MCP: Era Baharu Interaksi Alat Ejen AI

Memahami MCP

Definisi dan Asal Usul

MCP, atau Protokol Konteks Model, adalah protokol piawai yang diperkenalkan oleh Anthropic pada November 2024. Ia menangani interaksi yang terfragmentasi antara model AI dan alat serta data luaran. Seringkali disamakan dengan “USB-C untuk AI,” MCP menawarkan antara muka yang bersatu yang membolehkan ejen AI mengakses sumber luaran seperti pangkalan data, sistem fail, laman web, dan API tanpa memerlukan kod penyesuaian khusus yang rumit untuk setiap alat.

Jika API adalah bahasa universal internet, menghubungkan pelayan dan pelanggan, maka MCP adalah bahasa penyatuan untuk alat AI, merapatkan jurang antara ejen pintar dan dunia nyata. Ia memperkasakan AI untuk memanipulasi alat melalui bahasa semula jadi, sama seperti manusia menggunakan telefon pintar. Tugas berkembang daripada pertanyaan mudah seperti “Beritahu saya cuaca hari ini” kepada operasi kompleks seperti “Semak cuaca dan ingatkan saya untuk membawa payung” atau “Hasilkan model 3D dan muat naik ke awan.”

Visi Teras: MCP bertujuan untuk meningkatkan kecekapan dan memperkasakan ejen AI dengan kemampuan untuk bergerak melampaui pemahaman kepada tindakan ketara. Ini membolehkan pembangun, perniagaan, dan juga pengguna bukan teknikal untuk menyesuaikan ejen pintar, menjadikan mereka jambatan antara kecerdasan maya dan dunia fizikal.

Penciptaan MCP bukanlah secara kebetulan. Anthropic, yang diasaskan oleh bekas ahli OpenAI, menyedari batasan LLM, yang sering terkurung kepada “silo maklumat,” dengan pengetahuan yang terhad kepada data latihan mereka dan kekurangan akses masa nyata kepada maklumat luaran. Berikutan kejayaan model siri Claude pada tahun 2024, Anthropic menyedari keperluan untuk protokol universal untuk membuka potensi penuh AI. Pelepasan sumber terbuka MCP dengan cepat mendapat tarikan. Menjelang Mac 2025, lebih daripada 2000 Pelayan MCP yang dibangunkan oleh komuniti telah dalam talian, meliputi senario yang terdiri daripada pengurusan fail hingga analisis blockchain, dengan lebih daripada 300 projek GitHub terlibat dan kadar pertumbuhan 1200%. MCP bukan hanya protokol teknikal tetapi rangka kerja kerjasama yang didorong oleh komuniti.

MCP untuk Pengguna Harian

Bagi pengguna individu, MCP bertindak sebagai “kunci ajaib” kepada AI, menjadikan alat pintar yang kompleks mudah diakses dan mesra pengguna. Ia membolehkan individu untuk memerintah AI menggunakan bahasa semula jadi untuk menyelesaikan tugas harian tanpa memerlukan pengetahuan pengaturcaraan. Bayangkan mengarahkan Claude untuk “Susun jadual saya dan ingatkan saya tentang mesyuarat esok.” MCP secara automatik menyambung ke kalendar, e-mel, dan alat peringatan, menyelesaikan tugas dalam beberapa saat. Atau, pertimbangkan untuk mengatakan, “Bantu saya mereka bentuk kad hari jadi.” MCP memanggil pelayan reka bentuk (seperti Figma), menjana kad peribadi, dan menyimpannya ke awan. Bagi pengguna bukan teknikal, MCP berfungsi sebagai pembantu super yang tidak kelihatan, mengubah operasi yang membosankan menjadi perbualan mudah, menjadikan teknologi benar-benar berkhidmat kepada kehidupan.

• Pemahaman Mudah: MCP bertindak sebagai pembantu pintar, menaik taraf pembantu AI anda daripada “hanya berbual” kepada “menyelesaikan sesuatu,” membantu anda mengurus fail, merancang kehidupan anda, dan juga mencipta kandungan.
• Nilai Sebenar: Ia mengubah AI daripada teknologi yang tidak boleh diakses menjadi pembantu kehidupan peribadi, menjimatkan masa, meningkatkan kecekapan, dan melindungi privasi.

Senario Lebih Luas: Daripada Tugas Harian hingga Kreativiti

MCP lebih daripada sekadar alat; ia mewakili perubahan gaya hidup, membolehkan semua orang untuk “menyesuaikan” pembantu AI mereka tanpa memerlukan perkhidmatan profesional yang mahal. Bagi warga emas, MCP boleh memudahkan operasi—mengatakan “Ingatkan saya untuk mengambil ubat saya dan beritahu keluarga saya” mendorong AI untuk menyelesaikan tugas secara automatik, meningkatkan kemerdekaan. MCP meluas melampaui tugas mudah, merangsang kreativiti dan menangani keperluan harian:

• Pengurusan Harian: Mengatakan “Senaraikan belanja minggu ini dan ingatkan saya” membolehkan MCP menyemak stok peti sejuk dan laman web perbandingan harga, menjana senarai dan menghantarnya melalui SMS.
• Pembelajaran dan Pertumbuhan: Pelajar mengatakan “Susun nota biologi dan buat pelan belajar” mendorong MCP untuk mengimbas nota, menyambung ke platform pembelajaran, dan mengeluarkan pelan belajar dan soalan kuiz.
• Penerokaan Minat: Belajar memasak? Mengatakan “Cari resipi dan bahan pasta Itali” membolehkan MCP mencari laman web, menyemak stok, dan menjana menu, menjimatkan masalah menyelak buku.
• Hubungan Emosi: Untuk hari jadi, mengatakan “Reka kad dan hantar kepada ibu” membolehkan MCP menggunakan Figma untuk mereka bentuk dan menghantarnya melalui e-mel.

Privasi dan Kawalan: Jaminan untuk Pengguna

Privasi adalah kebimbangan utama bagi pengguna individu, dan mekanisme kawalan kebenaran MCP memastikan pengguna mengekalkan kawalan penuh ke atas aliran data. Sebagai contoh, anda boleh menetapkan kebenaran untuk “membenarkan AI membaca kalendar, tetapi tidak menyentuh foto,” menyediakan kebenaran yang boleh dipercayai. Tambahan pula, fungsi “pensampelan” MCP membolehkan pengguna menyemak permintaan sebelum AI melaksanakan tugas sensitif, seperti menganalisis penyata bank, di mana pengguna boleh mengesahkan “hanya data bulan terkini” digunakan. Ketelusan dan kawalan ini memupuk kepercayaan sambil mengekalkan kemudahan.

Keperluan MCP

Batasan LLM telah mendorong keperluan untuk MCP. Secara tradisinya, pengetahuan model AI terhad kepada data latihan mereka, menghalang akses kepada maklumat masa nyata. Jika LLM ingin menganalisis trend pasaran mata wang kripto untuk Mac 2025, ia mesti memasukkan data secara manual atau menulis panggilan API tertentu, yang boleh mengambil masa berjam-jam atau berhari-hari. Lebih serius lagi, pembangun menghadapi “masalah M×N” apabila berurusan dengan berbilang model dan alat—jika terdapat 10 model AI dan 10 alat luaran, 100 integrasi tersuai diperlukan, meningkatkan kerumitan secara eksponen. Fragmentasi ini tidak cekap dan sukar untuk diskalakan.

MCP menangani halangan ini, mengurangkan sambungan kepada N+M (hanya 20 konfigurasi diperlukan untuk 10 model dan 10 alat), membolehkan ejen AI memanggil alat secara fleksibel. Menjana laporan dengan harga saham masa nyata, yang secara tradisinya mengambil masa 2 jam, boleh dilakukan dalam masa hanya 2 minit dengan MCP.

Seni Bina Teknikal dan Operasi Dalaman MCP

Latar Belakang Teknikal dan Kedudukan Ekologi

Asas teknikal MCP adalah JSON-RPC 2.0, standard komunikasi ringan dan cekap yang menyokong interaksi dua hala masa nyata, serupa dengan prestasi tinggi WebSockets. Ia beroperasi melalui seni bina pelanggan-pelayan:

• Hos MCP: Aplikasi interaktif pengguna, seperti Claude Desktop, Cursor, atau Windsurf, bertanggungjawab untuk menerima permintaan dan memaparkan hasil.
• Pelanggan MCP: Tertanam dalam hos, ia mewujudkan sambungan satu-ke-satu dengan pelayan, mengendalikan komunikasi protokol, dan memastikan pengasingan dan keselamatan.
• Pelayan MCP: Program ringan yang menyediakan fungsi tertentu, menghubungkan sumber data tempatan (seperti fail desktop) atau jauh (seperti API awan).

Kaedah penghantaran termasuk:

• Stdio: Input/output standard, sesuai untuk penggunaan pantas tempatan, seperti pengurusan fail, dengan kependaman serendah milisaat.
• HTTP SSE: Acara yang dihantar pelayan, menyokong interaksi masa nyata jauh, seperti panggilan API awan, sesuai untuk senario teragih.

Anthropic merancang untuk memperkenalkan WebSockets menjelang akhir 2025 untuk meningkatkan lagi prestasi jauh. Dalam ekosistem AI, MCP mempunyai kedudukan yang unik, berbeza daripada Panggilan Fungsi OpenAI, yang terikat kepada platform tertentu, dan perpustakaan alat LangChain, yang berorientasikan pembangun. MCP melayani pembangun, perusahaan, dan pengguna bukan teknikal melalui keterbukaan dan penyeragaman.

Reka Bentuk Seni Bina

MCP menggunakan seni bina pelanggan-pelayan, serupa dengan tetapan restoran: pelanggan (hos MCP) ingin memesan makanan (data atau tindakan), dan pelayan (pelanggan MCP) berkomunikasi dengan dapur (Pelayan MCP). Untuk memastikan kecekapan dan keselamatan, MCP memberikan pelanggan yang berdedikasi kepada setiap pelayan, membentuk sambungan satu-ke-satu yang terpencil. Komponen utama termasuk:

• Hos: Titik masuk pengguna, seperti Claude Desktop, bertanggungjawab untuk memulakan permintaan dan memaparkan hasil.
• Pelanggan: Pengantara komunikasi menggunakan JSON-RPC 2.0 untuk berinteraksi dengan pelayan, mengurus permintaan dan respons.
• Pelayan: Penyedia fungsi menghubungkan sumber luaran dan melaksanakan tugas, seperti membaca fail atau memanggil API.

Kaedah penghantaran adalah fleksibel:

• Stdio: Penggunaan tempatan, sesuai untuk mengakses fail desktop atau pangkalan data tempatan dengan cepat, dengan kependaman serendah milisaat, seperti mengira bilangan fail txt.
• HTTP SSE: Interaksi jauh, menyokong panggilan API awan, dengan prestasi masa nyata yang kukuh, seperti menanyakan API cuaca, sesuai untuk senario teragih.
• Pengembangan Masa Depan: WebSockets atau HTTP boleh strim boleh dilaksanakan menjelang akhir 2025, meningkatkan lagi prestasi jauh dan mengurangkan kependaman.

Primitif Fungsional

MCP melaksanakan fungsi melalui tiga “primitif”:

1. Alat: Fungsi boleh laku yang dipanggil oleh AI untuk menyelesaikan tugas tertentu. Sebagai contoh, alat “penukaran mata wang” menukar 100 RMB kepada 14 USD dan 109 HKD dalam masa nyata (berdasarkan kadar pertukaran tetap pada Mac 2025); alat “carian” boleh menanyakan masa tayangan filem hari ini.
2. Sumber: Data berstruktur yang digunakan sebagai input konteks. Sebagai contoh, membaca fail README daripada repositori GitHub menyediakan latar belakang projek, atau mengimbas fail PDF 10MB mengekstrak maklumat utama.
3. Prompt: Templat arahan yang telah ditetapkan yang membimbing AI untuk menggunakan alat dan sumber. Sebagai contoh, prompt “ringkaskan dokumen” menjana ringkasan 200 perkataan, dan prompt “rancang jadual perjalanan” menyepadukan data kalendar dan penerbangan.

MCP menyokong fungsi “pensampelan” di mana pelayan boleh meminta LLM untuk memproses tugas, dan pengguna menyemak permintaan dan hasil, memastikan keselamatan dan ketelusan. Sebagai contoh, jika pelayan meminta untuk “menganalisis kandungan fail,” pengguna meluluskannya, dan AI mengembalikan ringkasan, memastikan data sensitif tidak disalahgunakan, meningkatkan keselamatan dan ketelusan.

Proses Komunikasi

Operasi MCP termasuk empat peringkat:

Pertimbangkan contoh “menanyakan fail desktop”:

1. Pengguna memasukkan “senaraikan dokumen saya.”
2. Claude menganalisis permintaan dan mengenal pasti keperluan untuk memanggil pelayan fail.
3. Pelanggan menyambung ke pelayan, dan pengguna meluluskan kebenaran.
4. Pelayan mengembalikan senarai fail, dan Claude menjana jawapan.

Contoh lain ialah “merancang jadual perjalanan”: pengguna memasukkan “atur perjalanan hari Sabtu,” Claude menemui pelayan kalendar dan penerbangan, memperoleh data jadual dan tiket, mendorong penyepaduan, dan mengembalikan “penerbangan 10:00 ke Paris pada hari Sabtu.”

Mengapa Anda Perlu Memberi Perhatian kepada MCP?

Titik Kesakitan Ekosistem AI Semasa

Batasan LLM adalah jelas:

• Silo Maklumat: Pengetahuan terhad kepada data latihan dan tidak boleh dikemas kini dalam masa nyata. Sebagai contoh, jika LLM ingin menganalisis transaksi Bitcoin pada Mac 2025, ia perlu memasukkan data secara manual.
• Masalah M×N: Integrasi antara berbilang model dan alat adalah kompleks secara eksponen. Sebagai contoh, 10 model dan 10 alat memerlukan 100 integrasi kod tersuai.
• Tidak Cekap: Kaedah tradisional memerlukan membenamkan vektor atau carian vektor, yang mahal dari segi pengiraan dan mempunyai kelewatan respons yang lama.

Isu-isu ini menghadkan potensi ejen AI, menyukarkan mereka untuk beralih daripada “membayangkan” kepada “melakukan.”

Kelebihan Terobosan MCP

MCP membawa tujuh kelebihan melalui antara muka piawai:

1. Akses Masa Nyata: AI boleh menanyakan data terkini dalam beberapa saat. Claude Desktop mendapatkan semula senarai fail dalam 0.5 saat melalui MCP, meningkatkan kecekapan sepuluh kali ganda.
2. Keselamatan dan Kawalan: Data diakses secara langsung, menghapuskan keperluan untuk penyimpanan perantaraan, dengan kebolehpercayaan pengurusan kebenaran mencapai 98%. Pengguna boleh menyekat AI untuk membaca hanya fail tertentu.
3. Beban Pengiraan Rendah: Menghapuskan keperluan untuk vektor terbenam, mengurangkan kira-kira 70% kos pengiraan. Carian vektor tradisional memerlukan memori 1GB, manakala MCP hanya memerlukan 100MB.
4. Fleksibiliti dan Kebolehskalaan: Mengurangkan sambungan daripada N×M kepada N+M. 10 model dan 10 alat hanya memerlukan 20 konfigurasi.
5. Interoperabiliti: Pelayan MCP boleh digunakan semula oleh berbilang model seperti Claude dan GPT. Satu pelayan cuaca melayani pengguna global.
6. Fleksibiliti Vendor: Menukar LLM tidak memerlukan penstrukturan semula infrastruktur.
7. Sokongan Ejen Autonomi: Menyokong akses dinamik AI kepada alat, melaksanakan tugas yang kompleks. Apabila merancang perjalanan, AI boleh serentak menanyakan kalendar, menempah penerbangan, dan menghantar e-mel, meningkatkan kecekapan.

Kepentingan dan Kesan

MCP adalah pemangkin untuk perubahan ekologi. Ia seperti Batu Rosetta, membuka kunci komunikasi antara AI dan dunia luaran. Sebuah syarikat farmaseutikal menyepadukan 10 sumber data melalui MCP, mengurangkan masa pertanyaan penyelidikan daripada 2 jam kepada 10 minit, meningkatkan kecekapan membuat keputusan sebanyak 90%. Ia juga menggalakkan pembangun untuk membina alat universal, dengan satu pelayan melayani dunia, menggalakkan pembentukan ekosistem.

Senario Aplikasi dan Kes Praktikal MCP

Senario Aplikasi Pelbagai

Aplikasi MCP adalah luas:

1. Pembangunan dan Produktiviti:
   • Penyahpepijatan Kod: Cursor AI menyahpepijat 100,000 baris kod melalui Pelayan Browsertools, mengurangkan kadar ralat sebanyak 25%.
   • Carian Dokumen: Pelayan Mintlify mencari 1000 halaman dokumen dalam 2 saat, menjimatkan 80% masa.
   • Automasi Tugas: Pelayan Google Sheets mengemas kini 500 helaian jualan secara automatik, meningkatkan kecekapan sebanyak 300%.
2. Kreativiti dan Reka Bentuk:
   • Pemodelan 3D: Blender MCP mengurangkan masa pemodelan daripada 3 jam kepada 10 minit, meningkatkan kecekapan sebanyak 18 kali.
   • Tugas Reka Bentuk: Pelayan Figma membantu AI dalam melaraskan reka letak, meningkatkan kecekapan reka bentuk sebanyak 40%.
3. Data dan Komunikasi:
   • Pertanyaan Pangkalan Data: Pelayan Supabase menanyakan rekod pengguna dalam masa nyata, dengan masa respons 0.3 saat.
   • Kerjasama Pasukan: Pelayan Slack mengautomasikan penghantaran mesej, menjimatkan 80% operasi manual.
   • Pengikisan Web: Pelayan Firecrawl mengekstrak data, menggandakan kelajuan.
4. Pendidikan dan Penjagaan Kesihatan:
   • Sokongan Pendidikan: Pelayan MCP menyambung ke platform pembelajaran, dan AI menjana garis besar kursus, meningkatkan kecekapan guru sebanyak 40%.
   • Diagnostik Perubatan: Menyambung ke pangkalan data pesakit, dan AI menjana laporan diagnostik dengan kadar ketepatan 85%.
5. Blockchain dan Kewangan:
   • Interaksi Bitcoin: Pelayan MCP menanyakan transaksi blockchain, meningkatkan prestasi masa nyata ke tahap kedua.
   • Analisis DeFi: Menganalisis transaksi pelabur besar Binance, meramalkan keuntungan, dengan kadar ketepatan 85%.

Analisis Kes Tertentu

• Analisis Kes: Claude mengimbas 1000 fail dan menjana ringkasan 500 perkataan dalam masa hanya 0.5 saat. Kaedah tradisional memerlukan memuat naik fail secara manual ke awan, mengambil masa beberapa minit.
• Aplikasi Blockchain: AI menganalisis transaksi pelabur besar Binance melalui Pelayan MCP pada Mac 2025, meramalkan potensi keuntungan, menunjukkan potensinya dalam bidang kewangan.

Ekosistem MCP: Status dan Peserta

Seni Bina Ekosistem

Ekosistem MCP mula terbentuk, meliputi empat peranan utama:

1. Pelanggan:
   • Aplikasi Arus Perdana: Claude Desktop, Cursor, Continue.
   • Alat Baru Muncul: Windsurf, LibreChat, Sourcegraph.
2. Pelayan:
   • Kelas Pangkalan Data: Supabase, ClickHouse, Neon, Postgres.
   • Kelas Alat: Resend, Stripe, Linear.
   • Kelas Kreatif: Blender, Figma.
   • Kelas Data: Firecrawl, Tavily, Exa AI.
3. Pasaran:
   • mcp.so: Termasuk Pelayan, menyediakan pemasangan satu klik.
   • Platform Lain: Mintlify, OpenTools.
4. Infrastruktur:
   • Cloudflare: Mengehoskan Pelayan, memastikan ketersediaan.
   • Toolbase: Mengoptimumkan kependaman.
   • Smithery: Menyediakan pengimbangan beban dinamik.

Data Ekologi

• Skala: Menjelang Mac 2025, Pelayan MCP telah meningkat daripada pada Disember 2024 kepada +unit, kadar pertumbuhan sebanyak %.
• Komuniti: + projek GitHub mengambil bahagian, dengan Pelayan datang daripada sumbangan pembangun.
• Aktiviti: Hackathon awal menarik + pembangun, menghasilkan + aplikasi inovatif, seperti pembantu membeli-belah dan alat pemantauan kesihatan.

Batasan dan Cabaran MCP

Halangan Teknikal

• Kerumitan Pelaksanaan: MCP mengandungi prompt dan fungsi pensampelan, meningkatkan kesukaran pembangunan. Penerangan alat perlu ditulis dengan teliti, jika tidak, panggilan LLM terdedah kepada ralat.
• Sekatan Penggunaan: Memerlukan berjalan pada terminal tempatan, memulakan pelayan secara manual, kekurangan penggunaan satu klik atau aplikasi web, menghadkan senario jauh.
• Cabaran Penyahpepijatan: Keserasian merentas pelanggan yang lemah, sokongan pengelogan tidak mencukupi. Sebagai contoh, pelayan mungkin berfungsi dengan baik pada Claude Desktop, tetapi mungkin gagal pada Cursor.
• Kelemahan Penghantaran: Hanya menyokong Stdio dan SSE, kekurangan pilihan yang lebih fleksibel seperti WebSockets, menghadkan prestasi masa nyata jauh.

Kelemahan Kualiti Ekologi

• Kualiti Tidak Sekata: Antara + Pelayan, kira-kira % mempunyai isu kestabilan atau kekurangan dokumentasi, mengakibatkan pengalaman pengguna yang tidak konsisten.
• Keterjumpaan Tidak Mencukupi: Memerlukan konfigurasi alamat pelayan secara manual, dan mekanisme penemuan dinamik masih belum matang, memerlukan pengguna untuk mencari dan menguji sendiri.
• Batasan Skala: Berbanding dengan + alat Zapier atau + perpustakaan alat LangChain, liputan MCP masih tidak mencukupi.

Cabaran Keberkesanan dalam Persekitaran Pengeluaran

• Ketepatan Panggilan: Kadar kejayaan panggilan alat LLM semasa adalah kira-kira %, terdedah kepada kegagalan dalam tugas yang kompleks.
• Keperluan Penyesuaian: Ejen Pengeluaran perlu mengoptimumkan mesej dan seni bina sistem mengikut alat, dan “pasang dan main” MCP sukar untuk dipenuhi.
• Jangkaan Pengguna: Dengan peningkatan keupayaan model, pengguna mempunyai keperluan yang lebih tinggi untuk kebolehpercayaan dan kelajuan, dan generasiti MCP mungkin mengorbankan prestasi.

Persaingan dan Tekanan daripada Penyelesaian Alternatif

• Penyelesaian Proprietary: SDK Ejen OpenAI menyediakan kebolehpercayaan yang lebih tinggi melalui pengoptimuman mendalam, berpotensi menarik pengguna mewah.
• Rangka Kerja Sedia Ada: Perpustakaan alat LangChain telah mewujudkan kelekatan di kalangan pembangun, dan ekosistem baharu MCP memerlukan masa untuk mengejar.
• Perbandingan Pasaran: GPT Tersuai OpenAI tidak berjaya secara meluas, dan MCP perlu membuktikan nilai uniknya untuk mengelakkan pengulangan kesilapan.

Trend Masa Depan: Laluan Evolusi MCP

Laluan Pelbagai Dimensi Pengoptimuman Teknikal

• Penyederhanaan Protokol: Alih keluar fungsi berlebihan, memfokuskan pada panggilan alat, mengurangkan halangan pembangunan.
• Reka Bentuk Tanpa Keadaan: Menyokong penggunaan bahagian pelayan, memperkenalkan mekanisme pengesahan, menyelesaikan masalah berbilang penyewa.
• Penyeragaman Pengalaman Pengguna: Menyeragamkan logik pemilihan alat dan reka bentuk antara muka untuk meningkatkan ketekalan.
• Peningkatan Penyahpepijatan: Membangunkan alat penyahpepijatan merentas platform, menyediakan log terperinci dan penjejakan ralat.
• Pengembangan Penghantaran: Menyokong WebSockets dan HTTP boleh strim untuk meningkatkan keupayaan interaksi jauh.

Hala Tuju Strategik Pembangunan Ekologi

• Pembinaan Pasaran: Melancarkan platform yang serupa dengan npm, menyepadukan penilaian, carian, dan fungsi pemasangan satu klik untuk mengoptimumkan penemuan pelayan.
• Sokongan Web: Melaksanakan penggunaan awan dan penyepaduan penyemak imbas, memecahkan sekatan tempatan, menyasarkan pengguna Web.
• Pengembangan Senario Perniagaan: Beralih daripada alat pengekodan kepada sokongan pelanggan, reka bentuk, pemasaran, dan bidang lain.
• Insentif Komuniti: Menggalakkan pembangunan pelayan berkualiti tinggi melalui bonus, pensijilan, dengan matlamat mencapai + Pelayan menjelang akhir .