) است.
سرور MCP قابلیت‌های خاصی را در اختیار کلاینت قرار می‌دهد و آنها را به روشی استاندارد در دسترس میزبان قرار می‌دهد. این دسترسی یکنواخت دلیل اصلی مقایسه MCP با USB-C برای هوش مصنوعی است.
همانطور که USB با حذف نیاز به رابط‌های جداگانه برای لوازم جانبی و دستگاه‌های ذخیره سازی، انقلابی در اتصال ایجاد کرد، MCP در تلاش است تا یک زبان مشترک برای تعامل مدل‌ها با داده‌ها و ابزارها ایجاد کند.
نقش سرور MCP بستگی به مکان منبع دارد. برای منابع محلی، مانند یک پایگاه داده SQLite، سرور مستقیماً به منبع دسترسی پیدا می‌کند. برای منابع راه دور، مانند یک سطل S3، به عنوان یک پل عمل می‌کند و تماس‌های API را رله می‌کند. این عملکرد پل زدن، قیاس USB-C را تقویت می‌کند، زیرا سرورهای MCP اغلب به عنوان آداپتور عمل می‌کنند و رابط‌های خاص فروشنده را به یک فرمت استاندارد تبدیل می‌کنند که مدل‌های زبانی می‌توانند به راحتی آن را درک کنند.
مکانیزم قرار گرفتن در معرض و پاسخ ثابت، یک جنبه کلیدی MCP است که یکنواختی را در منابع مختلف تضمین می‌کند.
یکی از جالب‌ترین ویژگی‌های MCP، قابلیت ارتباط دوطرفه آن است. نه تنها برنامه میزبان می‌تواند از سرور درخواست داده کند، بلکه سرور همچنین می‌تواند از طریق درخواست‌های نمونه‌برداری/createMessage به کلاینت با LLM ارتباط برقرار کند. در حالی که این قابلیت هنوز به طور جهانی پشتیبانی نمی‌شود، راه را برای گردش‌های کاری عاملی هیجان‌انگیز هموار می‌کند.
با درک اساسی از MCP، اجازه دهید کاربرد عملی آن را بررسی کنیم.
کار عملی با MCP: آزمایش با Claude Desktop
با توجه به توسعه MCP توسط Anthropic، Claude Desktop یک محیط ساده برای آزمایش اولیه ارائه می‌دهد.
برای کاربرانی که ترجیح می‌دهند از ارائه دهندگان LLM شخص ثالث اجتناب کنند، بخش بعدی به اتصال سرورهای MCP به مدل‌های محلی و رابط Open WebUI می‌پردازد.
فراتر از Claude Desktop، چند وابستگی مورد نیاز است زیرا سرورهای MCP می‌توانند در محیط‌های مختلف کار کنند. برای این نمایش، Node.js، Python 3 و مدیر بسته UVX برای Python باید نصب شوند.
پس از نصب وابستگی‌های لازم، Claude Desktop را راه اندازی کرده و با استفاده از یک حساب Anthropic وارد شوید. به تنظیمات برنامه و سپس به تب “Developer” بروید.
کلیک کردن روی دکمه “Edit Config” به طور خودکار یک فایل خالی claude_desktop_config.json در پوشه ~/Library/Application Support/Claude/ در macOS یا پوشه %APPDATA%\\Claude\\ در Windows ایجاد می‌کند. این فایل پیکربندی کلاینت MCP را در خود جای می‌دهد. سرورهای زمان سیستم و سیستم فایل MCP برای اهداف آزمایشی استفاده خواهند شد.
فایل claude_desktop_config.json را در یک ویرایشگر متن یا IDE (به عنوان مثال، VSCodium) باز کنید و محتویات آن را با پیکربندی سرور زمان زیر جایگزین کنید و منطقه زمانی را مطابق میل تنظیم کنید: