MCP چیست؟ آشنایی با Model Context Protocol و کاربردهای آن در هوش مصنوعی

مدیر سایت

MCP یا Model Context Protocol پروتکلی باز برای اتصال هوش مصنوعی به ابزارها، نرم‌افزارها و منابع اطلاعاتی است. این پروتکل امکان دسترسی به داده‌های خارجی و اجرای عملیات را از طریق یک استاندارد مشترک فراهم می‌کند. با معماری MCP، کاربردهای آن در کسب‌وکارها، تفاوتش با API و نکات امنیتی آن آشنا شوید.

MCP چیست؟ MCP یا Model Context Protocol پروتکلی باز است که ارتباط برنامه‌های هوش مصنوعی با ابزارها، نرم‌افزارها و منابع داده خارجی را استاندارد می‌کند. این پروتکل به دستیارهای هوش مصنوعی کمک می‌کند با استفاده از یک استاندارد مشترک، قابلیت‌های سامانه‌های دیگر را شناسایی کنند، اطلاعات موردنیاز را دریافت کنند و در صورت داشتن مجوز، عملیاتی را انجام دهند.

برای مثال، تصور کنید از یک دستیار هوش مصنوعی می‌خواهید گزارش فروش شرکت را بررسی کند، اطلاعات مشتریان را از CRM بخواند و بر اساس آن‌ها گزارشی تحلیلی تهیه کند. انجام چنین کاری به ارتباط با چند سیستم مختلف نیاز دارد. MCP یکی از روش‌هایی است که این ارتباط را استاندارد و قابل‌مدیریت می‌کند؛ البته خود پروتکل نه داده‌ها را تحلیل می‌کند و نه به جای کاربر درباره مجوزها تصمیم می‌گیرد.

اهمیت MCP زمانی روشن‌تر می‌شود که بدانیم مدل‌های زبانی بزرگ، به‌تنهایی و بدون اتصال مناسب، لزوماً به اطلاعات لحظه‌ای، فایل‌های خصوصی یا قابلیت‌های اجرایی نرم‌افزارهای دیگر دسترسی ندارند.

پروتکل MCP چیست و چه مشکلی را حل می‌کند؟

نام MCP مخفف Model Context Protocol است که می‌توان آن را «پروتکل زمینه مدل» ترجمه کرد. منظور از زمینه یا Context، اطلاعات و قابلیت‌هایی است که یک سیستم هوش مصنوعی برای پاسخ‌دادن به درخواست کاربر به آن‌ها نیاز دارد.

مدل‌های زبانی مانند مدل‌های مورد استفاده در ChatGPT و Claude می‌توانند متن تولید کنند، سؤال‌ها را پاسخ دهند و درباره اطلاعات ارائه‌شده استدلال کنند. اما دانستن نحوه انجام یک کار با دسترسی واقعی به سیستم موردنیاز برای انجام آن متفاوت است.

برای درک این تفاوت، فرض کنید از یک دستیار می‌پرسید:

«کدام مشتریان شرکت در ماه گذشته بیشترین خرید را داشته‌اند؟»

مدل ممکن است روش تحلیل مشتریان را بداند، اما تا زمانی که اطلاعات فروش از یک منبع معتبر و با مجوز مناسب در اختیار برنامه قرار نگیرد، نمی‌تواند پاسخ واقعی و قابل‌اتکای شرکت شما را ارائه کند.

برای حل این مسئله، برنامه باید به پایگاه داده یا نرم‌افزار فروش متصل شود.

در روش‌های سنتی، توسعه‌دهندگان معمولاً برای هر اتصال، یکپارچه‌سازی اختصاصی می‌ساختند. اگر چند دستیار هوش مصنوعی قرار بود با چند سامانه مختلف کار کنند، مدیریت این ارتباط‌ها می‌توانست پیچیده شود.

MCP با تعریف یک قرارداد ارتباطی مشترک، امکان ساخت اتصال‌هایی را فراهم می‌کند که برنامه‌های سازگار مختلف بتوانند از آن‌ها استفاده کنند. این مسئله با طراحی سایت با هوش مصنوعی متفاوت است: MCP یک روش ارتباط نرم‌افزاری است، نه ابزاری برای ساخت خودکار رابط سایت.

البته MCP جایگزین تمام APIها یا کدنویسی‌های اختصاصی نمی‌شود. برای اتصال به یک سامانه خاص، همچنان به پیاده‌سازی مناسب، مدیریت مجوزها و گاهی توسعه یک MCP Server نیاز است.

تاریخچه MCP و شرکت توسعه‌دهنده آن

پروتکل MCP در ۲۵ نوامبر ۲۰۲۴ توسط شرکت Anthropic به‌صورت متن‌باز معرفی شد. این استاندارد با هدف ساده‌ترکردن اتصال دستیارهای هوش مصنوعی به پایگاه‌های داده، مخازن محتوا و محیط‌های توسعه ایجاد شد.

ایده اصلی آن شباهت مفهومی به استانداردسازی رابط ابزارهای توسعه نرم‌افزار دارد: به‌جای اینکه هر برنامه برای هر سرویس، شیوه ارتباط کاملاً اختصاصی داشته باشد، یک قرارداد مشترک تعریف شود.

MCP پس از انتشار اولیه، با مشارکت توسعه‌دهندگان و شرکت‌های مختلف تکامل پیدا کرد. در دسامبر ۲۰۲۵ نیز Anthropic انتقال این پروژه به Agentic AI Foundation، وابسته به Linux Foundation، را اعلام کرد.

بنابراین MCP را نباید یک قابلیت انحصاری متعلق به یک مدل هوش مصنوعی دانست؛ این پروتکل به‌عنوان یک استاندارد باز توسعه می‌یابد.

معماری MCP چگونه کار می‌کند؟

برای شناخت نحوه عملکرد MCP، ابتدا باید سه مؤلفه اصلی معماری آن را بشناسیم: Host، Client و Server.

این سه مؤلفه نقش‌های متفاوتی دارند و نباید با یکدیگر اشتباه گرفته شوند. هر Client نماینده یک ارتباط منطقی با یک Server است؛ این به معنی یکسان‌بودن محل فیزیکی اجرای آن‌ها نیست.

دیاگرام معماری MCP شامل برنامه میزبان، سه کلاینت MCP و سه سرور متصل به فایل، CRM و پایگاه داده

۱. MCP Host؛ برنامه میزبان

Host برنامه‌ای است که کاربر با آن تعامل دارد و قابلیت استفاده از MCP را فراهم می‌کند.

یک دستیار هوش مصنوعی، محیط توسعه نرم‌افزار یا برنامه سازمانی می‌تواند نقش Host را بر عهده بگیرد.

Host درخواست کاربر را دریافت می‌کند، ارتباط با مدل زبانی را مدیریت می‌کند و بر اساس قابلیت‌های موجود و سیاست‌های امنیتی، امکان استفاده از ابزارها را فراهم می‌سازد.

۲. MCP Client؛ مدیریت ارتباط با سرور

Client بخشی از برنامه میزبان است که ارتباط پروتکلی با یک MCP Server را برقرار می‌کند.

برای مثال، اگر یک دستیار هوش مصنوعی به دو سرور MCP متصل باشد، ممکن است یک کلاینت برای سرور مدیریت فایل و کلاینت دیگری برای سرور مدیریت پروژه داشته باشد.

کلاینت درخواست‌ها را ارسال می‌کند، پاسخ‌ها را دریافت می‌کند و از سازوکارهای تعریف‌شده در پروتکل برای تعامل با سرور استفاده می‌کند.

۳. MCP Server؛ ارائه قابلیت‌ها و اطلاعات

MCP Server سرویسی است که ابزارها یا منابع مشخصی را در اختیار کلاینت قرار می‌دهد.

این سرور ممکن است به یک پایگاه داده، نرم‌افزار حسابداری، سیستم مدیریت محتوا یا API خارجی متصل باشد.

برای نمونه، یک MCP Server می‌تواند ابزاری برای جست‌وجوی سفارش‌های مشتریان ارائه کند. زمانی که کلاینت این ابزار را فراخوانی می‌کند، سرور درخواست را بررسی کرده و عملیات مربوط به دریافت سفارش‌ها را اجرا می‌کند.

نکته مهم این است که MCP Server لزوماً یک سرور فیزیکی یا سرویس اینترنتی نیست. یک برنامه محلی که روی کامپیوتر کاربر اجرا می‌شود نیز می‌تواند نقش MCP Server را داشته باشد.

تفاوت Host، Client و Server در یک نگاه

مؤلفه وظیفه اصلی نمونه
MCP Host مدیریت تعامل کاربر و هوش مصنوعی برنامه دستیار هوش مصنوعی
MCP Client برقراری و مدیریت ارتباط پروتکلی مؤلفه اتصال درون Host
MCP Server ارائه ابزارها، اطلاعات و قابلیت‌ها سرور متصل به CRM یا پایگاه داده

این معماری به توسعه‌دهندگان اجازه می‌دهد قابلیت‌های یک سامانه را مستقل از رابط گفت‌وگوی هوش مصنوعی طراحی کنند.

سه قابلیت اصلی MCP: ابزارها، منابع و پرامپت‌ها

یکی از مفاهیم مهم در ساختار MCP، تفاوت میان Tools، Resources و Prompts است.

هر MCP Server می‌تواند بسته به هدف خود یک یا چند مورد از این قابلیت‌ها را ارائه کند.

Tools؛ ابزارهایی برای انجام عملیات

Tools قابلیت‌هایی هستند که برنامه هوش مصنوعی می‌تواند آن‌ها را فراخوانی کند.

برای مثال، یک سرور مدیریت پروژه ممکن است ابزارهای زیر را ارائه کند:

  • جست‌وجوی وظایف ثبت‌شده
  • ایجاد وظیفه جدید
  • تغییر وضعیت یک وظیفه
  • دریافت اطلاعات پیشرفت پروژه

زمانی که مدل تصمیم می‌گیرد برای پاسخ به کاربر از ابزاری استفاده کند، برنامه میزبان می‌تواند با رعایت مجوزها درخواست فراخوانی آن را به سرور ارسال کند.

ابزارها فقط برای انجام عملیات تغییردهنده نیستند؛ دریافت اطلاعات، جست‌وجو و انجام محاسبات نیز می‌توانند در قالب Tool پیاده‌سازی شوند.

Resources؛ دسترسی ساختاریافته به اطلاعات

Resources منابعی هستند که سرور برای خواندن در اختیار برنامه میزبان قرار می‌دهد.

برای نمونه، یک سرور ممکن است محتوای مستندات فنی، اطلاعات یک فایل متنی یا ساختار یک پایگاه داده را به‌عنوان Resource ارائه کند.

تفاوت اصلی Resource با Tool در الگوی استفاده آن است. Resource بر ارائه محتوای قابل‌خواندن تمرکز دارد، درحالی‌که Tool یک قابلیت فراخوانی‌پذیر را در اختیار برنامه قرار می‌دهد.

البته این مرزبندی به معنی آن نیست که Tool نمی‌تواند اطلاعات بازگرداند. یک ابزار جست‌وجو نیز ممکن است داده‌های متنی یا ساختاریافته تولید کند.

Prompts؛ دستورهای آماده و قابل‌استفاده مجدد

Prompts الگوهای ساختاریافته‌ای هستند که برای انجام کارهای تکراری استفاده می‌شوند.

فرض کنید یک سازمان برای تحلیل گزارش‌های مالی، دستور مشخصی طراحی کرده است. به‌جای نوشتن دوباره آن دستور، سرور می‌تواند یک Prompt قابل‌استفاده مجدد ارائه کند.

کاربر الگو را انتخاب می‌کند و برنامه، پیام‌های مرتبط را با پارامترهای مشخص دریافت می‌کند.

مقایسه قابلیت‌های MCP

قابلیت کاربرد اصلی مثال
Tools اجرای عملیات یا فراخوانی قابلیت‌ها دریافت آمار فروش
Resources ارائه محتوا و اطلاعات خواندن سند شرکت
Prompts ارائه دستورهای ساختاریافته الگوی بررسی گزارش مالی

این تفکیک کمک می‌کند توسعه‌دهنده مشخص کند چه اطلاعاتی باید خوانده شوند، چه عملیاتی قابل اجرا باشند و کدام دستورها به‌صورت الگوی آماده در اختیار کاربران قرار گیرند.

یک مثال عملی از عملکرد MCP

فرض کنید یک شرکت دیجیتال مارکتینگ قصد دارد دستیار هوش مصنوعی خود را به داده‌های Google Search Console متصل کند.

هدف این است که کارشناس سئو بتواند بدون استخراج دستی چند گزارش، اطلاعات عملکرد صفحات سایت را بررسی کند.

کاربر از دستیار می‌پرسد:

«صفحات سایتم را در هفت روز گذشته بررسی کن و مشخص کن کدام صفحات با وجود ایمپرشن مناسب، CTR پایینی دارند.»

برای انجام این کار، فرض می‌کنیم شرکت یک MCP Server اختصاصی دارد که به داده‌های مجاز Search Console دسترسی پیدا می‌کند.

فرایند می‌تواند به شکل زیر انجام شود:

  1. دریافت درخواست: برنامه میزبان سؤال کاربر را دریافت می‌کند و مدل تشخیص می‌دهد که برای پاسخ دقیق به داده‌های جست‌وجو نیاز دارد.

  2. شناسایی ابزار: برنامه قابلیت‌های سرور MCP را بررسی می‌کند. سرور ممکن است ابزاری با نام get_search_performance ارائه کرده باشد.

  3. ارسال درخواست: کلاینت با استفاده از قرارداد MCP، ابزار موردنظر را با پارامترهایی مانند دامنه سایت و بازه زمانی فراخوانی می‌کند.

  4. دریافت اطلاعات: سرور با استفاده از مجوزهای معتبر به سرویس داده متصل می‌شود و اطلاعات کلیک، ایمپرشن و CTR را دریافت می‌کند.

  5. تحلیل نتایج: اطلاعات بازگردانده‌شده در اختیار مدل قرار می‌گیرند تا صفحات مناسب برای بررسی بیشتر شناسایی شوند.

  6. ارائه پاسخ: دستیار گزارشی تهیه می‌کند که در آن صفحات، شاخص‌ها و دلایل احتمالی نیاز به بهبود توضیح داده می‌شوند.

اینفوگرافیک شش مرحله‌ای کار MCP از دریافت سؤال کاربر تا انتخاب ابزار، فراخوانی سرور و تولید پاسخ
در چنین سناریویی، MCP استاندارد ارتباط با ابزار را فراهم می‌کند؛ اما کیفیت تحلیل CTR به داده‌های واقعی، روش تحلیل و توانایی مدل وابسته است.

برای مثال، پایین‌بودن CTR به‌تنهایی اثبات نمی‌کند که عنوان صفحه نامناسب است. به‌طور کلی، کاربرد ابزارهای AI در سئو را نیز باید در کنار معیارهای ارزیابی محتوای هوش مصنوعی توسط گوگل و صحت داده‌های پایه بررسی کرد. موقعیت صفحه در نتایج جست‌وجو، نوع کوئری، ویژگی‌های صفحه نتایج و هدف جست‌وجوی کاربر نیز باید بررسی شوند.

این نکته تفاوت مهم میان دسترسی به داده و تحلیل معتبر داده است. MCP اولی را تسهیل می‌کند، اما دومی به طراحی صحیح سیستم نیاز دارد.

کاربردهای MCP در هوش مصنوعی و کسب‌وکارها

کاربرد MCP به چت‌بات‌ها محدود نیست. هر سامانه‌ای که قرار است با کمک هوش مصنوعی از ابزارها یا منابع اطلاعاتی دیگر استفاده کند، می‌تواند از این پروتکل بهره ببرد.

۱. اتصال هوش مصنوعی به اطلاعات سازمانی

یکی از کاربردهای MCP، فراهم‌کردن دسترسی کنترل‌شده به داده‌های داخلی سازمان است.

برای مثال، یک شرکت ممکن است اطلاعات قراردادها، فرایندهای کاری و دستورالعمل‌های داخلی را در چند سامانه جداگانه نگهداری کند.

با طراحی سرورهای مناسب، دستیار هوش مصنوعی می‌تواند از منابع مشخص اطلاعات دریافت کند و به سؤال‌هایی مانند «آخرین نسخه دستورالعمل ثبت سفارش کدام است؟» پاسخ دهد.

در این روش، لازم نیست تمام داده‌های سازمان به‌صورت دائمی در ورودی یا حافظه یک سامانه مدل قرار بگیرند. اطلاعات موردنیاز می‌توانند در زمان مناسب از منابع مجاز دریافت شوند.

بااین‌حال، طراحی درست سطح دسترسی ضروری است تا کاربر نتواند از طریق دستیار به اسنادی دسترسی پیدا کند که مجوز مشاهده آن‌ها را ندارد.

۲. اتوماسیون فرایندهای کاری

MCP می‌تواند یکی از اجزای سامانه‌های اتوماسیون مبتنی بر هوش مصنوعی باشد.

فرض کنید مدیر یک تیم از دستیار می‌خواهد وظایف عقب‌افتاده پروژه را پیدا کند و برای هرکدام یک گزارش تهیه کند.

دستیار می‌تواند از ابزارهای ارائه‌شده توسط سرور مدیریت پروژه برای دریافت وضعیت کارها استفاده کند.

اگر سیستم اجازه ثبت یا تغییر وظایف را نیز داشته باشد، ممکن است پیشنهادهای تأییدشده را به عملیات واقعی تبدیل کند.

البته تصمیم‌گیری مدل، زمان‌بندی فرایندها و کنترل تأییدها وظایف خود MCP نیستند. این مسئولیت‌ها معمولاً در برنامه میزبان یا سامانه اتوماسیون پیاده‌سازی می‌شوند.

۳. کاربرد MCP در برنامه‌نویسی و توسعه نرم‌افزار

محیط‌های توسعه هوشمند می‌توانند از MCP برای دسترسی به ابزارهای مرتبط با پروژه استفاده کنند.

برای نمونه، یک سرور MCP ممکن است امکان خواندن اطلاعات مخزن کد، بررسی Issueها یا دریافت نتایج تست‌ها را فراهم کند.

این قابلیت می‌تواند به توسعه‌دهنده کمک کند هنگام پرسیدن سؤال درباره یک پروژه، اطلاعات مرتبط با همان پروژه در دسترس دستیار باشد.

بااین‌حال، اتصال به مخزن کد به معنی مجازبودن اجرای هر دستور یا اعمال خودکار تغییرات نیست. ابزارهای خواندن کد، اجرای دستورات و تغییر فایل‌ها باید با سطح دسترسی و محدودیت‌های مناسب طراحی شوند.

۴. تحلیل داده و گزارش‌گیری

یکی دیگر از کاربردهای MCP، اتصال دستیارهای تحلیلی به پایگاه‌های داده و سرویس‌های گزارش‌گیری است.

فرض کنید مدیر فروش می‌خواهد بداند درآمد ماه جاری نسبت به ماه قبل چه تغییری کرده است.

در یک پیاده‌سازی مناسب، دستیار می‌تواند ابزار دریافت آمار را فراخوانی کند و بر اساس نتایج معتبر گزارش تهیه کند.

مزیت این روش آن است که داده‌ها می‌توانند از منبع اصلی دریافت شوند؛ البته باید مشخص باشد هر شاخص چگونه محاسبه شده و داده‌ها مربوط به چه بازه زمانی هستند.

برای کاربردهای حساس مالی، کنترل صحت محاسبات و قابلیت ردیابی منبع داده اهمیت زیادی دارد.

۵. پشتیبانی مشتریان و مدیریت ارتباط با مشتری

یک دستیار پشتیبانی می‌تواند برای دریافت وضعیت سفارش یا مشاهده اطلاعات مجاز مشتری به ابزارهای متصل به CRM دسترسی داشته باشد.

برای مثال، اگر مشتری درباره وضعیت سفارش خود سؤال کند، دستیار پس از احراز هویت و بررسی مجوز می‌تواند اطلاعات سفارش مربوط به همان مشتری را دریافت کند.

این کاربرد می‌تواند نیاز به جابه‌جایی مداوم میان نرم‌افزارهای مختلف را کاهش دهد.

اما استفاده از MCP به‌تنهایی احراز هویت مشتری یا حفاظت از حریم خصوصی را انجام نمی‌دهد. این کنترل‌ها باید در معماری سیستم وجود داشته باشند.

MCP چه تفاوتی با API دارد؟

یکی از رایج‌ترین برداشت‌های نادرست این است که MCP قرار است جای API را بگیرد.

API یا رابط برنامه‌نویسی کاربردی، راهی برای ارتباط نرم‌افزارها با یکدیگر است. برای مثال، یک سرویس فروشگاهی ممکن است API مشخصی برای دریافت سفارش‌ها ارائه کند.

MCP نیز امکان ارتباط میان سیستم‌ها را فراهم می‌کند، اما مسئله متفاوتی را هدف قرار می‌دهد.

هدف MCP استانداردسازی نحوه معرفی و استفاده از ابزارها و منابع داده توسط برنامه‌های هوش مصنوعی است.

یک MCP Server می‌تواند در پشت‌صحنه از چند API استفاده کند و قابلیت‌های آن‌ها را در قالب Tools یا Resources در اختیار کلاینت قرار دهد.

برای درک بهتر، فرض کنید یک سرویس حسابداری API دریافت فاکتور دارد. توسعه‌دهنده می‌تواند MCP Serverی طراحی کند که ابزار get_invoice را ارائه کند. این ابزار پس از دریافت شناسه فاکتور، API حسابداری را فراخوانی می‌کند و نتیجه را برمی‌گرداند.

در این حالت، MCP و API در مقابل یکدیگر قرار ندارند؛ بلکه در دو لایه متفاوت از معماری استفاده می‌شوند.

تفاوت MCP با Function Calling، RAG و AI Agent

این فناوری‌ها گاهی در یک سیستم مشترک استفاده می‌شوند، اما وظیفه یکسانی ندارند.

فناوری مسئله اصلی که حل می‌کند
MCP استانداردسازی اتصال برنامه هوش مصنوعی به ابزارها و منابع خارجی
API فراهم‌کردن رابط ارتباطی میان نرم‌افزارها
Function Calling امکان درخواست فراخوانی تابع یا ابزار توسط مدل
RAG بازیابی اطلاعات مرتبط برای استفاده هنگام تولید پاسخ
AI Agent مدیریت تصمیم‌ها و اجرای فعالیت‌های چندمرحله‌ای بر اساس هدف

تفاوت MCP و Function Calling

در Function Calling، مدل می‌تواند بر اساس تعریف ابزارهای موجود تصمیم بگیرد تابع مشخصی فراخوانی شود.

اما این قابلیت به‌تنهایی مشخص نمی‌کند ابزارهای خارجی چگونه کشف شوند، چه قرارداد مشترکی میان برنامه‌ها داشته باشند یا از چه سروری دریافت شوند.

MCP می‌تواند ابزارهای یک سرور را معرفی کند تا برنامه میزبان آن‌ها را به سازوکار فراخوانی ابزار مدل متصل کند.

بنابراین MCP و Function Calling معمولاً مکمل یکدیگر هستند.

تفاوت MCP و RAG

RAG مخفف Retrieval-Augmented Generation است؛ یعنی تولید پاسخ با کمک اطلاعات بازیابی‌شده از منابع بیرونی.

در یک سیستم RAG، محتوای مرتبط با سؤال کاربر بازیابی می‌شود و در اختیار مدل قرار می‌گیرد.

MCP می‌تواند راهی برای اتصال برنامه میزبان به ابزار بازیابی اطلاعات باشد. اما خودش روش جست‌وجوی معنایی، رتبه‌بندی اسناد یا تولید پاسخ مبتنی بر بازیابی نیست.

برای مثال، یک ابزار جست‌وجوی اسناد داخلی ممکن است از طریق MCP در اختیار دستیار قرار بگیرد و در یک فرایند RAG استفاده شود.

تفاوت MCP و AI Agent

عامل هوش مصنوعی یا AI Agent سیستمی است که می‌تواند برای رسیدن به یک هدف، تصمیم‌های متوالی بگیرد و از ابزارهای مختلف استفاده کند.

MCP می‌تواند دسترسی عامل به ابزارها را استاندارد کند؛ اما برنامه‌ریزی، حافظه، ارزیابی نتایج و مدیریت مراحل کار به معماری عامل مربوط می‌شوند.

بنابراین استفاده از MCP به‌تنهایی یک چت‌بات را به عامل هوشمند مستقل تبدیل نمی‌کند.

MCP از نظر فنی چگونه اطلاعات را منتقل می‌کند؟

MCP برای تبادل پیام‌ها از JSON-RPC 2.0 استفاده می‌کند.

JSON-RPC قالبی برای ارسال درخواست و دریافت پاسخ است. در این ساختار، پیام معمولاً شامل شناسه درخواست، نام عملیات و پارامترهای موردنیاز است.

برای مثال، زمانی که برنامه میزبان می‌خواهد از ابزار یک سرور استفاده کند، کلاینت می‌تواند درخواست tools/call ارسال کند.

این درخواست نام ابزار و آرگومان‌های موردنیاز را مشخص می‌کند. سپس سرور عملیات را پردازش کرده و نتیجه یا خطای مرتبط را برمی‌گرداند.

برای شناسایی ابزارها نیز از متد tools/list استفاده می‌شود.

دو روش متداول انتقال پیام‌های MCP عبارت‌اند از:

Stdio: در این روش، کلاینت و سرور از طریق ورودی و خروجی استاندارد یک فرایند ارتباط برقرار می‌کنند. این روش برای اجرای سرورهای محلی کاربرد دارد.

Streamable HTTP: این روش برای ارتباط مبتنی بر HTTP استفاده می‌شود و در صورت نیاز می‌تواند از پاسخ‌های جریانی بهره ببرد. چنین ساختاری برای سرویس‌هایی که از راه دور در دسترس هستند مناسب است.

انتخاب روش انتقال به محل اجرای سرور، الزامات زیرساختی و امکانات میزبان بستگی دارد.

نمونه فنی از فراخوانی یک ابزار MCP

برای اینکه مفهوم اجرای ابزار ملموس‌تر شود، فرض کنید سرور نمونه‌ای با ابزار get_sales_summary وجود دارد. درخواست زیر از نوع tools/call است. نام ابزار و نام شرکت فرضی‌اند و اجرای واقعی آن نیازمند سرور سازگار است:

{
  "jsonrpc": "2.0",
  "id": 8,
  "method": "tools/call",
  "params": {
    "name": "get_sales_summary",
    "arguments": {"period": "last_month"},
    "_meta": {
      "io.modelcontextprotocol/protocolVersion": "2026-07-28",
      "io.modelcontextprotocol/clientInfo": {
        "name": "demo-client", "version": "1.0.0"
      },
      "io.modelcontextprotocol/clientCapabilities": {}
    }
  }
}

در این پیام، method عملیات را مشخص می‌کند، name نام ابزار سرور است و arguments ورودی آن را در بر می‌گیرد. مقدار id نیز به کلاینت کمک می‌کند پاسخ همان درخواست را شناسایی کند. فیلد _meta اطلاعات نسخه پروتکل و کلاینت را حمل می‌کند. این نمونه، ساختار پیام را نشان می‌دهد؛ نه یک آزمایش انجام‌شده روی سامانه واقعی فروش.

اگر بخواهید چنین نمونه‌ای را در پروژه خودتان ارزیابی کنید، باید یک سرور واقعی را اجرا کنید، با tools/list وجود ابزار را بررسی کنید، tools/call را با ورودی معتبر بفرستید و خروجی یا خطای برگشتی را ثبت کنید. سپس همان درخواست را بدون مجوز و با ورودی نادرست آزمایش کنید تا کنترل دسترسی و اعتبارسنجی بررسی شوند.

تغییرات مهم MCP در سال ۲۰۲۶

مشخصات MCP در طول زمان توسعه یافته است. نسخه 2026-07-28 با نسخه‌های اولیه تفاوت‌های قابل‌توجهی دارد.

یکی از تغییرات اصلی این نسخه، استفاده از هسته پروتکلی بدون وضعیت یا Stateless است. این توصیف مربوط به هسته نسخه جدید است و نباید به تمام پیاده‌سازی‌های مبتنی بر نسخه‌های قبلی تعمیم داده شود. در نسخه‌های قدیمی، فرایند آغاز ارتباط شامل تبادل پیام‌های initialize و مدیریت نشست بود.

در نسخه جدید، درخواست‌ها اطلاعات لازم برای پردازش را همراه خود منتقل می‌کنند و فرایند اولیه Handshake در هسته جدید حذف شده است.

این تغییر می‌تواند استقرار سرورهای MCP را روی زیرساخت‌های مقیاس‌پذیر ساده‌تر کند.

قابلیت‌هایی مانند کش نتایج، مسیر‌یابی مبتنی بر هدرهای HTTP و درخواست‌های چندمرحله‌ای نیز در این نسخه توسعه یافته‌اند.

البته همه کلاینت‌ها و سرورهای موجود الزاماً از جدیدترین نسخه استفاده نمی‌کنند. هنگام اتصال دو سیستم، باید نسخه پروتکل و قابلیت‌های پشتیبانی‌شده آن‌ها بررسی شود.

امنیت MCP؛ آیا اتصال هوش مصنوعی به اطلاعات سازمان خطرناک است؟

MCP می‌تواند دسترسی به داده‌ها و ابزارهای مهم را فراهم کند. بنابراین امنیت آن را باید بخشی از طراحی اصلی سیستم دانست، نه موضوعی که پس از راه‌اندازی بررسی شود.

خطر دسترسی بیش‌ازحد

فرض کنید یک دستیار فقط برای خواندن اطلاعات سفارش‌ها به پایگاه داده نیاز دارد، اما سرور متصل به آن مجوز حذف یا ویرایش اطلاعات را نیز در اختیار دارد.

در چنین شرایطی، یک خطای نرم‌افزاری یا درخواست نامناسب می‌تواند پیامدهایی فراتر از دریافت ساده اطلاعات داشته باشد.

برای کاهش این خطر، بهتر است ابزارها مطابق اصل حداقل دسترسی طراحی شوند؛ یعنی هر ابزار فقط مجوزهایی را داشته باشد که برای انجام وظیفه خود نیاز دارد.

حملات Prompt Injection

یکی از تهدیدهای مهم سیستم‌های هوش مصنوعی متصل به منابع خارجی، Prompt Injection است.

در این نوع حمله، محتوای دریافت‌شده از یک منبع ممکن است شامل دستورهایی باشد که تلاش می‌کنند رفتار مدل را تغییر دهند.

برای مثال، یک سند خارجی ممکن است متنی داشته باشد که از دستیار بخواهد دستورهای قبلی را نادیده بگیرد یا اطلاعات محرمانه را به مقصدی دیگر ارسال کند.

اگر سیستم مرز میان داده و دستور را به‌درستی مدیریت نکند، این محتوا می‌تواند بر رفتار دستیار تأثیر بگذارد.

در نتیجه، اطلاعات دریافت‌شده از ابزارها و منابع خارجی نباید صرفاً به دلیل عبور از MCP قابل‌اعتماد تلقی شوند.

مدیریت توکن‌ها و اطلاعات حساس

بسیاری از سرویس‌های خارجی برای دسترسی به داده‌ها از توکن یا سازوکارهای احراز هویت استفاده می‌کنند.

این اطلاعات نباید بدون کنترل مناسب در اختیار مدل یا منابع غیرمجاز قرار بگیرند.

برای سرورهای مبتنی بر HTTP، مشخصات MCP چارچوب‌هایی برای مجوزدهی تعریف می‌کند. پیاده‌سازی این چارچوب‌ها باید با سیاست‌های امنیتی و سامانه هویت سازمان هماهنگ باشد.

راهکارهای عملی برای استفاده امن

در یک پیاده‌سازی سازمانی مناسب، اقدامات زیر اهمیت دارند:

  • استفاده از سرورهای معتبر و بررسی کد یا سازنده آن‌ها
  • محدودکردن مجوزها به عملیات ضروری
  • جداسازی ابزارهای فقط‌خواندنی از ابزارهای تغییردهنده اطلاعات
  • دریافت تأیید کاربر برای عملیات حساس
  • ثبت و بررسی رویدادهای مهم و فراخوانی ابزارها
  • جلوگیری از انتقال ناخواسته اطلاعات محرمانه

MCP به‌خودی‌خود امنیت سیستم یا صحت پاسخ‌های هوش مصنوعی را تضمین نمی‌کند. امنیت به طراحی سرور، کنترل دسترسی، رفتار میزبان و شیوه مدیریت داده‌ها وابسته است. برای جزئیات بیشتر، راهنمای امنیت MCP در OWASP مرجع تخصصی مناسبی است.

مزایای استفاده از MCP چیست؟

مهم‌ترین مزیت MCP، ایجاد یک قرارداد مشترک برای ارتباط برنامه‌های هوش مصنوعی با قابلیت‌های بیرونی است.

این ویژگی می‌تواند چند نتیجه کاربردی داشته باشد.

کاهش توسعه اتصال‌های تکراری

اگر یک سازمان چند برنامه هوش مصنوعی سازگار داشته باشد، ممکن است بتواند از یک MCP Server مشخص برای ارائه قابلیت‌های مشترک استفاده کند.

این موضوع می‌تواند بخشی از هزینه توسعه و نگهداری یکپارچه‌سازی‌های جداگانه را کاهش دهد.

امکان توسعه تدریجی قابلیت‌ها

توسعه‌دهنده می‌تواند ابزارهای جدیدی به سرور اضافه کند و آن‌ها را طبق قرارداد استاندارد در اختیار کلاینت‌های سازگار قرار دهد.

البته برنامه میزبان باید قابلیت شناسایی و استفاده از این ابزارها را داشته باشد.

تفکیک مسئولیت‌ها

در معماری MCP، برنامه میزبان مسئول تعامل با کاربر و مدل است و سرور قابلیت‌ها و منابع مشخصی را ارائه می‌کند.

این تفکیک می‌تواند طراحی، آزمایش و نگهداری سیستم را منظم‌تر کند.

استفاده از منابع داده به‌جای اتکا به دانش عمومی مدل

هنگامی که پاسخ به داده‌های اختصاصی یا جدید نیاز دارد، دستیار می‌تواند از طریق ابزارهای متصل به منابع مجاز اطلاعات دریافت کند.

بااین‌حال، دسترسی به داده بیشتر به معنی دقت بیشتر در همه شرایط نیست. کیفیت منبع و روش استفاده از اطلاعات همچنان تعیین‌کننده هستند.

محدودیت‌های MCP چیست؟

با وجود مزایا، MCP برای هر پروژه‌ای بهترین انتخاب نیست.

راه‌اندازی و نگهداری سرورها هزینه دارد. برنامه‌ها و سرورها ممکن است نسخه‌های متفاوتی از پروتکل را پشتیبانی کنند و برای استفاده از ابزارهای حساس، کنترل‌های امنیتی بیشتری لازم باشد.

از طرف دیگر، هر فراخوانی ابزار ممکن است باعث افزایش زمان پاسخ شود. اگر یک دستیار برای انجام یک کار ساده مجبور به فراخوانی چند سرویس خارجی باشد، تأخیر شبکه و مدت پردازش هر سرویس بر تجربه کاربر تأثیر می‌گذارد.

همچنین وجود یک سرور MCP به معنی کامل‌بودن داده‌ها یا قابل‌اعتمادبودن تمام نتایج نیست.

به همین دلیل، پیش از استفاده باید مشخص شود که MCP چه مشکلی را در پروژه حل می‌کند و آیا ارزش افزوده آن نسبت به یک اتصال ساده‌تر کافی است یا نه.

چه زمانی استفاده از MCP منطقی است؟

MCP معمولاً زمانی ارزش بررسی دارد که برنامه هوش مصنوعی باید به چند منبع اطلاعاتی یا ابزار خارجی متصل شود، یکپارچه‌سازی‌ها قابلیت استفاده مجدد داشته باشند یا انتظار برود تعداد ابزارهای سیستم در آینده افزایش پیدا کند.

برای مثال، سازمانی که قصد دارد چند دستیار هوش مصنوعی را به یک سامانه مدیریت پروژه متصل کند، می‌تواند از طراحی یک MCP Server مشترک بهره ببرد.

در مقابل، اگر یک برنامه کوچک فقط یک API مشخص را فراخوانی می‌کند و هیچ نیازی به کشف ابزارها یا استفاده مشترک از اتصال ندارد، پیاده‌سازی مستقیم API ممکن است ساده‌تر باشد.

معیار انتخاب باید پیچیدگی واقعی پروژه، تعداد اتصال‌ها، نیازهای امنیتی و هزینه نگهداری باشد؛ نه صرفاً جدیدبودن فناوری.

MCP یا اتصال مستقیم API؛ چطور تصمیم بگیریم؟

شرایط پروژه انتخاب محتمل دلیل
یک سرویس و یک عملیات مشخص در یک برنامه API مستقیم راه‌اندازی و عیب‌یابی می‌تواند ساده‌تر باشد.
چند دستیار سازگار با ابزارهای مشترک MCP سرور قابل‌استفاده مجدد و کشف ابزار ارزش بیشتری دارد.
بازیابی اسناد برای پاسخ به سؤال RAG همراه با اتصال مناسب RAG شیوه بازیابی است؛ اتصال می‌تواند مستقیم یا از طریق MCP باشد.
عملیات حساس مالی یا تغییر داده هر دو، با کنترل‌های مستقل امنیتی انتخاب پروتکل جایگزین مجوزدهی و تأیید کاربر نیست.

برای تصمیم نهایی، تعداد یکپارچه‌سازی‌ها، سطح اعتماد به سرور، پیچیدگی نگهداری، تأخیر شبکه و سازگاری نسخه‌ها را کنار هم بسنجید. اگر فقط یک قابلیت کوچک دارید، افزودن MCP ممکن است لایه‌ای غیرضروری ایجاد کند؛ اگر همان قابلیت باید در چند میزبان ارائه شود، استانداردسازی می‌تواند مفید باشد.

چگونه استفاده از MCP را شروع کنیم؟

برای استفاده از MCP لزوماً نیازی به توسعه یک سرور از صفر نیست. بعضی برنامه‌های میزبان از اتصال به سرورهای آماده پشتیبانی می‌کنند.

اگر هدف، استفاده از یک سرویس موجود باشد، مسیر کلی به این صورت است:

  1. ابتدا یک برنامه میزبان که از MCP پشتیبانی می‌کند انتخاب شود.

  2. سرور MCP مناسب با کاربرد موردنظر شناسایی و اعتبار آن بررسی شود.

  3. روش اتصال، نسخه پروتکل و مجوزهای موردنیاز مشخص شوند.

  4. اتصال مطابق راهنمای همان میزبان و سرور پیکربندی شود.

  5. ابتدا یک عملیات ساده و فقط‌خواندنی برای اطمینان از عملکرد صحیح آزمایش شود.

برای توسعه‌دهندگانی که قصد ساخت سرور دارند، SDKهای رسمی MCP برای زبان‌هایی مانند Python، TypeScript، Go و C# در دسترس هستند.

برای نمونه، یک سرور ساده می‌تواند ابزاری برای محاسبه، جست‌وجو یا دریافت اطلاعات از یک API تعریف کند. سپس با ابزارهای آزمایش MCP، قابلیت‌های سرور و پاسخ آن‌ها بررسی شوند.

پیش از انتشار عمومی سرور، اعتبارسنجی ورودی‌ها، کنترل مجوزها، مدیریت خطاها و محدودیت نرخ درخواست باید آزمایش شوند.

آینده MCP و نقش آن در سیستم‌های هوش مصنوعی

با افزایش استفاده از دستیارهای ابزارمحور و عامل‌های هوش مصنوعی، نیاز به روش‌های استاندارد برای ارتباط با سامانه‌های دیگر اهمیت بیشتری پیدا کرده است.

MCP یکی از پاسخ‌های فنی به این نیاز است.

توسعه قابلیت‌هایی مانند MCP Apps نشان می‌دهد که دامنه استفاده از پروتکل می‌تواند از تبادل داده و فراخوانی ابزار فراتر برود و در میزبان‌های سازگار، رابط‌های کاربری تعاملی را نیز شامل شود.

بااین‌حال، میزان گسترش این قابلیت‌ها به سازگاری نرم‌افزارها، کیفیت سرورها، امنیت و نیاز واقعی کاربران وابسته است.

برای ارزیابی آینده MCP باید به میزان پشتیبانی ابزارهای توسعه، کیفیت مشخصات فنی و تجربه پیاده‌سازی‌های عملی توجه کرد، نه صرفاً تعداد محصولات معرفی‌شده با نام این فناوری.

جمع‌بندی: MCP برای چه کسانی کاربرد دارد؟

MCP روشی استاندارد برای متصل‌کردن برنامه‌های هوش مصنوعی به داده‌ها و قابلیت‌های سامانه‌های دیگر فراهم می‌کند. ارزش اصلی آن زمانی مشخص می‌شود که سیستم به چند ابزار نیاز داشته باشد یا توسعه‌دهنده بخواهد یکپارچه‌سازی‌هایی قابل‌استفاده مجدد طراحی کند.

برای توسعه‌دهندگان، MCP می‌تواند مدیریت اتصال ابزارهای هوش مصنوعی را منظم‌تر کند. برای کسب‌وکارها، امکان طراحی دستیارهایی را فراهم می‌کند که به اطلاعات و فرایندهای واقعی سازمان متصل هستند.

بااین‌حال، MCP به‌تنهایی یک سیستم را هوشمندتر، دقیق‌تر یا امن‌تر نمی‌کند. کیفیت داده‌ها، توانایی مدل، مجوزهای دسترسی و معماری نرم‌افزار همچنان تعیین‌کننده‌اند.

اگر هدف فقط فراخوانی یک سرویس مشخص است، شاید API مستقیم کافی باشد. اما وقتی قرار است چند برنامه هوش مصنوعی به مجموعه‌ای از ابزارها و منابع مشترک دسترسی داشته باشند، بررسی MCP می‌تواند انتخاب منطقی‌تری باشد.

سؤالات متداول درباره MCP

MCP مخفف چیست؟

MCP مخفف Model Context Protocol است. این پروتکل یک استاندارد باز برای ارتباط برنامه‌های مبتنی بر مدل‌های زبانی با ابزارها و منابع داده خارجی تعریف می‌کند.

سرور MCP چیست؟

MCP Server برنامه‌ای است که قابلیت‌هایی مانند ابزارهای اجرایی، منابع اطلاعاتی یا الگوهای دستور را از طریق پروتکل MCP ارائه می‌کند. سرور می‌تواند به‌صورت محلی یا از راه دور اجرا شود.

آیا MCP همان API است؟

خیر. API رابط ارتباطی میان نرم‌افزارهاست، درحالی‌که MCP قرارداد استانداردی برای معرفی و استفاده از ابزارها و منابع توسط برنامه‌های هوش مصنوعی فراهم می‌کند. یک سرور MCP می‌تواند برای اجرای عملیات خود از APIهای موجود استفاده کند.

آیا برای استفاده از MCP باید برنامه‌نویسی بلد باشیم؟

برای استفاده از بعضی سرورهای آماده، مهارت برنامه‌نویسی پیشرفته ضروری نیست؛ اما پیکربندی اتصال، بررسی مجوزها و شناخت اولیه ابزارها همچنان اهمیت دارد. توسعه یک MCP Server اختصاصی معمولاً به دانش برنامه‌نویسی و آشنایی با APIها نیاز دارد.

آیا MCP به اینترنت نیاز دارد؟

خیر، نه در همه شرایط. یک MCP Server محلی می‌تواند از طریق ارتباط محلی مانند Stdio کار کند. اما اگر ابزار موردنظر به سرویس اینترنتی متصل باشد، دسترسی شبکه متناسب با آن سرویس لازم است.

آیا استفاده از MCP رایگان است؟

مشخصات MCP یک استاندارد باز است و استفاده از خود پروتکل مستلزم پرداخت هزینه مجوز اختصاصی نیست. بااین‌حال، سرویس‌های متصل، زیرساخت سرور، APIهای تجاری یا نرم‌افزارهای میزبان ممکن است هزینه داشته باشند.

آیا MCP امن است؟

امنیت MCP به نحوه پیاده‌سازی وابسته است. استفاده از سرور معتبر، محدودکردن دسترسی‌ها، مدیریت صحیح اعتبارنامه‌ها و دریافت تأیید برای عملیات حساس از مهم‌ترین اقدام‌های امنیتی هستند.

آیا MCP جایگزین RAG می‌شود؟

خیر. RAG روشی برای بازیابی اطلاعات و استفاده از آن‌ها هنگام تولید پاسخ است. MCP می‌تواند اتصال به ابزار بازیابی را فراهم کند، اما خودش جایگزین فرایند بازیابی و تولید پاسخ نیست.

منابع و مستندات

  1. مشخصات رسمی پروتکل MCP، نسخه ۲۰۲۶

  2. مستندات رسمی معماری و پروتکل MCP

  3. معرفی اولیه MCP توسط Anthropic، نوامبر ۲۰۲۴

  4. تغییرات رسمی نسخه ۲۰۲۶ پروتکل MCP

  5. مستندات رسمی MCP Apps

  6. چک‌لیست امنیت MCP در OWASP

دیدگاه شما

دیدگاه های ارسال شده توسط شما، پس از تایید مدیر سایت در وب سایت منتشر خواهد شد.
پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
پیام هایی که به غیر از زبان فارسی یا غیر مرتبط با خبر باشد منتشر نخواهد شد.