بروتوكول سياق النموذج (MCP)

بروتوكول سياق النموذج (MCP) هو معيار مفتوح مصمم لتوحيد كيفية تفاعل نماذج الذكاء الاصطناعي مع البيانات والأدوات والبيئات الخارجية. تاريخياً، كان ربط نماذج اللغة الكبيرة (LLMs) أو أنظمة الرؤية الحاسوبية بمصادر البيانات الواقعية — مثل الملفات المحلية أو قواعد البيانات أو نقاط نهاية واجهة برمجة التطبيقات — يتطلب إنشاء تكاملات مخصصة لكل أداة على حدة. يحل MCP هذه المشكلة من خلال توفير بروتوكول عالمي، مشابه لمنفذ USB لتطبيقات الذكاء الاصطناعي. وهذا يسمح للمطورين بإنشاء موصل مرة واحدة وتشغيله عبر العديد من عملاء الذكاء الاصطناعي ، مما يقلل بشكل كبير من تعقيد إنشاء وكلاء دعم عملاء مدركين للسياق ومساعدين أذكياء.

كيف يعمل MCP

في جوهره، يعمل MCP من خلال بنية عميل-مضيف-خادم. "العميل" هو تطبيق الذكاء الاصطناعي (مثل مساعد الترميز أو واجهة روبوت الدردشة) الذي يبدأ الطلب. يوفر "المضيف" بيئة التشغيل ، و"الخادم" هو الجسر إلى البيانات أو الأداة المحددة. عندما يحتاج وكيل الذكاء الاصطناعي إلى الوصول إلى ملف أو الاستعلام عن قاعدة بيانات، فإنه يرسل طلبًا عبر البروتوكول. يتعامل خادم MCP مع هذا الطلب، ويسترد السياق الضروري، ويقوم بتنسيقه مرة أخرى إلى النموذج بطريقة منظمة.

تدعم هذه البنية ثلاث قدرات أساسية:

• الموارد: تسمح هذه الموارد للنموذج بقراءة البيانات، مثل السجلات وملفات الكود أو المستندات التجارية، مما يوفر الأساس اللازم للتوليد المعزز بالاسترجاع (RAG).
• المطالبات: قوالب محددة مسبقًا تساعد المستخدمين أو النماذج على التفاعل مع الخادم بشكل فعال، وتبسيط سير عمل هندسة المطالبات.
• الأدوات: وظائف قابلة للتنفيذ تسمح للنموذج باتخاذ إجراءات، مثل تحرير ملف أو تشغيل برنامج نصي أو التفاعل مع خط أنابيب الرؤية الحاسوبية.

تطبيقات واقعية

تكتسب MCP زخماً سريعاً لأنها تفصل النموذج عن منطق التكامل. فيما يلي مثالان ملموسان على تطبيقها:

1. بيئات التطوير الموحدة: في هندسة البرمجيات، غالبًا ما ينتقل المطورون بين IDE ومحطة طرفية ووثائق. يمكن لمساعد الترميز الذي يدعم MCP الاتصال بمستودع GitHub ونظام ملفات محلي وقاعدة بيانات تتبع الأخطاء في وقت واحد. إذا سأل المطور: "لماذا فشل تسجيل الدخول ؟"، يمكن للذكاء الاصطناعي استخدام خوادم MCP لسحب سجلات الأخطاء الحديثة وقراءة رمز المصادقة ذي الصلة والتحقق من المشكلات المفتوحة، وتجميع هذه البيانات متعددة الوسائط في حل دون الحاجة إلى نسخ المستخدم للسياق ولصقه.

2. الفحص البصري المدرك للسياق: في البيئات الصناعية، يكتشف نموذج الرؤية القياسي العيوب ولكنه يفتقر إلى السياق التاريخي. باستخدام MCP، يمكن ربط نظام الكشف Ultralytics بقاعدة بيانات المخزون. عندما يكتشف النموذج "جزءًا تالفًا"، فإنه يقوم بتشغيل أداة MCP للاستعلام عن توافر قطع الغيار في قاعدة البيانات ويقوم تلقائيًا بصياغة تذكرة صيانة. وهذا يحول مهمة الكشف عن الكائنات البسيطة إلى سير عمل أوتوماتيكي كامل .

التفريق بين المصطلحات ذات الصلة

من المفيد التمييز بين MCP والمفاهيم المماثلة في نظام الذكاء الاصطناعي:

• MCP مقابل API: واجهة برمجة التطبيقات (API) هي مجموعة محددة من القواعد التي تسمح لبرنامج ما بالتواصل مع برنامج آخر. MCP هو بروتوكول يعمل على توحيد طريقة تفاعل أي نموذج ذكاء اصطناعي مع أي واجهة برمجة تطبيقات أو مصدر بيانات. يمكنك إنشاء خادم MCP يغلف واجهة برمجة تطبيقات محددة، مما يجعلها متاحة بشكل عام للعملاء المتوافقين مع MCP.
• MCP مقابل RAG: الإنشاء المعزز بالاسترجاع هو تقنية لتغذية النموذج بالبيانات الخارجية. MCP هي البنية التحتية التي تسهل ذلك. RAG هو "ماذا" (الحصول على البيانات)، بينما MCP هو "كيف" (قناة الاتصال القياسية).
• MCP مقابل استدعاء الوظائف: تدعم العديد من النماذج، بما في ذلك OpenAI GPT-4، استدعاء الوظائف بشكل أصلي. يوفر MCP طريقة قياسية لتعريف هذه الوظائف (الأدوات) وعرضها بحيث لا يتعين ترميزها بشكل ثابت في موجه نظام النموذج في كل مرة.

التكامل مع الرؤية الحاسوبية

على الرغم من أن MCP اشتهر في الأصل في مجال نماذج اللغة الكبيرة (LLM) القائمة على النصوص، إلا أنه أصبح أكثر أهمية في سير العمل الذي يركز على الرؤية. يمكن للمطورين إنشاء خوادم MCP تعرض قدرات الرؤية الحاسوبية كأدوات. على سبيل المثال، يمكن لنموذج LLM الذي يعمل كوحدة تحكم مركزية تفويض مهمة بصرية إلى Ultralytics عبر Python محلي معروض كأداة MCP .

يوضح Python التالي Python سير عمل مفاهيمي حيث يستخدم البرنامج النصي نموذج رؤية لإنشاء سياق، والذي يمكن بعد ذلك تقديمه عبر نقطة نهاية متوافقة مع MCP:

from ultralytics import YOLO

# Load the YOLO26 model (efficient, end-to-end detection)
model = YOLO("yolo26n.pt")

# Perform inference to get visual context from an image
results = model("https://ultralytics.com/images/bus.jpg")

# Extract detection data to be passed as context
detections = []
for r in results:
    for box in r.boxes:
        cls_name = model.names[int(box.cls)]
        detections.append(f"{cls_name} (conf: {box.conf.item():.2f})")

# This string serves as the 'context' a downstream agent might request
context_string = f"Visual Analysis: Found {', '.join(detections)}"
print(context_string)

مستقبل اتصال الذكاء الاصطناعي

يمثل إدخال بروتوكول السياق النموذجي تحولًا نحو أنظمة الذكاء الاصطناعي الوكيليّةالتي تتسم بالمرونة والتوافقية. من خلال توحيد الاتصالات، تبتعد الصناعة عن روبوتات الدردشة المنعزلة نحو مساعدين متكاملين قادرين على القيام بعمل هادف ضمن البنية التحتية الحالية للمؤسسة. مع استمرار تطور أدوات مثل Ultralytics من المرجح أن تلعب البروتوكولات القياسية مثل MCP دورًا حاسمًا في كيفية نشر النماذج المخصصة المدربة واستخدامها ضمن سير عمل المؤسسات الأكبر حجمًا.