MCP: שחר חדש לאינטראקציית כלי AI

הבנת MCP

הגדרה ומקורות

MCP, או פרוטוקול הקשר מודל, הוא פרוטוקול סטנדרטי שהוצג על ידי Anthropic בנובמבר 2024. הוא מטפל באינטראקציה המפוצלת בין מודלים של AI לכלים ונתונים חיצוניים. לעתים קרובות הוא מושווה ל-“USB-C עבור AI”, MCP מציע ממשק מאוחד המאפשר לסוכני AI לגשת בצורה חלקה למשאבים חיצוניים כמו מסדי נתונים, מערכות קבצים, אתרי אינטרנט וממשקי API מבלי להזדקק לקוד הסתגלות מותאם אישית מורכב עבור כל כלי.

אם ממשקי API הם השפה האוניברסלית של האינטרנט, המחברים שרתים ולקוחות, אז MCP היא השפה המאחדת עבור כלי AI, המגשרת על הפער בין סוכנים אינטליגנטיים לעולם האמיתי. הוא מעצים את ה-AI לתפעל כלים באמצעות שפה טבעית, בדומה לאופן שבו בני אדם משתמשים בסמארטפונים. משימות מתפתחות משאילתות פשוטות כמו “תגיד לי מה מזג האוויר היום” לפעולות מורכבות כמו “בדוק את מזג האוויר ותזכיר לי לקחת מטריה” או “צור מודל תלת-ממדי והעלה אותו לענן”.

חזון הליבה: MCP שואפת לשפר את היעילות ולהעצים סוכני AI עם היכולת לעבור מעבר להבנה לפעולה מוחשית. זה מאפשר למפתחים, לעסקים ואפילו למשתמשים לא טכניים להתאים אישית סוכנים אינטליגנטיים, ולהפוך אותם לגשר בין אינטליגנציה וירטואלית לעולם הפיזי.

היצירה של MCP לא הייתה מקרית. Anthropic, שהוקמה על ידי חברים לשעבר ב-OpenAI, זיהתה את המגבלות של LLM, אשר לעתים קרובות מוגבלות ל-“ממגורות מידע”, עם ידע המוגבל לנתוני האימון שלהם וחסר גישה בזמן אמת למידע חיצוני. לאחר ההצלחה של מודלים מסדרת Claude בשנת 2024, Anthropic הבינה את הצורך בפרוטוקול אוניברסלי כדי לפתוח את הפוטנציאל המלא של AI. שחרור הקוד הפתוח של MCP צבר במהירות משיכה. עד מרץ 2025, יותר מ-2000 שרתי MCP שפותחו עלידי קהילה היו מקוונים, המכסים תרחישים החל מניהול קבצים ועד ניתוח בלוקצ’יין, עם למעלה מ-300 פרויקטים של GitHub המעורבים וקצב צמיחה של 1200%. MCP הוא לא רק פרוטוקול טכני אלא מסגרת שיתוף פעולה מונעת על ידי קהילה.

MCP עבור המשתמש היומיומי

עבור משתמשים בודדים, MCP פועלת כ-“מפתח קסם” ל-AI, מה שהופך כלים אינטליגנטיים מורכבים לנגישים וידידותיים למשתמש. זה מאפשר לאנשים לפקד על AI באמצעות שפה טבעית כדי להשלים משימות יומיומיות מבלי לדרוש ידע בתכנות. תארו לעצמכם שמנחים את קלוד “לארגן את לוח הזמנים שלי ולהזכיר לי את הפגישות של מחר”. MCP מתחבר אוטומטית ליומנים, מיילים וכלי תזכורות, ומשלים את המשימה תוך שניות. או, שקלו לומר, “עזרו לי לעצב כרטיס יום הולדת”. MCP קוראת לשרת עיצוב (כמו Figma), יוצרת כרטיס מותאם אישית ושומרת אותו בענן. עבור משתמשים לא טכניים, MCP מתפקדת כעוזרת סופר בלתי נראית, והופכת פעולות מייגעות לשיחות פשוטות, מה שהופך את הטכנולוגיה לשירות אמיתי לחיים.

• הבנה פשוטה: MCP פועלת כעוזרת חכמה, המשדרגת את עוזר ה-AI שלך מ-“סתם צ’אט” ל-“ביצוע דברים”, ועוזרת לך לנהל קבצים, לתכנן את החיים שלך ואפילו ליצור תוכן.
• ערך ממשי: זה הופך את ה-AI מטכנולוגיה בלתי נגישה לעוזר אישי לחיים, וחוסך זמן, משפר את היעילות ומגן על הפרטיות.

תרחישים רחבים יותר: ממטלות ליצירתיות

MCP היא יותר מסתם כלי; היא מייצגת שינוי בסגנון החיים, המאפשר לכולם “להתאים אישית” את עוזר ה-AI שלהם מבלי להזדקק לשירותים מקצועיים יקרים. עבור קשישים, MCP יכולה לפשט פעולות - אמירה “תזכיר לי לקחת את התרופה שלי והודע למשפחה שלי” גורמת ל-AI להשלים את המשימה באופן אוטומטי, ולשפר את העצמאות. MCP מתרחבת מעבר למשימות פשוטות, וממריצה יצירתיות ומטפלת בצרכים יומיומיים:

• ניהול יומיומי: אמירה “רשימת הקניות של השבוע והזכיר לי” מאפשרת ל-MCP לבדוק את מלאי המקרר ואתרי השוואת מחירים, ליצור רשימה ולשלוח אותה באמצעות SMS.
• למידה וצמיחה: סטודנטים שאומרים “ארגן הערות ביולוגיה ועשה תוכנית לימודים” גורמים ל-MCP לסרוק הערות, להתחבר לפלטפורמות למידה ולהוציא תוכנית לימודים ושאלות חידון.
• חקירת עניין: לומדים לבשל? אמירה “מצא מתכוני פסטה איטלקיים ומרכיבים” מאפשרת ל-MCP לחפש אתרי אינטרנט, לבדוק מלאי וליצור תפריטים, וחוסך את הטרחה של דפדוף בספרים.
• קשר רגשי: לימי הולדת, אמירה “עצב כרטיס ושלח אותו לאמא” מאפשרת ל-MCP להשתמש ב-Figma כדי לעצב ולשלוח אותו בדוא”ל.

פרטיות ושליטה: הבטחה למשתמשים

פרטיות היא דאגה עיקרית עבור משתמשים בודדים, ומנגנון בקרת ההרשאות של MCP מבטיח שהמשתמשים ישמרו על שליטה מוחלטת על זרימת הנתונים. לדוגמה, אתה יכול להגדיר הרשאות ל-“אפשר ל-AI לקרוא את היומן, אבל לא לגעת בתמונות”, ולספק הרשאה אמינה. יתר על כן, פונקציית ה-“דגימה” של MCP מאפשרת למשתמשים לבדוק בקשות לפני שה-AI מבצע משימות רגישות, כגון ניתוח דפי בנק, כאשר משתמשים יכולים לאשר ש-“רק הנתונים של החודש האחרון” משמשים. שקיפות ושליטה זו מטפחות אמון תוך שמירה על נוחות.

הנחיצות של MCP

המגבלות של LLM הניעו את הצורך ב-MCP. באופן מסורתי, הידע של מודלים של AI מוגבל לנתוני האימון שלהם, ומונע גישה למידע בזמן אמת. אם LLM רוצה לנתח את מגמות שוק מטבעות הקריפטו למרץ 2025, עליו להזין נתונים באופן ידני או לכתוב קריאות API ספציפיות, מה שיכול לקחת שעות או ימים. חמור מכך, מפתחים מתמודדים עם “בעיית M×N” כאשר הם עוסקים במספר מודלים וכלים - אם יש 10 מודלים של AI ו-10 כלים חיצוניים, יש צורך ב-100 אינטגרציות מותאמות אישית, מה שמגדיל באופן אקספוננציאלי את המורכבות. פיצול זה אינו יעיל וקשה להרחבה.

MCP מטפל במחסומים אלה, ומצמצם את החיבורים ל-N+M (יש צורך רק ב-20 תצורות עבור 10 מודלים ו-10 כלים), ומאפשר לסוכני AI לקרוא לכלים בגמישות. יצירת דוח עם מחירי מניות בזמן אמת, אשר באופן מסורתי לוקחת 2 שעות, יכולה להיעשות תוך 2 דקות בלבד עם MCP.

ארכיטקטורה טכנית ותפעול פנימי של MCP

רקע טכני ומיצוב אקולוגי

הבסיס הטכני של MCP הוא JSON-RPC 2.0, תקן תקשורת קל משקל ויעיל התומך באינטראקציה דו-כיוונית בזמן אמת, בדומה לביצועים הגבוהים של WebSockets. הוא פועל באמצעות ארכיטקטורת לקוח-שרת:

• MCP Host: היישום האינטראקטיבי למשתמש, כגון Claude Desktop, Cursor או Windsurf, אחראי לקבלת בקשות והצגת תוצאות.
• MCP Client: מוטבע בתוך המארח, הוא יוצר חיבור אחד לאחד עם השרת, מטפל בתקשורת פרוטוקולים ומבטיח בידוד ואבטחה.
• MCP Server: תוכנית קלת משקל המספקת פונקציות ספציפיות, המחברת מקורות נתונים מקומיים (כגון קבצי שולחן עבודה) או מרוחקים (כגון ממשקי API בענן).

שיטות שידור כוללות:

• Stdio: קלט/פלט סטנדרטי, מתאים לפריסה מהירה מקומית, כגון ניהול קבצים, עם השהיה נמוכה כמו מילישניות.
• HTTP SSE: אירועים שנשלחו על ידי השרת, התומכים באינטראקציה מרחוק בזמן אמת, כגון קריאות API בענן, המתאימים לתרחישים מבוזרים.

Anthropic מתכננת להציג WebSockets עד סוף 2025 כדי לשפר עוד יותר את הביצועים המרוחקים. במערכת האקולוגית של AI, ל-MCP יש מיקום ייחודי, השונה מקריאת הפונקציות של OpenAI, הקשורה לפלטפורמה ספציפית, וספריית הכלים של LangChain, המכוונת למפתחים. MCP משרתת מפתחים, עסקים ומשתמשים לא טכניים באמצעות פתיחות ותקינה.

עיצוב ארכיטקטוני

MCP משתמשת בארכיטקטורת לקוח-שרת, בדומה להגדרת מסעדה: הלקוח (MCP host) רוצה להזמין אוכל (נתונים או פעולות), והמלצר (MCP client) מתקשר עם המטבח (MCP Server). כדי להבטיח יעילות ואבטחה, MCP מקצה לקוח ייעודי לכל שרת, ויוצר חיבור מבודד אחד לאחד. רכיבי מפתח כוללים:

• Host: נקודת הכניסה למשתמש, כגון Claude Desktop, אחראית ליזום בקשות ולהציג תוצאות.
• Client: המתווך לתקשורת משתמש ב-JSON-RPC 2.0 כדי ליצור אינטראקציה עם השרת, לנהל בקשות ותגובות.
• Server: ספק הפונקציות מחבר משאבים חיצוניים ומבצע משימות, כגון קריאת קבצים או קריאה לממשקי API.

שיטות שידור גמישות:

• Stdio: פריסה מקומית, מתאימה לגישה מהירה לקבצי שולחן עבודה או למסדי נתונים מקומיים, עם השהיה נמוכה כמו מילישניות, כגון ספירת מספר קבצי txt.
• HTTP SSE: אינטראקציה מרחוק, התומכת בקריאות API בענן, עם ביצועים חזקים בזמן אמת, כגון שאילתות ממשקי API של מזג אוויר, המתאימים לתרחישים מבוזרים.
• הרחבה עתידית: ייתכן ש-WebSockets או HTTP ניתן להזרמה ייושמו עד סוף 2025, וישפרו עוד יותר את הביצועים המרוחקים ויפחיתו את ההשהיה.

פרימיטיבים פונקציונליים

MCP מיישמת פונקציות באמצעות שלושה “פרימיטיבים”:

1. Tools: פונקציות ניתנות להפעלה ש-AI קורא כדי להשלים משימות ספציפיות. לדוגמה, כלי “המרה מטבעות” ממיר 100 RMB ל-14 USD ו-109 HKD בזמן אמת (מבוסס על שער חליפין קבוע במרץ 2025); כלי “חיפוש” יכול לחפש זמני הקרנה של סרטים היום.
2. Resources: נתונים מובנים המשמשים כקלט הקשר. לדוגמה, קריאת קובץ README ממאגר GitHub מספקת רקע לפרויקט, או סריקת קובץ PDF בגודל 10MB מחלצת מידע מפתח.
3. Prompts: תבניות הוראות מוגדרות מראש המנחות את ה-AI להשתמש בכלים ובמשאבים. לדוגמה, הנחיה “סיכום מסמך” יוצרת סיכום של 200 מילים, והנחיה “תכנון מסלול” משלבת נתוני יומן טיסות.

MCP תומכת בפונקציית “דגימה” שבה השרת יכול לבקש מ-LLM לעבד משימה, והמשתמש בודק את הבקשה ואת התוצאה, ומבטיח אבטחה ושקיפות. לדוגמה, אם השרת מבקש “לנתח תוכן קובץ”, המשתמש מאשר זאת, וה-AI מחזיר סיכום, ומבטיח שנתונים רגישים לא ינוצלו לרעה, ומשפר את האבטחה והשקיפות.

תהליך תקשורת

הפעולה של MCP כוללת ארבעה שלבים:

קחו לדוגמה את הדוגמה של “שאילתות לקבצי שולחן עבודה”:

1. המשתמש מזין “רשימת המסמכים שלי”.
2. Claude מנתח את הבקשה ומזהה את הצורך לקרוא לשרת הקבצים.
3. הלקוח מתחבר לשרת, והמשתמש מאשר הרשאות.
4. השרת מחזיר רשימה של קבצים, וקלוד יוצר תשובה.

דוגמה נוספת היא “תכנון מסלול”: המשתמש מזין “סדר טיול שבת”, קלוד מגלה שרתי יומן טיסות, מקבל נתוני לוח זמנים וכרטיסים, הנחיות אינטגרציה ומחזיר “טיסה לפריז בשעה 10:00 בשבת”.

למה כדאי לך לשים לב ל-MCP?

נקודות כאב של מערכת ה-AI הנוכחית

המגבלות של LLM ברורות:

• ממגורות מידע: הידע מוגבל לנתוני האימון ולא ניתן לעדכן אותו בזמן אמת. לדוגמה, אם LLM רוצה לנתח עסקאות ביטקוין במרץ 2025, עליו להזין נתונים באופן ידני.
• בעיית M×N: האינטגרציה בין מספר מודלים וכלים מורכבת באופן אקספוננציאלי. לדוגמה, 10 מודלים ו-10 כלים דורשים 100 אינטגרציות קוד מותאמות אישית.
• חוסר יעילות: שיטות מסורתיות דורשות הטמעת וקטורים או חיפושי וקטורים, שהם יקרים מבחינה חישובית ויש להם עיכובי תגובה ארוכים.

בעיות אלה מגבילות את הפוטנציאל של סוכני AI, מה שמקשה עליהם לעבור מ-“דמיון” ל-“עשייה”.

יתרונות פריצת דרך של MCP

MCP מביאה שבעה יתרונות באמצעות ממשק סטנדרטי:

1. גישה בזמן אמת: AI יכולה לשאול את הנתונים העדכניים ביותר תוך שניות. Claude Desktop שולף רשימה של קבצים תוך 0.5 שניות באמצעות MCP, ומשפר את היעילות פי עשרה.
2. אבטחה ושליטה: הגישה לנתונים היא ישירה, ומבטלת את הצורך באחסון ביניים, כאשר אמינות ניהול ההרשאות מגיעה ל-98%. משתמשים יכולים להגביל את ה-AI לקרוא רק קבצים ספציפיים.
3. עומס חישובי נמוך: מבטל את הצורך בווקטורים מוטבעים, ומפחית כ-70% מעלויות המחשוב. חיפושי וקטורים מסורתיים דורשים 1GB של זיכרון, בעוד ש-MCP זקוקה רק ל-100MB.
4. גמישות ומדרגיות: מצמצמת חיבורים מ-N×M ל-N+M. 10 מודלים ו-10 כלים זקוקים רק ל-20 תצורות.
5. יכולת פעולה הדדית: ניתן לעשות שימוש חוזר ב-MCP Server על ידי מספר מודלים כמו Claude ו-GPT. שרת מזג אוויר אחד משרת משתמשים גלובליים.
6. גמישות של ספקים: החלפת LLM אינה דורשת שינוי מבנה בתשתית.
7. תמיכה בסוכן אוטונומי: תומך בגישה דינמית של AI לכלים, ביצוע משימות מורכבות. בעת תכנון טיול, AI יכולה לבצע שאילתות בו זמנית ביומן, להזמין טיסות ולשלוח מיילים, ולשפר את היעילות.

חשיבות והשפעה

MCP היא זרז לשינוי אקולוגי. זה כמו אבן הרוזטה, שפותחת תקשורת בין AI לעולם החיצון. חברת תרופות שילבה 10 מקורות נתונים באמצעות MCP, וצמצמה את זמן שאילתות המחקר משעתיים ל-10 דקות, ושיפרה את יעילות קבלת ההחלטות ב-90%. זה גם מעודד מפתחים לבנות כלים אוניברסליים, כאשר שרת אחד משרת את העולם, ומקדם את היווצרותה של מערכת אקולוגית.

תרחישי יישום ומקרים מעשיים של MCP

תרחישי יישום מגוונים

היישומים של MCP נרחבים:

1.פיתוח ופרודוקטיביות:
* איתור באגים בקוד: Cursor AI מאתר באגים ב-100,000 שורות קוד באמצעות שרת Browsertools, ומפחית את שיעורי השגיאות ב-25%.
* חיפוש מסמכים: שרת Mintlify מחפש 1000 עמודי מסמכים תוך 2 שניות, וחוסך 80% מהזמן.
* אוטומציה של משימות: שרת Google Sheets מעדכן אוטומטית 500 גיליונות מכירות, ומשפר את היעילות ב-300%.
2. יצירתיות ועיצוב:
* מידול תלת-ממדי: Blender MCP מפחית את זמן הדוגמנות משלוש שעות ל-10 דקות, ומשפר את היעילות פי 18.
* משימות עיצוב: שרת Figma מסייע ל-AI להתאים פריסות, ומשפר את יעילות העיצוב ב-40%.
3. נתונים ותקשורת:
* שאילתת מסד נתונים: שרת Supabase מבצע שאילתות על רשומות משתמשים בזמן אמת, עם זמן תגובה של 0.3 שניות.
* שיתוף פעולה בצוות: שרת Slack ממכן שליחת הודעות, וחוסך 80% מהפעולות הידניות.
* גירוד אתרים: שרת Firecrawl מחלץ נתונים, ומכפיל את המהירות.
4. חינוך ובריאות:
* תמיכה חינוכית: שרת MCP מתחבר לפלטפורמות למידה, ו-AI יוצרת קווי מתאר לקורסים, ומשפרת את יעילות המורים ב-40%.
* אבחון רפואי: מתחבר למסדי נתוני מטופלים, ו-AI יוצרת דוחות אבחון עם שיעור דיוק של 85%.
5. בלוקצ’יין ומימון:
* אינטראקציית ביטקוין: שרת MCP מבצע שאילתות על עסקאות בלוקצ’יין, ומשפר את הביצועים בזמן אמת לרמה השנייה.
* ניתוח DeFi: מנתח עסקאות של משקיעים גדולים ב-Binance, ומנבא רווחים, עם שיעור דיוק של 85%.

ניתוח מקרה ספציפי

• ניתוח מקרה: Claude סורק 1000 קבצים ויוצר סיכום של 500 מילים תוך 0.5 שניות בלבד. שיטות מסורתיות דורשות העלאה ידנית של קבצים לענן, שאורכת מספר דקות.
• יישום בלוקצ’יין: AI ניתחה עסקאות של משקיעים גדולים ב-Binance באמצעות שרת MCP במרץ 2025, וניבאה רווחים פוטנציאליים, והדגימה את הפוטנציאל שלה בתחום הפיננסי.

מערכת אקולוגית MCP: סטטוס ומשתתפים

ארכיטקטורת מערכת אקולוגית

מערכת האקולוגית של MCP מתחילה להתגבש, ומכסה ארבעה תפקידים עיקריים:

1. לקוחות:
   • יישומים מיינסטרים: Claude Desktop, Cursor, Continue.
   • כלים מתעוררים: Windsurf, LibreChat, Sourcegraph.
2. שרתים:
   • מחלקת מסדי נתונים: Supabase, ClickHouse, Neon, Postgres.
   • מחלקת כלים: Resend, Stripe, Linear.
   • מחלקת קריאייטיב: Blender, Figma.
   • מחלקת נתונים: Firecrawl, Tavily, Exa AI.
3. שוק:
   • mcp.so: כולל שרתים, המספק התקנה בלחיצה אחת.
   • פלטפורמות אחרות: Mintlify, OpenTools.
4. תשתית:
   • Cloudflare: אירוח שרתים, הבטחת זמינות.
   • Toolbase: אופטימיזציה של השהיה.
   • Smithery: אספקת איזון עומסים דינמי.

נתונים אקולוגיים

• קנה מידה: עד מרץ 2025, MCP Server גדל מחודש דצמבר 2024 ליחידות +, קצב צמיחה של %.
• קהילה: השתתפו פרויקטים של GitHub +, כאשר שרתים מגיעים מתרומות של מפתחים.
• פעילות: האקתון מוקדם משך מפתחים +, ויצר יישומים חדשניים +, כגון עוזרי קניות וכלי ניטור בריאות.

מגבלות ואתגרים של MCP

צווארי בקבוק טכניים

• מורכבות יישום: MCP מכיל הנחיות ופונקציות דגימה, המגדילות את קושי הפיתוח. יש לכתוב תיאורי כלים בקפידה, אחרת קריאות LLM נוטות לשגיאות.
• הגבלות פריסה: דורש הפעלה במסופים מקומיים, הפעלה ידנית של השרת, חוסר פריסה בלחיצה אחת או יישומי אינטרנט, המגבילים תרחישים מרוחקים.
• אתגרי איתור באגים: תאימות לקוחות צולבת גרועה, תמיכת רישום לא מספקת. לדוגמה, שרת עשוי לעבוד היטב ב-Claude Desktop, אך עשוי להיכשל ב-Cursor.
• חסרונות שידור: תומך רק ב-Stdio ו-SSE, חסר אפשרויות גמישות יותר כמו WebSockets, המגבילים ביצועים מרוחקים בזמן אמת.

ליקויי איכות אקולוגית

• איכות לא אחידה: מבין שרתי +, לכ-% יש בעיות יציבות או חוסר תיעוד, מה שגורם לחוויות משתמש לא עקביות.
• גילוי לא מספיק: דורש הגדרה ידנית של כתובות שרת, ומנגנון הגילוי הדינמי עדיין אינו בשל, ודורש ממשתמשים לחפש ולבדוק בעצמם.
• מגבלות קנה מידה: בהשוואה לכלי Zapier + או לספריית הכלים של LangChain +, הכיסוי של MCP עדיין אינו מספיק.

אתגרי תחולה בסביבות ייצור

• דיוק שיחה: שיעור ההצלחה הנוכחי של קריאות כלי LLM הוא כ-%, הנוטה לכישלון במשימות מורכבות.
• צרכי התאמה אישית: סוכני ייצור צריכים לייעל הודעות מערכת וארכיטקטורות בהתאם לכלים, וקשה לעמוד ב-“הכנס-הפעל” של MCP.
• ציפיות משתמשים: עם השיפור ביכולות המודל, למשתמשים יש דרישות גבוהות יותר לאמינות ומהירות, והכלליות של MCP עשויה להקריב ביצועים.

תחרות ולחץמפתרונות חלופיים

• פתרונות קנייניים: Agent SDK של OpenAI מספק אמינות גבוהה יותר באמצעות אופטימיזציה עמוקה, העלולה למשוך משתמשים יוקרתיים.
• מסגרות קיימות: לספריית הכלים של LangChain יש דביקות מבוססת בקרב מפתחים, ומערכת האקולוגית החדשה של MCP זקוקה לזמן כדי להתעדכן.
• השוואת שוק: ה-Custom GPTs של OpenAI לא זכו להצלחה רבה, ו-MCP צריכה להוכיח את ערכה הייחודי כדי להימנע מחזרה על טעויות.

מגמות עתידיות: נתיב האבולוציה של MCP

נתיב רב-ממדי של אופטימיזציה טכנית

• פשטת פרוטוקול: הסר פונקציות מיותרות, התמקד בשיחות כלים, צמצם מחסומי פיתוח.
• עיצוב חסר מצב: תמוך בפריסה בצד השרת, הצג מנגנוני אימות, פתור בעיות רב-דיירים.
• תקינה של חוויית משתמש: תקנן את הלוגיקה של בחירת הכלים ועיצוב הממשק כדי לשפר את העקביות.
• שדרוג איתור באגים: פתח כלי איתור באגים חוצי פלטפורמות, ספק יומנים מפורטים ומעקב אחר שגיאות.
• הרחבת שידור: תמוך ב-WebSockets ו-HTTP ניתן להזרמה כדי לשפר את יכולות האינטראקציה המרוחקת.

כיוון אסטרטגי של פיתוח אקולוגי

• בניית שוק: השק פלטפורמה הדומה ל-npm, המשלבת דירוג, חיפוש ופונקציות התקנה בלחיצה אחת כדי לייעל את גילוי השרת.
• תמיכה באינטרנט: יישם פריסה בענן ואינטגרציה של דפדפן, נתק ממגבלות מקומיות, כוון למשתמשי אינטרנט.
• הרחבת תרחישים עסקיים: עבור מכלי קידוד לתמיכת לקוחות, עיצוב, שיווק ותחומים אחרים.
• תמריצים קהילתיים: עודדו פיתוח שרתים איכותיים באמצעות בונוסים, הסמכות, במטרה להגיע לשרתי + עד סוף.