ما المقصود ببروتوكول سياق النموذج (MCP)؟

هل سبق لك أن حاولت إنشاء نظام متعدد الوكلاء ولكنك واجهت صعوبة في إنتاج توزيع فعَّال للمعلومات بين كل وكيل متخصص؟ هل تتسبب مجموعة متنوعة من الأدوات المعدة مسبقًا والمخصصة المقدمة إلى وكيل الذكاء الاصطناعي الخاص بك في حدوث أخطاء في تنفيذ الأداة أو تحليل المخرجات؟ أو ربما، هل منعتك هذه التعقيدات من محاولة تطوير وكلائك بالكامل؟

يمكن معالجة هذه العوائق باستخدام بروتوكول سياق النموذج (MCP). يُتيح MCP لوكلاء الذكاء الاصطناعي إدراك السياق مع الامتثال لبروتوكول موحَّد للتكامل.

وكيل الذكاء الاصطناعي هو نظام أو برنامج قادر على أداء المهام بشكل مستقل نيابةً عن مستخدم أو نظام آخر. وينفِّذ هذه المهام من خلال تصميم سير العمل واستخدام الأدوات المتاحة. تتكون الأنظمة متعددة الوكلاء من وكلاء ذكاء اصطناعي متعددين يعملون بشكل جماعي لأداء المهام نيابةً عن مستخدم أو نظام آخر.

يمكن اعتبار بروتوكول MCP في تطبيقات الذكاء الاصطناعي مشابهًا لدور منفذ USB-C في الأجهزة.¹ يسلط هذا القياس الضوء على القدرة على التكيف التي توفِّرها منافذ USB-C لتوصيل الأجهزة عند مقارنتها بالطريقة القياسية التي توفِّر بها الأدوات المختلفة ومصادر البيانات السياق لنماذج الذكاء الاصطناعي من خلال MCP.

تكون النماذج اللغوية الكبيرة (LLMs) مثل Granite وGemini وLlama محدودة في قدراتها عند نشرها بمفردها. حتى دون استخدام أدوات الذكاء الاصطناعي، تتمتع النماذج اللغوية الكبيرة (LLMs) بمهارات في عدة مجالات، منها:

• التنبؤ بالنص اللاحق: عند مطالبة نموذج لغوي كبير (LLM) بإكمال جملة مثل "جاك وجيل صعدا إلى..."، فإنه يتنبأ بشكل صحيح بـ "جاك وجيل صعدا إلى التل". يُعَد هذا الموجِّه وهذه الاستجابات مثالًا على التنبؤ بالنص اللاحق ويعمل بشكل أفضل على النص الذي تم تدريب النموذج عليه.
• الأسئلة والأجوبة الأساسية: نظرًا لأن نموذج LLM لا يستطيع بمفرده الوصول إلى قواعد البيانات الخارجية أو عمليات البحث على الويب، فإنه يستطيع الإجابة عن أسئلة اللغة الطبيعية المتعلقة بالمعلومات الموجودة في البيانات المستخدمة لتدريب النموذج. يمكن أن يكون المثال: "حدثني عن معاهدة فرساي"، لأن هذه المعلومة المتعلقة بحرب عالمية كبرى من المرجح أن تكون مشمولة ضمن بيانات التدريب للنماذج العامة. غالبًا ما تنفِّذ نماذج LLM عملية توليد النصوص هذه في شكل روبوت محادثة.
• تحليل المشاعر: تستطيع نماذج LLM معالجة النص وتحديد إذا ما كان يعبِّر عن مشاعر إيجابية أو سلبية أو محايدة.
• ترجمة اللغات: تستطيع نماذج LLM ترجمة النصوص عبر اللغات والمناطق الجغرافية. ومع ذلك، لا يتم تدريب كل نموذج LLM على بيانات من أكثر من لغة واحدة.

بعيدًا عن الوظائف الأساسية، لا يمكن لنموذج LLM دون أدوات خارجية تنفيذ أي استعلام من المستخدم يتطلب الوصول إلى معلومات في الوقت الفعلي بنجاح. لتزويد نماذج LLM بفرصة تحقيق نتائج أكثر فائدة، يمكن الاستفادة من تكامل الأدوات. إن توفير أدوات خارجية مثل عمليات البحث على الويب ومجموعات البيانات وواجهات برمجة التطبيقات، يسمح لنماذج LLM بتوسيع قدراتها إلى ما هو أبعد من بيانات التدريب الخاصة بها.

وللمضي قدمًا في هذا الأمر، يمكننا بناء وكلاء الذكاء الاصطناعي باستخدام نموذج LLM والأدوات المتاحة له. باختصار، توفر الأنظمة الوكيلية لنماذج LLM مجموعة من الأدوات، ما يسمح للنموذج بتحديد الاستخدام المناسب للأداة، والتكيف مع البيئة المتغيرة، وتشكيل استنتاجات مركبة بناءً على مخرجات الأداة. ومع ذلك، فإن هذه الأنظمة القائمة على الذكاء الاصطناعي تميل إلى الفشل على نطاق واسع. وبالتالي، فإن MCP، الذي طرحته Anthropic في عام 2024، يضع معيارًا مفتوحًا لتفاعلات أدوات الذكاء الاصطناعي.²

من المرهق توصيل الخدمات الخارجية بنموذج LLM. تخيَّل دائرة كهربائية تربط محركًا بمصادر طاقة مختلفة. يُشبه MCP الأسلاك ولوحة التوزيع لهذه الدائرة؛ فهو يقرر نوع التيار الكهربائي (المعلومات) الذي يتدفق إلى المحرك (نموذج الذكاء الاصطناعي). يمكن مقارنة مخرجات الأداة أو سياق النموذج بالتيار الداخل - وهو الجهد المتدفق من مصدر الطاقة ويمكن أن يشمل الذاكرة والأدوات والنتائج السابقة.

باعتباره لوحة التوزيع، يقرر MCP مصادر الطاقة (مخرجات الأداة أو السياق) التي يجب توصيلها ومتى يتم ذلك، وينظِّم التيار (تدفق المعلومات)، ويعمل على تصفية المدخلات وترتيبها حسب الأولوية. ويفعل ذلك للتأكد من أن الأسلاك ذات الصلة فقط هي التي يتم تنشيطها (يتم تحميل السياق ذي الصلة) وإدارة توقيت الدائرة وتوجيهها حتى لا يتم تحميل النظام بشكل زائد.

تمامًا كما تعمل الدائرة المصممة جيدًا على منع التحميل الزائد وضمان استخدام الطاقة بكفاءة، يعمل MCP كموصِّل لتسهيل الاستخدام الفعَّال والملائم والمنظَّم للسياق لتحقيق الأداء الأمثل لنموذج الذكاء الاصطناعي.

أنشأ MCP معيارًا جديدًا مفتوح المصدر ليتفق عليه مهندسو الذكاء الاصطناعي. ومع ذلك، فإن المعايير ليست مفهومًا جديدًا في صناعة البرمجيات. على سبيل المثال، تُعَد واجهات برمجة التطبيقات REST معيارًا صناعيًا، حيث توفِّر تبادلًا متسقًا للبيانات بين التطبيقات من خلال طلبات HTTP المتوافقة مع مبادئ تصميم REST.

وبالمثل، يوحِّد MCP نموذج LLM والخدمات الخارجية للتواصل بشكل فعَّال من خلال وضع معيار. يُتيح هذا المعيار استخدام أداة "التوصيل والتشغيل" بدلًا من كتابة التعليمات البرمجية للتكامل المخصص لكل أداة.

لا يُعَد MCP إطار عمل للوكيل، بل هو طبقة تكامل قياسية للوكلاء الذين يصلون إلى الأدوات. وهو يُكمل أطر عمل تنسيق الوكلاء. يستطيع MCP أن يكمل أطر تنسيق الوكلاء مثل LangChain وLangGraph وBeeAI وLlamaIndex وcrewAI، ولكنه لا يحل محلها؛ لا يقرر MCP متى يتم استدعاء الأداة ولأي غرض.

يوفر MCP ببساطة اتصالًا موحدًا لتبسيط تكامل الأدوات.³ وفي النهاية، يحدِّد نموذج LLM الأدوات التي يجب استدعاؤها بناءً على سياق طلب المستخدم.

يمكن تقسيم نموذج العميل/الخادم MCP إلى ثلاثة عناصر رئيسية للبنية:

يتلقى تطبيق الذكاء الاصطناعي طلبات المستخدم ويسعى للوصول إلى السياق من خلال MCP. يمكن أن تتضمن طبقة التكامل هذه بيئات التطوير المتكاملة مثل Cursor أو Claude Desktop. ويحتوي على منطق التنسيق ويمكنه ربط كل عميل بخادم. ويحتوي على منطق التنسيق ويمكنه ربط كل عميل بخادم.⁴

يجب أن تتم الاتصالات في نظام MCP بين المضيف والخادم عبر العميل. يتواجد هذا العميل داخل المضيف ويقوم بتحويل طلبات المستخدم إلى تنسيق منظَّم يمكن للبروتوكول المفتوح معالجته. يمكن أن يوجد عدة عملاء ضمن مضيف MCP واحد، ولكن كل عميل يرتبط بعلاقة 1:1 مع خادم MCP.

من أمثلة عملاء MCP: ‏IBM BeeAI، وMicrosoft Copilot Studio، وClaude.ai، وWindsurf Editor وPostman. يعمل العملاء كمديري جلسة من خلال التعامل مع المقاطعات، وانقطاعات الاتصال، وإعادة الاتصال، وإغلاق الجلسة. يقوم العملاء أيضًا بتحليل الردود وإجراء معالجة الأخطاء والتحقق من أن الردود ذات صلة بالسياق ومناسبة.⁴

الخدمة الخارجية التي توفر السياق لنموذج LLM عن طريق تحويل طلبات المستخدم إلى إجراءات الخادم. تتضمن أمثلة تكاملات خادم MCP Slack وGitHub وGit وDocker أو البحث على الويب. عادةً ما تكون هذه الخوادم عبارة عن مستودعات GitHub متاحة بلغات برمجة مختلفة (#C وJava وTypeScript وPython وغيرها) وتوفِّر الوصول إلى أدوات MCP.

يمكن عادةً العثور على البرامج التعليمية داخل مستودعات GitHub هذه للمساعدة على التنفيذ الفني. يمكن أيضًا استخدام خوادم MCP لتوصيل استدلال LLM، من خلال موفري منصة الذكاء الاصطناعي مثل IBM وOpenAI، بمجموعة أدوات تطوير البرامج MCP. من خلال القيام بذلك، يتم إنشاء خدمة MCP قابلة لإعادة الاستخدام ليتمكن العملاء من الوصول إليها كأداة محادثة "موحَّدة".

تتميز خوادم MCP بأنها متعددة الاستخدامات؛ حيث إنها تسمح بالاتصال بالموارد والأدوات الداخلية والخارجية. ووفقًا للوثائق المقدمة بواسطة Anthropic، تعرض خوادم بروتوكول السياق النموذجي (MCP) البيانات من خلال:

• الموارد: استرجاع المعلومات من قواعد البيانات الداخلية أو الخارجية. تُعيد الموارد البيانات، لكنها لا تنفِّذ عمليات حسابية قابلة للتنفيذ.⁵
• الأدوات: تبادل المعلومات باستخدام الأدوات التي يمكنها تنفيذ تأثير جانبي مثل إجراء عملية حسابية أو جلب البيانات من خلال طلب واجهة برمجة التطبيقات.⁶
• الموجِّهات: قوالب وسير عمل قابلة لإعادة الاستخدام لاتصالات خادم LLM.‏⁷

طبقة النقل بين العملاء والخوادم مسؤولة عن تحويل الرسائل في الاتجاهين. في تدفق العميل إلى الخادم، يتم تحويل رسائل بروتوكول MCP إلى تنسيق JSON-RPC، ما يسمح بنقل العديد من هياكل البيانات وقواعد معالجتها.⁸

في تدفق البيانات العكسي من الخادم إلى العميل، تُحوَّل الرسائل المستلمة بصيغة JSON-RPC مرة أخرى إلى رسائل بروتوكول MCP.‏⁹ تشمل أنواع رسائل JSON-RPC الثلاثة الطلبات والاستجابات والإشعارات. تتطلب الطلبات استجابةً من الخادم، بينما لا تتطلب الإشعارات ذلك.

في طبقة النقل بين العملاء والخوادم، هناك طريقتان رئيسيتان للنقل لبروتوكول MCP، وكلتاهما تنقلان الرسائل بتنسيق JSON-RPC 2.0. الأولى هي الإدخال/الإخراج القياسي (stdio) والتي تعمل بشكل أفضل لدمج الموارد المحلية بسبب نقل المعلومات البسيط للإدخال/الإخراج. يُستخدَم هذا التنسيق للمراسلة الخفيفة والمتزامنة.⁴ تتضمن هذه الموارد أنظمة الملفات المحلية وقواعد البيانات وواجهات برمجة التطبيقات المحلية.

الطريقة الثانية هي الأحداث المرسلة من الخادم (SSE) والتي تعمل بشكل أفضل لدمج الموارد البعيدة. تُستخدم طلبات HTTP POST كآلية لنقل الرسائل من العميل إلى الخادم، ويُستخدَم SSE للعكس. يمكن استخدام هذا التنسيق للتعامل مع العديد من مكالمات الخادم غير المتزامنة التي تعتمد على الأحداث في وقت واحد.⁴

تخيَّل وجود ذكاء اصطناعي حقيقي يقوم بمسح صندوق الوارد الخاص بك لتحديد موعد اجتماعات العملاء، وإرسال تحديثات الأسهم، وملخصات نصية لنشاط Slack في الساعة الأخيرة. يُنشئ كل مزوِّد خدمة واجهات برمجة التطبيقات الخاصة به بشكل مختلف من خلال طلب معلومات مختلفة للمرور، وإرجاع مخططات إخراج مختلفة. وبالتالي، فإن أدنى تغيير في هذه الأدوات يمكن أن يؤدي إلى انهيار البنية التحتية الكاملة لسير عمل الذكاء الاصطناعي.

يوجد أيضًا عبء تطوير كبير على المهندسين لإنشاء اتصالات الأدوات هذه يدويًا، وتصحيح الأخطاء والحفاظ على المصادقة مثل مفاتيح واجهة برمجة التطبيقات وأذونات الأدوات. غالبًا ما تعتمد الأدوات على مخرجات الأدوات الأخرى وهناك العديد من حالات الحافة التي تفشل فيها هذه الاتصالات.

وبالتالي، من المهم توفير تكامل MCP كطبقة وسيطة بين نموذج LLM وأدوات التطوير. في هذه الطبقة، يمكن لبروتوكول MCP تحويل إخراج الأداة بطريقة مفهومة من قِبَل النموذج. بدون الحاجة إلى التبديل بين واجهات سطر الأوامر (CLIs)، يتم تكامل الأدوات كلها في مكان واحد.

هناك العديد من حالات الاستخدام في العالم الحقيقي لبروتوكول MCP. على سبيل المثال، يعزز MCP التنسيق والاتصال متعدد العوامل من خلال مساحة عمل مشتركة مع أدوات مشتركة، ما يُلغي الحاجة إلى عمليات التكامل المباشرة.³

يمكن أيضًا استخدام MCP لتكملة التوليد المعزز بالاسترجاع (RAG). بدلًا من توفير المسترد للبحث في مخزن متجهات أو قاعدة المعرفة، يستطيع MCP الاتصال بقاعدة بيانات متجهات من خلال إجراء خادم. يُتيح البحث في قاعدة البيانات كأداة بدلًا من تمرير المسترد في كل استدعاء LLM استخدامًا أكثر استراتيجية للأداة. يسمح هذا النهج أيضًا بمزيد من استدعاء الأدوات عند استرجاع البيانات.³

يمثِّل MCP نهجًا متطورًا لتكامل أدوات LLM والذي يستمر في النضج وإعادة تشكيل المساحة بمرور الوقت. مع ظهور التحديات التقنية وتطور خوادم MCP، يتكيف المعيار وتستمر خوادم MCP في التحسن.

بغض النظر عن ذلك، فإن الحاجة إلى التكامل المعياري أمر ضروري كي يعمل وكلاء الذكاء الاصطناعي بشكل مستقل وتتكيف ديناميكيًا مع بيئات العالم الحقيقي.¹⁰ باستخدام MCP، يمكننا تبسيط أتمتة سير العمل المعقد لإتاحة قدر أقل من الإشراف البشري. وبدوره، يُتيح هذا التحوُّل المدعوم من MCP تخصيص وقتنا لمهام أكثر تعقيدًا تتطلب الفطنة والحدس البشري.