فرض کنید از یک دستیار هوش مصنوعی میپرسید: «امروز چه جلسههایی دارم؟»
هوش مصنوعی میتواند جملهٔ شما را بفهمد، اما به تقویمتان دسترسی ندارد. نه میداند جلسهها کجا ذخیره شدهاند و نه اجازه دارد خودش وارد حساب شما شود.
حالا اگر راهی داشته باشد که با اجازهٔ شما تقویم را بخواند، میتواند جواب واقعی بدهد. MCP همان راه ارتباطی است.
سرور MCP یک برنامهٔ واسط است که هوش مصنوعی را به یک ابزار یا منبع اطلاعات وصل میکند.
مثلاً یک سرور میتواند هوش مصنوعی را به Google Drive وصل کند، یکی به GitHub و دیگری به فایلهای روی کامپیوتر شما.
اول از همه: MCP یعنی چه؟
MCP کوتاهشدهٔ Model Context Protocol است. ترجمهٔ اسمش چندان مهم نیست؛ چیزی که باید بدانید این است:
MCP یک روش مشترک برای حرفزدن برنامههای هوش مصنوعی با ابزارهای دیگر است.
قبل از MCP، هر برنامه باید برای هر سرویس یک اتصال جدا و مخصوص خودش میساخت. MCP یک قالب مشترک میدهد تا اتصالها قابلپیشبینیتر باشند.
میتوانید آن را شبیه یک مترجم در نظر بگیرید. Cursor یک طرف ایستاده، GitHub طرف دیگر؛ سرور MCP کمک میکند درخواست و پاسخ را به شکلی که هر دو طرف میفهمند جابهجا کنند.
چرا اسمش «سرور» است؟
کلمهٔ سرور ممکن است کمی ترسناک یا خیلی فنی به نظر برسد. شاید یک اتاق پر از کامپیوترهای بزرگ را تصور کنید؛ اما اینجا موضوع سادهتر است.
سرور MCP فقط برنامهای است که چند کار مشخص بلد است و آنها را به هوش مصنوعی معرفی میکند.
این برنامه ممکن است:
- روی همان لپتاپ شما اجرا شود
- روی سرور شرکتتان باشد
- روی اینترنت و متعلق به یک سرویس دیگر باشد
پس هر سرور MCP لزوماً یک دستگاه جدا نیست. گاهی فقط یک برنامهٔ کوچک روی کامپیوتر خودتان است.
یک مثال ساده با GitHub
فرض کنید Cursor را به یک سرور MCP برای GitHub وصل کردهاید. حالا مینویسید:
«باگهای باز این پروژه را پیدا کن و خلاصهشان را بگو.»
پشت صحنه، تقریباً این اتفاقها میافتد:
- Cursor متوجه میشود سرور GitHub ابزار جستوجوی باگها را دارد.
- هوش مصنوعی پیشنهاد میدهد از آن ابزار استفاده شود.
- سرور MCP درخواست را به GitHub میفرستد.
- GitHub فهرست باگها را برمیگرداند.
- هوش مصنوعی آنها را میخواند و یک خلاصهٔ ساده برای شما مینویسد.
مدل هوش مصنوعی خودش مخفیانه وارد GitHub نشده است. فقط از راهی مشخص و با دسترسیای که شما دادهاید اطلاعات را گرفته است.
یک سرور MCP چه چیزهایی میتواند بدهد؟
سرورهای MCP معمولاً سه نوع قابلیت ارائه میکنند. لازم نیست اسمهایشان را حفظ کنید؛ مثالها مهمترند.
۱. ابزار یا Tool
ابزار یعنی کاری که هوش مصنوعی میتواند انجام دهد.
مثلاً:
- جستوجو بین باگهای یک پروژه
- ساختن یک رویداد در تقویم
- فرستادن پیام
- اجرای یک کوئری روی دیتابیس
بعضی ابزارها فقط اطلاعات میخوانند. بعضی دیگر واقعاً چیزی را تغییر میدهند؛ مثلاً فایل پاک میکنند یا پیام میفرستند. برای همین برنامه باید پیش از کارهای حساس از شما تأیید بگیرد.
۲. منبع یا Resource
منبع یعنی اطلاعاتی که هوش مصنوعی میتواند بخواند.
یک فایل، مستندات شرکت، فهرست محصولات یا اطلاعات یک دیتابیس میتواند منبع باشد. این اطلاعات به مدل کمک میکند بهجای حدسزدن، با توجه به دادههای واقعی جواب بدهد.
۳. پرامپت یا Prompt
پرامپت در اینجا یعنی یک دستور آماده برای یک کار مشخص.
مثلاً یک سرور میتواند گزینهای به نام «جلسههایم را خلاصه کن» داشته باشد. با انتخاب آن، یک دستور آماده اجرا میشود و از اطلاعات تقویم هم کمک میگیرد.
MCP چه چیزی نیست؟
برای فهم بهتر MCP، بد نیست چند سوءتفاهم رایج را کنار بگذاریم.
MCP یک مدل هوش مصنوعی نیست
MCP هوش مدل را بیشتر نمیکند. فقط راهی میدهد تا مدل بتواند از اطلاعات و ابزارهای بیرونی استفاده کند.
اگر مدل پاسخ ضعیفی میدهد، نصب چند سرور MCP لزوماً آن را باهوشتر نمیکند. فقط امکانات بیشتری در اختیارش میگذارد.
MCP خودش اطلاعات شما را ندارد
MCP یک روش ارتباط است، نه یک انبار اطلاعات. این سروری که نصب میکنید و دسترسیهایی که به آن میدهید تعیین میکنند چه دادهای قابلاستفاده باشد.
هر سرور MCP امن نیست
عبارت «سازگار با MCP» به معنی «کاملاً امن» نیست. یک سرور در نهایت یک نرمافزار است و باید مثل هر نرمافزار دیگری به سازنده، کد و دسترسیهایش اعتماد داشته باشید.
فرق MCP با API چیست؟
API راهی است که نرمافزارها با یک سرویس حرف میزنند. برای مثال GitHub یک API دارد که میشود با آن Issueها را خواند یا ساخت.
سرور MCP معمولاً از همان API استفاده میکند، اما آن را به شکلی به هوش مصنوعی معرفی میکند که بتواند ابزارها را پیدا کند و درست صدا بزند.
پس MCP جای API را نمیگیرد. اغلب یک لایهٔ سادهتر و استانداردتر روی آن میسازد.
فرق سرور MCP با اسکیل چیست؟
این دو کنار هم خیلی مفیدند، اما کارشان یکی نیست:
- اسکیل به ایجنت میگوید یک کار را چطور انجام دهد.
- سرور MCP ابزار و اطلاعات لازم برای انجام آن کار را میدهد.
مثلاً یک اسکیل میگوید: «برای بررسی باگ، اول لاگها را بخوان و بعد Issueهای مشابه را پیدا کن.» سرور MCP میتواند امکان خواندن لاگ و جستوجوی Issueها را فراهم کند.
اسکیل شبیه دستور پخت است؛ سرور MCP شبیه وسایل و مواد لازم برای آشپزی.
آیا باید به دسترسیها حساس باشیم؟
بله. این مهمترین نکتهٔ استفاده از MCP است.
اگر یک سرور به پوشههای کامپیوتر، ایمیل، دیتابیس یا حساب GitHub شما وصل شود، ممکن است اطلاعات مهمی ببیند یا تغییر دهد. قبل از اتصال، این سؤالها را از خودتان بپرسید:
- این سرور را چه کسی ساخته است؟
- دقیقاً به چه اطلاعاتی دسترسی میخواهد؟
- فقط اطلاعات را میخواند یا میتواند آنها را تغییر دهد؟
- آیا واقعاً همهٔ این دسترسیها برای کار من لازماند؟
- قبل از حذف، ارسال یا ویرایش چیزی از من تأیید میگیرد؟
بهتر است همیشه کمترین دسترسی لازم را بدهید. اگر یک سرور فقط باید یک پوشه را بخواند، لازم نیست به تمام فایلهای کامپیوتر دسترسی داشته باشد.
چه زمانی MCP به درد من میخورد؟
وقتی میخواهید هوش مصنوعی فقط حرف نزند و با ابزارهای واقعی شما کار کند، MCP میتواند مفید باشد.
چند نمونه:
- جستوجو در فایلها و مستندات زیاد
- دیدن و مدیریت Issueهای یک پروژه
- خواندن اطلاعات بهروز از یک سرویس
- کمک در کار با ابزارهای طراحی
- گرفتن گزارش از دیتابیس یا ابزارهای تحلیلی
اما برای هر کاری به MCP نیاز ندارید. اگر میخواهید یک متن کوتاه را خلاصه کنید، کپیکردن همان متن داخل چت سادهتر است.
خلاصهٔ خیلی کوتاه
هوش مصنوعی بهتنهایی به فایلها، تقویم، GitHub یا ابزارهای شرکت شما دسترسی ندارد. سرور MCP پلی میسازد تا با اجازهٔ شما بتواند از این ابزارها و اطلاعات استفاده کند.
یک سرور خوب فقط قابلیتهای روشن و محدود ارائه میدهد. شما هم باید بدانید چه چیزی را میخواند، چه چیزی را تغییر میدهد و چه زمانی تأییدتان را میخواهد.
برای ادامه میتوانید معرفی سادهٔ MCP و توضیح رسمی سرورهای MCP را بخوانید.