Model Context Protocol (MCP)

بروتوكول سياق النموذج (MCP) معيار مفتوح صُمم لتوحيد طريقة تفاعل نماذج الذكاء الاصطناعي مع البيانات والأدوات والبيئات الخارجية. تاريخيًا، كان ربط النماذج اللغوية الكبيرة (LLMs) أو أنظمة الرؤية الحاسوبية بمصادر بيانات العالم الحقيقي—مثل الملفات المحلية أو قواعد البيانات أو نقاط نهاية API—يتطلب إنشاء عمليات تكامل مخصصة لكل أداة على حدة. يعالج MCP هذا التشتت من خلال توفير بروتوكول شامل، أشبه بمنفذ USB لتطبيقات الذكاء الاصطناعي. وهذا يتيح للمطورين إنشاء موصل واحد يعمل مع عدة عملاء للذكاء الاصطناعي، مما يقلل كثيرًا من تعقيد إنشاء وكلاء دعم العملاء المدركين للسياق ومساعدين أذكياء.

كيفية عمل MCP#

يعمل MCP في جوهره وفق بنية العميل-المضيف-الخادم. «العميل» هو تطبيق الذكاء الاصطناعي (مثل مساعد برمجي أو واجهة روبوت محادثة) الذي يبدأ الطلب. وتوفر «الجهة المضيفة» بيئة التشغيل، بينما يشكل «الخادم» جسرًا إلى البيانات أو الأداة المحددة. عندما يحتاج وكيل ذكاء اصطناعي إلى الوصول إلى ملف أو الاستعلام عن قاعدة بيانات، يرسل طلبًا عبر البروتوكول. ويتولى خادم MCP معالجة هذا الطلب واسترجاع السياق اللازم وإعادته إلى النموذج بتنسيق منظم.

تدعم هذه البنية ثلاث قدرات أساسية:

• الموارد: تتيح هذه للنموذج قراءة البيانات، مثل السجلات وملفات التعليمات البرمجية ومستندات الأعمال، وتوفر الأساس اللازم لـالتوليد المعزز بالاسترجاع (RAG).
• المطالبات: قوالب محددة مسبقًا تساعد المستخدمين أو النماذج على التفاعل بفاعلية مع الخادم، وتبسّط سير عمل هندسة المطالبات.
• الأدوات: دوال قابلة للتنفيذ تتيح للنموذج اتخاذ إجراءات، مثل تحرير ملف أو تشغيل نص برمجي أو التفاعل مع خط أنابيب الرؤية الحاسوبية.

تطبيقات عملية#

يكتسب MCP زخمًا سريعًا لأنه يفصل النموذج عن منطق التكامل. إليك مثالين عمليين على استخدامه:

1. بيئات التطوير الموحدة: في هندسة البرمجيات، يتنقل المطورون غالبًا بين بيئة تطوير متكاملة (IDE) وطرفية ووثائق. ويمكن لمساعد برمجي يدعم MCP الاتصال بمستودع GitHub ونظام ملفات محلي وقاعدة بيانات لتتبع الأخطاء في الوقت نفسه. إذا سأل المطور: «لماذا يفشل تسجيل الدخول؟»، يستطيع الذكاء الاصطناعي استخدام خوادم MCP لجلب سجلات الأخطاء الحديثة وقراءة شفرة المصادقة ذات الصلة والتحقق من المشكلات المفتوحة، ثم تجميع هذه البيانات متعددة الوسائط في حل من دون أن يضطر المستخدم إلى نسخ السياق ولصقه.

2. الفحص البصري المدرك للسياق: في البيئات الصناعية، يكتشف نموذج الرؤية القياسي العيوب لكنه يفتقر إلى السياق التاريخي. باستخدام MCP، يمكن ربط نظام كشف Ultralytics YOLO26 بقاعدة بيانات للمخزون. عندما يكتشف النموذج «قطعة تالفة»، يستدعي أداة MCP للاستعلام عن توفر البديل في قاعدة البيانات، وينشئ تلقائيًا مسودة طلب صيانة. وهذا يحوّل مهمة كشف الأجسام البسيطة إلى سير عمل أتمتة متكامل.

التمييز بين المصطلحات ذات الصلة#

من المفيد التمييز بين MCP والمفاهيم المشابهة في منظومة الذكاء الاصطناعي:

• MCP مقابل API: واجهة برمجة التطبيقات (API) مجموعة محددة من القواعد التي تتيح لبرنامج ما التواصل مع برنامج آخر. أما MCP فهو بروتوكول يوحّد طريقة تفاعل أي نموذج ذكاء اصطناعي مع أي API أو مصدر بيانات. يمكنك إنشاء خادم MCP يغلّف API محددًا، فيصبح متاحًا عالميًا لعملاء MCP المتوافقين.
• MCP مقابل RAG: التوليد المعزز بالاسترجاع تقنية لإمداد النموذج ببيانات خارجية. أما MCP فهو البنية التحتية التي تيسّر ذلك. يحدد RAG «ما» الذي يحدث (جلب البيانات)، بينما يحدد MCP «كيفية» حدوثه (قناة الاتصال القياسية).
• MCP مقابل استدعاء الدوال: تدعم نماذج كثيرة، منها OpenAI GPT-4، استدعاء الدوال مدمجًا. ويوفر MCP طريقة قياسية لتعريف هذه الدوال (الأدوات) وإتاحتها، كي لا يلزم تضمينها في مطالبة النظام الخاصة بالنموذج في كل مرة.

التكامل مع الرؤية الحاسوبية#

على الرغم من أن MCP اكتسب شهرته في الأصل مع النماذج اللغوية الكبيرة المعتمدة على النصوص، فإنه يزداد أهمية في سير العمل المرتكز على الرؤية. يمكن للمطورين إنشاء خوادم MCP تتيح قدرات الرؤية الحاسوبية كأدوات. فعلى سبيل المثال، يمكن لنموذج لغوي كبير يعمل متحكمًا مركزيًا أن يفوض مهمة بصرية إلى نموذج Ultralytics عبر نص برمجي محلي بلغة Python مكشوف كأداة MCP.

يوضح المقتطف التالي من Python سير عمل تصوريًا يستخدم فيه نص برمجي نموذج رؤية لتوليد السياق، ثم يمكن 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 طرح بروتوكول سياق النموذج تحولًا نحو أنظمة الذكاء الاصطناعي القائم على الوكلاء التي تتسم بالنمطية وقابلية التشغيل البيني. ومن خلال توحيد الاتصالات، تبتعد الصناعة عن روبوتات المحادثة المعزولة وتتجه إلى مساعدين متكاملين قادرين على إنجاز أعمال مفيدة ضمن البنية التحتية القائمة للمؤسسة. ومع استمرار تطور أدوات مثل منصة Ultralytics، من المرجح أن تؤدي البروتوكولات القياسية مثل MCP دورًا محوريًا في نشر النماذج المدرّبة حسب الطلب واستخدامها ضمن سير عمل مؤسسي أوسع.