الخطوة التالية في أتمتة الذكاء الاصطناعي: بروتوكول سياق النموذج (MCP)

تستطيع أنواع مختلفة من نماذج الذكاء الاصطناعي، من النماذج اللغوية الكبيرة إلى أنظمة الرؤية الحاسوبية، دعم مجموعة واسعة من المهام، بما في ذلك إنشاء النصوص وتحليل الصور واكتشاف الأنماط وإجراء التنبؤات. لكن ربط هذه النماذج بأنظمة الحاسوب الواقعية على نطاق واسع تطلب عادةً جهود تكامل معقدة.

قد يحقق النموذج أداءً جيدًا بمفرده، لكن نشره في بيئات عملية يتطلب غالبًا الوصول إلى أدوات خارجية أو بيانات مباشرة أو سياق خاص بالمجال. وعادةً ما يتطلب جمع هذه العناصر كتابة شيفرة مخصصة وإعدادًا يدويًا، مع محدودية إمكانية إعادة الاستخدام.

اكتسب مفهوم بروتوكول سياق النموذج (MCP) اهتمامًا متزايدًا مؤخرًا في مجتمع الذكاء الاصطناعي. وMCP معيار مفتوح يتيح لأنظمة الذكاء الاصطناعي تبادل المعلومات مع الأدوات والملفات وقواعد البيانات باستخدام تنسيق مشترك ومنظم. وبدلًا من بناء عمليات تكامل لكل حالة استخدام، يستطيع المطورون استخدام MCP لتبسيط طريقة وصول النماذج إلى السياق الذي تحتاج إليه وتفاعلها معه.

يمكنك تصور MCP على أنه محول عالمي. فكما يتيح محول السفر توصيل أجهزتك بمقابس كهربائية مختلفة حول العالم، يتيح MCP لنماذج الذكاء الاصطناعي الاتصال بأنظمة وأدوات ومصادر بيانات متنوعة دون الحاجة إلى إعداد مخصص لكل منها.

في هذه المقالة، سنتناول ماهية MCP وكيفية عمله والدور الذي يؤديه في تعزيز فعالية الذكاء الاصطناعي في التطبيقات الواقعية. كما سنستعرض بعض الأمثلة الواقعية على استخدام MCP.

ما بروتوكول سياق النموذج؟#

بروتوكول سياق النموذج (MCP) معيار مفتوح أنشأته Anthropic، وهي شركة متخصصة في أمان الذكاء الاصطناعي وأبحاثه، ومعروفة بتطوير نماذج لغوية متقدمة. ويوفر البروتوكول لنماذج الذكاء الاصطناعي طريقة واضحة للاتصال بالأدوات والملفات وقواعد البيانات.

تعتمد معظم المساعدات القائمة على الذكاء الاصطناعي اليوم على نماذج لغوية كبيرة للإجابة عن الأسئلة أو إنجاز المهام. لكن هذه النماذج تحتاج غالبًا إلى بيانات إضافية لتقديم إجابات جيدة. وفي غياب نظام مشترك، يجب إنشاء كل اتصال من الصفر.

على سبيل المثال، قد تحتاج روبوتات المحادثة المصممة للمساعدة في دعم تقنية المعلومات إلى استرجاع المعلومات من نظام التذاكر الداخلي للشركة. ومن دون MCP، سيتطلب ذلك تكاملًا مخصصًا، ما يجعل الإعداد مستهلكًا للوقت ويصعب صيانته.

يعالج MCP هذه المشكلة من خلال العمل كمنفذ مشترك لجميع الأدوات والنماذج. فهو لا يتبع لشركة أو نموذج بعينه، بل يمثل مفهومًا جديدًا لطريقة اتصال أنظمة الذكاء الاصطناعي بالبيانات والخدمات الخارجية.

الشكل 1. يشبه MCP منفذًا مشتركًا لجميع الأدوات والنماذج.

يمكن لأي مطور استخدام MCP لبناء مساعدات تعمل بمعلومات آنية. وهذا يقلل وقت الإعداد ويجنب الالتباس عند التبديل بين الأدوات أو المنصات.

نشأة بروتوكول سياق النموذج واعتماده#

طرحت Anthropic فكرة بروتوكول سياق النموذج (MCP) في نوفمبر 2024. وبدأت الفكرة مشروعًا مفتوح المصدر لتحسين تفاعل النماذج اللغوية مع الأدوات والبيانات.

منذ ذلك الحين، حظي MCP باهتمام كبير. وبدأ الأمر بمطورين ينشئون أدوات داخلية لمهام مثل البحث في المستندات ومساعدة البرمجة. وسرعان ما ازداد هذا الاهتمام المبكر، وبدأت الشركات الكبرى باستخدام MCP في أنظمة الإنتاج لديها.

الشكل 2. MCP مقارنةً بتكامل الذكاء الاصطناعي التقليدي.

بحلول أوائل عام 2025، بدأ دعم MCP ينتشر في قطاع التقنية. وأعلنت OpenAI وGoogle DeepMind، وهما مختبران رائدان لأبحاث الذكاء الاصطناعي، أن أنظمتهما ستعمل مع هذا البروتوكول.

وفي الفترة نفسها تقريبًا، أصدرت Microsoft أدوات لمساعدة المطورين على استخدام MCP بسهولة أكبر، بما في ذلك دعم منتجاتها الشهيرة مثل Copilot Studio، الذي يساعد الشركات على إنشاء مساعدات الذكاء الاصطناعي، وVisual Studio Code، محرر الشيفرات واسع الاستخدام.

المكونات الرئيسية لبروتوكول سياق النموذج#

يتألف MCP في جوهره من ثلاثة أجزاء رئيسية: العملاء والخوادم ومجموعة مشتركة من القواعد تُسمى البروتوكول. ويمكن تشبيهه بمحادثة بين طرفين: أحدهما يطلب المعلومات والآخر يقدمها.

في هذا الإعداد، يؤدي نظام الذكاء الاصطناعي دور العميل. فعندما يحتاج إلى شيء، مثل ملف أو سجل في قاعدة بيانات أو أداة لتنفيذ إجراء، يرسل طلبًا. وعلى الجانب الآخر، يستقبل الخادم هذا الطلب، ويجلب المعلومات المطلوبة من مصدرها المناسب، ثم يعيدها بطريقة يستطيع الذكاء الاصطناعي فهمها.

تعني هذه البنية أن المطورين ليسوا مضطرين إلى إنشاء اتصال مخصص كلما أرادوا أن يعمل نموذج ذكاء اصطناعي مع أداة أو مصدر بيانات جديد. ويساعد MCP على توحيد هذه العملية، ما يجعل كل شيء أسرع وأبسط وأكثر موثوقية.

نظرة عامة على آلية عمل MCP#

إليك شرحًا لكيفية ربط MCP مساعد الذكاء الاصطناعي بالبيانات أو الأدوات الخارجية:

• يتحقق المساعد مما يعرفه: عندما يطرح المستخدم سؤالًا، يتحقق المساعد أولًا مما إذا كان يعرف الإجابة بالفعل. وإذا لم يكن يعرفها، يقرر الاستعانة بنظام آخر.
• ينشئ طلبًا: ينشئ المساعد طلبًا بصفته عميل MCP. ويتضمن الطلب البيانات التي يحتاج إليها والسبب وراء حاجته إليها.
• يصل الطلب إلى الخادم: يُرسل الطلب إلى خادم متصل بأداة أو تطبيق أو قاعدة بيانات. ويستطيع الخادم فهم الطلب ومعالجته وفق قواعد MCP.
• ينفّذ الخادم المهمة: قد يبحث الخادم عن بيانات، أو ينفّذ استعلامًا، أو يحدّث ملفًا، أو ينفّذ إجراءً آخر في الأداة المتصلة، أيًا كان ما طلبه المساعد.
• يرد الخادم: تُجهّز البيانات بتنسيق MCP وتُرسل إلى المساعد. وهذا يساعد النموذج على فهمها فورًا.
• يجيب المساعد: باستخدام السياق المحدّث، يستعين المساعد بالمعلومات الجديدة لإكمال إجابته. ويحصل المستخدم على إجابة دقيقة وذات صلة ومستندة إلى بيانات آنية.

الشكل 3. كيفية عمل MCP في تطبيقات الذكاء الاصطناعي.

استكشاف تطبيقات MCP الواقعية#

يُستخدم MCP اليوم بالفعل في مجموعة متنوعة من الأدوات والمنصات التي تعتمد على السياق الفوري. فيما يلي بعض الأمثلة على كيفية استخدام الشركات لهذا البروتوكول لربط النماذج اللغوية بالأنظمة المباشرة والبيانات المنظمة:

• تطوير البرمجيات: تصبح مساعدات البرمجة أكثر فائدة عندما تعرف ما تعمل عليه. وتستخدم أدوات مثل Zed (محرر شيفرات سريع وتعاوني) وReplit (منصة عبر الإنترنت لكتابة الشيفرات وتشغيلها) بروتوكول MCP لتمكين مساعداتها من قراءة الملفات المفتوحة ومتابعة تغييراتك أثناء البرمجة.
• مساعدات المؤسسات: تستخدم شركات كثيرة أدوات داخلية مثل مواقع الويكي ومكاتب المساعدة وأنظمة إدارة علاقات العملاء (CRM). وتستخدم شركات مثل Apollo (منصة لفرق المبيعات) بروتوكول MCP لتمكين مساعداتها من العثور على المعلومات في هذه الأنظمة، دون الحاجة إلى انتقال المستخدمين بين التطبيقات.
• الوكلاء متعددو الأدوات: تشمل بعض المهام أنظمة متعددة. وباستخدام MCP، تستطيع المساعدات البحث في المستندات وإرسال التحديثات أو الرسائل بسلاسة.
• مساعدات سطح المكتب: تحتاج المساعدات التي تعمل على حاسوبك أحيانًا إلى الوصول إلى الملفات المحلية. ويستخدم تطبيق Claude لسطح المكتب، الذي طورته Anthropic ضمن مجموعة مساعدات الذكاء الاصطناعي التابعة لها، بروتوكول MCP للتعامل مع هذه الطلبات بأمان، مع إبقاء بياناتك على جهازك بدلًا من إرسالها إلى السحابة.

الشكل 4. مثال على كيفية تعامل MCP مع البيانات عبر أنظمة متعددة.

استخدام MCP لدعم تطبيقات الرؤية الحاسوبية#

والآن، دعونا نلقي نظرة عن كثب على أحد فروع الذكاء الاصطناعي التي بدأ MCP بالظهور فيها: الرؤية الحاسوبية.

تتميز نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 بقدرتها على تحديد الأنماط والأجسام في الصور، لكن يمكن أن تصبح نتائجها أكثر تأثيرًا عند دمجها مع السياق المناسب.

في التطبيقات الواقعية، ولا سيما في الرعاية الصحية، يمكن أن تؤدي إضافة سياق مثل التاريخ المرضي للمريض ونتائج الفحوصات المخبرية والملاحظات السريرية إلى تعزيز فائدة تنبؤات النماذج بدرجة كبيرة، ما يفضي إلى نتائج أكثر استنارة وأهمية.

هنا يأتي دور بروتوكول سياق النموذج (MCP). وعلى الرغم من أن استخدامه لم ينتشر بعد، وأنه لا يزال نهجًا قيد التطوير والاستكشاف من جانب الباحثين والمهندسين، فإنه ينطوي على إمكانات كبيرة.

تعزيز التصوير الطبي باستخدام الذكاء الاصطناعي الواعي بالسياق وMCP#

على سبيل المثال، في تشخيص اعتلال الشبكية السكري، وهو مرض قد يسبب فقدان البصر لدى المصابين بالسكري، يمكن لمساعد الذكاء الاصطناعي استخدام MCP لتنسيق عمل أدوات متخصصة متعددة. وقد يبدأ باسترجاع سجلات المرضى من قاعدة بيانات وتقييم مخاطر الإصابة بالسكري باستخدام نموذج تنبؤي.

بعد ذلك، يحلل نموذج للرؤية الحاسوبية صور الشبكية بحثًا عن مؤشرات الضرر، مثل النزف أو التورم، التي تدل على وجود اعتلال الشبكية أو شدته. وأخيرًا، يمكن للمساعد البحث عن التجارب السريرية ذات الصلة استنادًا إلى ملف المريض.

يتيح MCP لجميع هذه الأدوات التواصل عبر بروتوكول مشترك، ما يسمح للمساعد بدمج تحليل الصور والبيانات المنظمة ضمن سير عمل واحد.

الشكل 5. صورة لشبكية العين عالجها مساعد ذكاء اصطناعي باستخدام MCP.

يمكن الوصول إلى كل أداة عبر خادم MCP، ما يمكّن المساعد من إرسال طلبات منظّمة واستقبال استجابات موحّدة. وهذا يلغي الحاجة إلى عمليات تكامل مخصصة، ويمكّن المساعد من الجمع بين تحليل الصور وبيانات المرضى المهمة ضمن سير عمل سلس وفعال. وعلى الرغم من حداثة MCP، يجري بالفعل الكثير من الأبحاث والعمل المستمر لجعل حالات الاستخدام هذه ممكنة عمليًا.

مزايا بروتوكول سياق النموذج وعيوبه#

إليك بعض المزايا الرئيسية التي يقدمها MCP:

• اتصال متسق وموحّد: يضمن البروتوكول اتساق بُنى الطلبات والاستجابات، ما يجعل تصحيح الأخطاء وتسجيلها أسهل في الإدارة.
• تحسين الوحداتية: تصبح الأنظمة أكثر وحداتية، ما يسمح للمكونات المختلفة (النماذج والأدوات وقواعد البيانات) بالتطور بصورة مستقلة.
• تعزيز الاستقلالية في الذكاء الاصطناعي الوكيلي: تستطيع وكلاء الذكاء الاصطناعي الاستدلال والعمل عبر أدوات متعددة دون الحاجة إلى تحديد تدفقات العمل من قِبل البشر، ما يتيح سلوكًا أكثر مرونة واستقلالية.

من ناحية أخرى، إليك بعض القيود التي ينبغي مراعاتها عند استخدام MCP:

• تعقيد الإعداد الأولي: يتطلب إعداد الخوادم والمضيفين المتوافقين مع MCP للأنظمة الحالية جهدًا هندسيًا، وقد يستلزم إعادة النظر في البنى الحالية.
• عبء الأداء: قد تؤدي إضافة طبقة بروتوكول إلى زيادة زمن الاستجابة، ولا سيما إذا كانت الأدوات موزعة أو يُستعان بها عبر الشبكات.
• منحنى التعلم: تحتاج فرق التطوير إلى فهم بنية MCP (المضيفون والعملاء والخوادم) وكيفية التصميم وفقًا لها، ما قد يبطئ اعتماده.

أبرز النقاط#

تزداد قدرات نماذج الذكاء الاصطناعي، لكنها لا تزال تعتمد على الوصول إلى البيانات المناسبة. ويوفر بروتوكول سياق النموذج (MCP) للمطورين طريقة متسقة وموحّدة لإنشاء هذه الاتصالات. وبدلًا من إنشاء كل تكامل من الصفر، تستطيع الفرق اتباع تنسيق مشترك يعمل مع أدوات وأنظمة مختلفة.

مع اتساع نطاق اعتماده، قد يصبح MCP جزءًا أساسيًا من طريقة تصميم مساعدات الذكاء الاصطناعي ونشرها. فهو يساعد على تبسيط الإعداد وتحسين تدفق البيانات وإضفاء بنية على تفاعلات النماذج في العالم الواقعي.

انضم إلى مجتمعنا المتنامي. تفضّل بزيارة مستودع GitHub للتعرّف أكثر على الذكاء الاصطناعي، واستكشف خيارات الترخيص لدينا للبدء في استخدام الذكاء الاصطناعي للرؤية. هل ترغب في معرفة كيفية استخدامه في الواقع؟ اطّلع على تطبيقات الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في قطاع التجزئة في صفحة حلولنا.