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

تستطيع أنواع مختلفة من نماذج الذكاء الاصطناعي، بدءًا من نماذج اللغة الكبيرة وصولًا إلى أنظمة الرؤية الحاسوبية، دعم مجموعة واسعة من المهام، بما في ذلك إنشاء النصوص وتحليل الصور واكتشاف الأنماط وإجراء التنبؤات. ومع ذلك، يتطلب ربط هذه النماذج بأنظمة الحاسوب الواقعية بطريقة سلسة وقابلة للتوسع عادةً جهود تكامل معقدة.

رغم أن النموذج قد يحقق أداءً جيدًا بمفرده، فإن نشره في بيئات عملية يتطلب غالبًا الوصول إلى أدوات خارجية أو بيانات مباشرة أو سياق خاص بالمجال. وعادةً ما يتضمن جمع هذه العناصر معًا كتابة تعليمات برمجية مخصصة وإعدادًا يدويًا وإمكانية محدودة لإعادة الاستخدام.

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

يمكنك النظر إلى MCP باعتباره محولًا عالميًا. فكما يتيح محول السفر توصيل أجهزتك بمقابس كهربائية مختلفة حول العالم، يتيح MCP لنماذج الذكاء الاصطناعي الاتصال بمختلف الأنظمة والأدوات ومصادر البيانات دون الحاجة إلى إعداد مخصص لكل مصدر.

في هذه المقالة، سنلقي نظرة فاحصة على ماهية MCP وكيفية عمله والدور الذي يؤديه في جعل الذكاء الاصطناعي أكثر فاعلية في التطبيقات الواقعية. كما سنستعرض بعض الأمثلة الواقعية على استخدام MCP.

ما هو بروتوكول سياق النموذج؟#

بروتوكول سياق النموذج (MCP) هو معيار مفتوح أنشأته Anthropic، وهي شركة متخصصة في أمان الذكاء الاصطناعي وأبحاثه ومعروفة بتطوير نماذج اللغة المتقدمة. ويوفر هذا البروتوكول لنماذج الذكاء الاصطناعي طريقة واضحة للاتصال بالأدوات أو الملفات أو قواعد البيانات.

تعتمد معظم مساعدات الذكاء الاصطناعي اليوم على نماذج اللغة الكبيرة للإجابة عن الأسئلة أو إكمال المهام. إلا أن هذه النماذج تحتاج غالبًا إلى بيانات إضافية لتقديم استجابات جيدة. ومن دون نظام مشترك، يجب إنشاء كل اتصال من الصفر.

على سبيل المثال، قد تحتاج روبوتات الدردشة المصممة للمساعدة في دعم تقنية المعلومات إلى جلب معلومات من نظام الشركة الداخلي لإدارة تذاكر الدعم. ومن دون MCP، سيتطلب ذلك تكاملًا مخصصًا، ما يجعل الإعداد مستغرقًا للوقت وصعب الصيانة.

يحل 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 لإنشاء مساعدين يعملون مع المعلومات المباشرة. ويؤدي ذلك إلى تقليل وقت الإعداد وتجنب الالتباس عند التبديل بين الأدوات أو المنصات.

نشأة بروتوكول سياق النموذج واعتماده#

قدمت Anthropic فكرة بروتوكول سياق النموذج (MCP) في نوفمبر 2024. وقد بدأ كمشروع مفتوح المصدر لتحسين طريقة تفاعل نماذج اللغة مع الأدوات والبيانات.

ومنذ ذلك الحين، حظي MCP باهتمام كبير. فقد بدأ الأمر بمطورين ينشئون أدوات داخلية لمهام مثل البحث في المستندات والمساعدة في كتابة التعليمات البرمجية. وسرعان ما توسع هذا الاهتمام المبكر، إذ بدأت شركات أكبر في استخدام MCP ضمن أنظمة الإنتاج لديها.

الشكل 2. MCP مقابل تكامل الذكاء الاصطناعي التقليدي.

بحلول أوائل عام 2025، بدأ دعم MCP بالانتشار في أوساط 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 الشائعة مثل Copilot Studio، الذي يساعد الشركات على إنشاء مساعدين للذكاء الاصطناعي، وVisual Studio Code، وهو محرر تعليمات برمجية واسع الاستخدام.

المكونات الرئيسية لبروتوكول سياق النموذج#

في صميم MCP ثلاثة أجزاء رئيسية: العملاء والخوادم ومجموعة مشتركة من القواعد تُسمى البروتوكول. ويمكن تصورها كمحادثة بين طرفين: أحدهما يطلب المعلومات والآخر يوفرها.

في هذا الإعداد، يؤدي نظام الذكاء الاصطناعي دور العميل. وعندما يحتاج إلى شيء، مثل ملف أو إدخال في قاعدة بيانات أو أداة لتنفيذ إجراء ما، فإنه يرسل طلبًا. وعلى الجانب الآخر، يتلقى الخادم هذا الطلب، ويجلب المعلومات المطلوبة من المكان الصحيح، ثم يرسلها بطريقة يستطيع الذكاء الاصطناعي فهمها.

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

نظرة عامة على كيفية عمل MCP#

إليك شرحًا لكيفية ربط MCP بين مساعد للذكاء الاصطناعي وبيانات أو أدوات خارجية:

• يتحقق المساعد مما يعرفه: عندما يطرح المستخدم سؤالًا، يتحقق المساعد أولًا مما إذا كان يعرف الإجابة بالفعل. وإذا لم يكن يعرفها، يقرر طلب المساعدة من نظام آخر.
• ينشئ طلبًا: ينشئ المساعد، بصفته عميل MCP، طلبًا يتضمن البيانات التي يحتاج إليها وسبب حاجته إليها.
• يصل الطلب إلى الخادم: يُرسل الطلب إلى خادم متصل بأداة أو تطبيق أو قاعدة بيانات. ويستطيع الخادم فهم الطلب ومعالجته باستخدام قواعد MCP.
• ينفذ الخادم العمل: قد يبحث الخادم عن بيانات أو يشغّل استعلامًا أو يحدّث ملفًا أو ينفذ إجراءً آخر في الأداة المتصلة، أيًا كان ما طلبه المساعد.
• يرد الخادم: تُغلّف البيانات بتنسيق MCP وتُرسل مرة أخرى إلى المساعد. ويساعد ذلك النموذج على فهمها فورًا.
• يجيب المساعد: باستخدام السياق المحدّث، يستفيد المساعد من المعلومات الجديدة لإكمال استجابته. ويحصل المستخدم على إجابة دقيقة وملائمة تستند إلى بيانات آنية.

الشكل 3. كيفية عمل MCP في تطبيقات الذكاء الاصطناعي.

استكشاف التطبيقات الواقعية لـ MCP#

يُستخدم MCP حاليًا بالفعل عبر مجموعة متنوعة من الأدوات والمنصات التي تعتمد على السياق الآني. فيما يلي بعض الأمثلة على كيفية استخدام الشركات للبروتوكول لربط نماذج اللغة بالأنظمة المباشرة والبيانات المنظمة:

• تطوير البرمجيات: تكون مساعدات البرمجة أكثر فائدة عندما تعرف ما تعمل عليه. وتستخدم أدوات مثل Zed (محرر تعليمات برمجية سريع وتعاوني) وReplit (منصة عبر الإنترنت لكتابة التعليمات البرمجية وتشغيلها) بروتوكول MCP كي يتمكن مساعدوها من قراءة الملفات المفتوحة ومتابعة تغييراتك أثناء البرمجة.
• مساعدو المؤسسات: تستخدم العديد من الشركات أدوات داخلية مثل الويكي ومكاتب المساعدة أو أنظمة إدارة علاقات العملاء (CRM). وتستخدم شركات مثل Apollo (منصة لفرق المبيعات) بروتوكول MCP لتمكين مساعديها من العثور على المعلومات عبر هذه الأنظمة، من دون إجبار المستخدمين على التبديل بين التطبيقات.
• الوكلاء متعددو الأدوات: تمتد بعض المهام عبر أنظمة متعددة. وباستخدام MCP، يستطيع المساعدون البحث في المستندات وإرسال التحديثات أو الرسائل بسلاسة.
• مساعدو سطح المكتب: تحتاج المساعدات التي تعمل على حاسوبك أحيانًا إلى الوصول إلى الملفات المحلية. ويستخدم تطبيق Claude لسطح المكتب، الذي طورته Anthropic ضمن عائلة مساعدين للذكاء الاصطناعي، بروتوكول MCP لمعالجة هذه الطلبات بأمان، مع إبقاء بياناتك على جهازك بدلًا من إرسالها إلى السحابة.

الشكل 4. مثال على كيفية معالجة MCP للبيانات عبر أنظمة متعددة.

استخدام MCP لتشغيل تطبيقات الرؤية الحاسوبية#

لنلقِ الآن نظرة فاحصة على أحد فروع الذكاء الاصطناعي التي بدأ MCP بالظهور فيها للتو: الرؤية الحاسوبية.

رغم أن نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 بارعة في تحديد الأنماط والكائنات في الصور، فإن رؤاها قد تصبح 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 المختبر أو الملاحظات السريرية إلى تعزيز فائدة تنبؤات النموذج بدرجة كبيرة، مما يؤدي إلى نتائج أكثر استنارة وأهمية.

وهنا يأتي دور بروتوكول سياق النموذج (MCP). ورغم أنه لا يُستخدم على نطاق واسع بعد، ولا يزال نهجًا قيد التطوير يستكشفه الباحثون والمهندسون، فإنه يُظهر إمكانات كبيرة.

تعزيز التصوير الطبي باستخدام الذكاء الاصطناعي المدرك للسياق وMCP#

على سبيل المثال، في تشخيص اعتلال الشبكية السكري، وهو حالة قد تسبب فقدان البصر لدى المصابين بالسكري، يستطيع مساعد للذكاء الاصطناعي استخدام MCP لتنسيق أدوات متخصصة متعددة. وقد يبدأ بجلب سجلات المرضى من قاعدة بيانات وتقييم مخاطر الإصابة بالسكري باستخدام نموذج تنبؤي.

بعد ذلك، يحلل نموذج للرؤية الحاسوبية صور الشبكية بحثًا عن علامات التلف، مثل النزيف أو التورم، التي تشير إلى وجود اعتلال الشبكية أو شدته. وأخيرًا، يستطيع المساعد البحث عن التجارب السريرية ذات الصلة استنادًا إلى ملف المريض.

يتيح MCP لجميع هذه الأدوات التواصل عبر بروتوكول مشترك، مما يسمح للمساعد بجمع تحليل الصور والبيانات المنظمة في سير عمل واحد سلس.

الشكل 5. صورة شبكية عالجها مساعد للذكاء الاصطناعي باستخدام MCP.

يتم الوصول إلى كل أداة عبر خادم MCP، مما يتيح للمساعد إرسال طلبات منظمة وتلقي استجابات موحدة. ويُلغي ذلك الحاجة إلى عمليات التكامل المخصصة، كما يتيح للمساعد الجمع بين تحليل الصور وبيانات المرضى المهمة في سير عمل واحد سلس وفعال. ورغم أن MCP لا يزال جديدًا، تُجرى بالفعل أبحاث كثيرة وأعمال مستمرة تهدف إلى جعل حالات الاستخدام هذه ممكنة عمليًا.

إيجابيات وسلبيات بروتوكول سياق النموذج#

فيما يلي بعض المزايا الرئيسية التي يوفرها MCP:

• اتصال متسق وموحد: يضمن البروتوكول هياكل موحدة للطلبات والاستجابات، مما يجعل تصحيح الأخطاء والتسجيل أكثر سهولة في الإدارة.
• تحسين الوحدية: تصبح الأنظمة أكثر وحدية، مما يسمح للمكونات المختلفة (النماذج والأدوات وقواعد البيانات) بالتطور بصورة مستقلة.
• تيسير الاستقلالية في الذكاء الاصطناعي الوكيلي: تستطيع وكلاء الذكاء الاصطناعي الاستدلال والعمل عبر أدوات متعددة من دون مسارات عمل يحددها البشر، مما يتيح سلوكًا أكثر مرونة واستقلالية.

ومن ناحية أخرى، فيما يلي بعض القيود التي ينبغي وضعها في الاعتبار عند التعامل مع MCP:

• تعقيد الإعداد الأولي: يتطلب إعداد خوادم ومضيفات متوافقة مع MCP للأنظمة الحالية جهدًا هندسيًا، وقد يستلزم إعادة التفكير في البنى الحالية.
• أعباء الأداء: قد تؤدي إضافة طبقة بروتوكول إلى زيادة زمن الاستجابة، ولا سيما إذا كانت الأدوات موزعة أو يتم الوصول إليها عبر الشبكات.
• منحنى التعلم: تحتاج فرق التطوير إلى فهم بنية MCP (المضيفون والعملاء والخوادم) وكيفية التصميم لها، مما قد يبطئ اعتمادها.

أهم النقاط المستخلصة#

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

مع تزايد الاعتماد عليه، يمتلك MCP القدرة على أن يصبح جزءًا قياسيًا من طريقة تصميم مساعدي الذكاء الاصطناعي ونشرهم. فهو يساعد على تبسيط الإعداد وتحسين تدفق البيانات وإضفاء بنية على تفاعلات النماذج في العالم الواقعي.

انضم إلى مجتمعنا المتنامي. تفضل بزيارة مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي، واستكشف خيارات الترخيص لدينا للبدء باستخدام الذكاء الاصطناعي للرؤية. هل تريد أن ترى كيفية استخدامه في الحياة الواقعية؟ اطلع على تطبيقات الذكاء الاصطناعي في الرعاية الصحية والرؤية الحاسوبية في تجارة التجزئة في صفحة حلولنا.