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

الأنواع المختلفة من نماذج الذكاء الاصطناعي، بدءاً من النماذج اللغوية الكبيرة وحتى أنظمة computer vision، قادرة على دعم مجموعة واسعة من المهام، بما في ذلك توليد النصوص، وتحليل الصور، واكتشاف الأنماط، وإجراء التنبؤات. ومع ذلك، فإن ربط هذه النماذج بأنظمة الكمبيوتر الواقعية بطريقة سلسة وقابلة للتوسع تطلب عادةً جهود تكامل معقدة.

في حين أن النموذج قد أداءً جيداً بمفرده، فإن deploying في بيئات عملية يتطلب غالباً الوصول إلى أدوات خارجية، أو بيانات مباشرة، أو سياق خاص بالمجال. يشتمل جمع هذه العناصر معاً عادةً على رموز مخصصة، وإعداداً يدويلً، وإمكانية إعادة استخدام محدودة.

في الآونة الأخيرة، اكتسب مفهوم بروتوكول سياق النموذج (MCP) اهتماماً في AI community. إن MCP هو معيار مفتوح يسمح لنظام الذكاء الاصطناعي بتبادل المعلومات مع الأدوات، والملفات، وقواعد البيانات باستخدام تنسيق مشترك ومهيكل. بدلاً من بناء عمليات تكامل لكل حالة استخدام، يمكن للمطورين استخدام MCP لتبسيط كيفية وصول النماذج وتفاعلها مع السياق الذي يحتاجونه.

يمكنك التفكير في MCP كمحول عالمي. تماماً مثلما يسمح لك محول السفر بتوصيل أجهزتك بمقابس الطاقة المختلفة حول العالم، يسمح MCP لنماذج الذكاء الاصطناعي بالاتصال بأنظمة مختلفة، وأدوات، ومصادر data دون الحاجة إلى إعداد مخصص لكل منها.

في هذه المقالة، سنلقي نظرة فاحصة على ماهية MCP، وكيفية عمله، والدور الذي يلعبه في جعل الذكاء الاصطناعي أكثر فعالية في التطبيقات الواقعية. كما سنستكشف بعض الأمثلة الواقعية للأماكن التي يُستخدم فيها MCP.

ما هو بروتوكول سياق النموذج؟#

بروتوكول سياق النموذج (MCP) هو معيار مفتوح أنشأته Anthropic، وهي شركة لأبحاث وأمان الذكاء الاصطناعي معروفة ببناء language models متقدمة. فهو يمنح نماذج الذكاء الاصطناعي طريقة واضحة للاتصال بالأدوات أو الملفات أو قواعد البيانات.

تعتمد معظم مساعدات الذكاء الاصطناعي اليوم على large language models للإجابة على الأسئلة أو إتمام المهام. ومع ذلك، غالباً ما تحتاج هذه النماذج إلى بيانات إضافية للاستجابة بشكل جيد. وبدون نظام مشترك، يجب بناء كل اتصال من الصفر.

على سبيل المثال، قد يحتاج برنامج دردشة آلي مصمم للمساعدة في الدعم الفني إلى سحب معلومات من نظام التذاكر الداخلي للشركة. وبدون MCP، سيتطلب ذلك تكاملاً مخصصاً، مما يجعل الإعداد مستهلكاً للوقت ويصعب صيانته.

يحل MCP هذه المشكلة من خلال العمل كمنفذ مشترك لجميع الأدوات والنماذج. إنه لا ينتمي إلى أي شركة أو نموذج واحد، بل هو مفهوم جديد لكيفية اتصال أنظمة الذكاء الاصطناعي بالبيانات والخدمات الخارجية.

Fig 1. يشبه MCP منفذاً مشتركاً لجميع الأدوات والنماذج.

يمكن لأي مطور استخدام MCP لبناء مساعدين يعملون بمعلومات حية. وهذا يقلل من وقت الإعداد ويتجنب الارتباك عند التبديل بين الأدوات أو المنصات.

نشأة واعتماد بروتوكول سياق النموذج#

قدمت Anthropic فكرة بروتوكول سياق النموذج (MCP) في November 2024. لقد بدأ كمشروع مفتوح المصدر لتحسين كيفية تفاعل النماذج اللغوية مع الأدوات والبيانات.

منذ ذلك الحين، حظي MCP باهتمام كبير. بدأ الأمر مع مطورين يبنون أدوات داخلية لأغراض مثل البحث في المستندات والمساعدة في البرمجة. وسرعان ما نما ذلك الاهتمام المبكر، مع بدء شركات أكبر في استخدام MCP في أنظمتها الإنتاجية.

Fig 2. مقارنة بين MCP وتكامل الذكاء الاصطناعي التقليدي.

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

في نفس الوقت تقريبا، أصدرت Microsoft أدوات لمساعدة المطورين على استخدام MCP بشكل أكثر سهولة، بما في ذلك دعم منتجاتها الشهيرة مثل Copilot Studio، الذي يساعد الشركات على بناء مساعدي الذكاء الاصطناعي، وVisual Studio Code، وهو محرر أكواد مستخدم على نطاق واسع.

المكونات الرئيسية لبروتوكول سياق النموذج#

في قلب MCP توجد ثلاثة أجزاء رئيسية: العملاء، والخوادم، ومجموعة مشتركة من القواعد تسمى البروتوكول. تخيل الأمر كمحادثة بين طرفين: أحدهما يطلب معلومات والآخر يقدمها.

في هذا الإعداد، يلعب نظام الذكاء الاصطناعي دور العميل. عندما يحتاج إلى شيء ما، مثل ملف، أو إدخال في قاعدة بيانات، أو أداة لتنفيذ إجراء، فإنه يرسل طلباً. من الجانب الآخر، يتلقى الخادم هذا الطلب، ويجلب المعلومات المطلوبة من المكان الصحيح، ويرسلها مرة أخرى بطريقة يمكن للذكاء الاصطناعي فهمها.

هذا الهيكل يعني أنه لا يتعين على المطورين بناء اتصال مخصص كلما أرادوا أن يعمل AI model مع أداة جديدة أو مصدر بيانات جديد. يساعد MCP في توحيد العملية، مما يجعل كل شيء أسرع وأبسط وأكثر موثوقية.

نظرة عامة على كيفية عمل MCP#

فيما يلي جولة توضيحية لكيفية ربط MCP لمساعد الذكاء الاصطناعي بالبيانات أو الأدوات الخارجية:

• يتحقق المساعد مما يعرفه: عندما يسأل المستخدم شيئاً ما، يتحقق المساعد أولاً مما إذا كان لديه الإجابة بالفعل. إذا لم يكن لديه، فإنه يقرر الحصول على المساعدة من نظام آخر.
• يبني المساعد طلباً: بصفته عميل MCP، ينشئ المساعد طلباً. يتضمن هذا الطلب ما هي البيانات التي يحتاجها ولماذا.
• يصل الطلب إلى الخادم: يتم إرسال الطلب إلى خادم متصل بأداة أو تطبيق أو قاعدة بيانات. يمكن للخادم فهم الطلب والتعامل معه باستخدام قواعد MCP.
• يقوم الخادم بالعمل: قد يبحث الخادم عن بيانات، أو يشغل استعلاماً، أو يحدث ملفاً، أو ينفذ إجراءً آخر في الأداة المتصلة - أياً كان ما طلبه المساعد.
• يرد الخادم: يتم حزم البيانات بتنسيق MCP وإرسالها مرة أخرى إلى المساعد. يساعد هذا النموذج على فهمها على الفور.
• يجيب المساعد: باستخدام السياق المحدث، يستخدم المساعد المعلومات الجديدة لإكمال رده. يحصل المستخدم على إجابة دقيقة وذات صلة وتستند إلى بيانات في الوقت الفعلي.

Fig 3. كيف يعمل MCP في تطبيقات الذكاء الاصطناعي.

استكشاف التطبيقات الواقعية لـ MCP#

في الوقت الحاضر، يتم بالفعل استخدام MCP عبر مجموعة متنوعة من الأدوات والمنصات التي تعتمد على السياق في real-time. فيما يلي بعض الأمثلة على كيفية استخدام الشركات للبروتوكول لربط النماذج اللغوية بالأنظمة المباشرة والبيانات المهيكلة:

• تطوير البرمجيات: يكون مساعدو البرمجة أكثر فائدة عندما يعرفون ما تعمل عليه. تستخدم أدوات مثل Zed (محرر تعليمات برمجية سريع وتعاوني) وReplit (منصة عبر الإنترنت لكتابة وتشغيل التعليمات البرمجية) تقنية MCP حتى يتمكن مساعدوهم من قراءة الملفات المفتوحة ومتابعة تغييراتك أثناء البرمجة.
• مساعدو المؤسسات: تستخدم العديد من الشركات أدوات داخلية مثل الويكي، أو مكاتب المساعدة، أو أنظمة إدارة علاقات العملاء (CRM). تستخدم شركات مثل Apollo (منصة لفرق المبيعات) تقنية MCP للسماح لمساعديهم بالعثور على المعلومات عبر هذه الأنظمة - دون الحاجة إلى جعل المستخدمين ينتقلون بين التطبيقات.
• الوكلاء متعدد الأدوات: تشمل بعض المهام أنظمة متعددة. باستخدام MCP، يمكن للمساعدين البحث في المستندات وإرسال تحديثات أو رسائل بسلاسة.
• مساعدو سطح المكتب: يحتاج المساعدون الذين يعملون على جهاز الكمبيوتر الخاص بك أحياناً إلى الوصول إلى الملفات المحلية. يستخدم تطبيق سطح المكتب Claude، الذي بنته Anthropic كجزء من عائلة مساعدي الذكاء الاصطناعي الخاصة بها، تقنية MCP للتعامل مع هذه الطلبات بأمان، مع الاحتفاظ ببياناتك على جهازك بدلاً من إرسالها إلى السحابة.

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

استخدام MCP لدفع تطبيقات الرؤية الحاسوبية#

بعد ذلك، دعونا نلقي نظرة فاحصة على فرع من فروع الذكاء الاصطناعي حيث بدأ MCP في الظهور للتو: الرؤية الحاسوبية.

في حين أن نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 ممتازة في تحديد الأنماط والكائنات في الصور، إلا أن رؤاها يمكن أن تصبح أكثر تأثيرماً عند دمجها مع السياق المناسب.

في التطبيقات الواقعية، خاصة في مجال healthcare، يمكن أن يؤدي إضافة السياق مثل تاريخ المريض، أو نتائج المختبر، أو الملاحظات السريرية إلى تعزيز فائدة تنبؤات النموذج بشكل كبير، مما يؤدي إلى نتائج أكثر استنارة وذات مغزى.

هنا يأتي دور بروتوكول سياق النموذج (MCP). وعلى الرغم من أنه غير مستخدم على نطاق واسع بعد ولا يزال نهجاً نامياً يستكشفه الباحثون والمهندسون، إلا أنه يظهر الكثير من الإمكانات.

تعزيز التصوير الطبي باستخدام الذكاء الاصطناعي المدرك للسياق وMCP#

على سبيل المثال، في تشخيص diabetic retinopathy، وهي حالة يمكن أن تتسبب في فقدان البصر لدى الأشخاص المصابين بداء السكري، يمكن لمساعد الذكاء الاصطناعي استخدام MCP لتنسيق أدوات متخصصة متعددة. قد تبدأ باسترجاع سجلات المرضى من قاعدة بيانات وتقييم مخاطر مرض السكري باستخدام نموذج تنبؤي.

بعد ذلك، يقوم نموذج رؤية حاسوبية بتحليل صور الشبكية بحثاً عن علامات التلف، مثل النزيف أو التورم، التي تشير إلى وجود أو شدة الاعتلال. وأخيراً، يمكن للمساعد البحث عن تجارب سريرية ذات صلة بناءً على ملف تعريف المريض.

يُمكّن MCP كل هذه الأدوات من التواصل من خلال بروتوكول مشترك، مما يسمح للمساعد بجمع تحليل الصور والبيانات المهيكلة في سير عمل واحد سلس.

Fig 5. صورة شبكية تمت معالجتها بواسطة مساعد ذكاء اصطناعي باستخدام MCP.

يتم الوصول إلى كل أداة من خلال خادم MCP، مما يمكن المساعد من إرسال طلبات مهيكلة وتلقي استجابات موحدة. وهذا يلغي الحاجة إلى تكاملات مخصصة ويمكن المساعد من الجمع بين تحليل الصور وبيانات المرضى المهمة في سير عمل واحد سلس وفعال. على الرغم من أن MCP لا يزال جديداً، إلا أن هناك الكثير من الأبحاث والعمل الجاري الذي يهدف إلى جعل حالات الاستخدام هذه ممكنة عملياً.

إيجابيات وسلبيات بروتوكول سياق النموذج#

فيما يلي بعض المزايا الرئيسية التي يقدمها MCP:

• اتصال متسق وموحد: يضمن البروتوكول هياكل طلب/استجابة موحدة، مما يجعل تصحيح الأخطاء وتسجيل البيانات أكثر قابلية للإدارة.
• تحسين النمطية: تصبح الأنظمة أكثر نمطية، مما يسمح للمكونات المختلفة (النماذج، الأدوات، قواعد البيانات) بالتطور بشكل مستقل.
• يسهل الاستقلالية في الذكاء الاصطناعي الوكيلي: تستطيع AI agents الاستدلال والتصرف عبر أدوات متعددة دون سير عمل محدد بشرياً، مما يتيح سلوكاً أكثر مرونة واستقلالية.

من ناحية أخرى، إليك بعض القيود التي يجب وضعها في الاعتبار فيما يتعلق بـ MCP:

• تعقيد الإعداد الأولي: يتطلب إعداد خوادم ومضيفين متوافقين مع MCP للأنظمة الحالية جهداً هندسياً وربما إعادة التفكير في البنيات الحالية.
• عبء الأداء: يمكن أن تؤدي إضافة طبقة بروتوكول إلى حدوث زمن انتقال، خاصة إذا كانت الأدوات موزعة أو يتم الوصول إليها عبر الشبكات.
• منحنى التعلم: تحتاج فرق التطوير إلى فهم بنية MCP (المضيفون، العملاء، الخوادم) وكيفية التصميم لها، وهو ما قد يبطئ من وتيرة الاعتماد.

أبرز النقاط#

تصبح نماذج الذكاء الاصطناعي أكثر قدرة، لكنها لا تزال تعتمد على الوصول إلى البيانات الصحيحة. يوفر بروتوكول سياق النموذج (MCP) للمطورين طريقة متسقة وموحدة لإنشاء تلك الاتصالات. وبدلاً من بناء كل تكامل من الصفر، يمكن للفرق اتباع تنسيق مشترك يعمل عبر أدوات وأنظمة مختلفة.

مع تزايد الاعتماد عليه، يمتلك MCP القدرة على أن يصبح جزءاً قياسياً من كيفية تصميم ونشر مساعدي الذكاء الاصطناعي. إنه يساعد في تبسيط الإعداد، وتحسين تدفق البيانات، وإضفاء الهيكلية على تفاعلات النماذج الواقعية.

انضم إلى community المتنامي لدينا. تفضل بزيارة GitHub repository لمعرفة المزيد عن الذكاء الاصطناعي واستكشاف licensing options للبدء في استخدام Vision AI. هل تريد معرفة كيف يتم استخدامه في الواقع؟ تحقق من تطبيقات AI in healthcare وcomputer vision in retail على صفحة الحلول الخاصة بنا.