Model Context Protocol (MCP)

بروتوكول سياق النموذج (MCP) هو معيار مفتوح مصمم لتوحيد كيفية تفاعل نماذج الذكاء الاصطناعي مع البيانات والأدوات والبيئات الخارجية. تاريخياً، تطلب ربط نماذج اللغات الكبيرة (LLMs) أو أنظمة الرؤية الحاسوبية بمصادر البيانات الواقعية - مثل الملفات المحلية أو قواعد البيانات أو نقاط نهاية API - بناء عمليات تكامل مخصصة لكل أداة على حدة. يحل بروتوكول MCP هذا التشتت من خلال توفير بروتوكول عالمي، يشبه منفذ USB لتطبيقات الذكاء الاصطناعي. يتيح ذلك للمطورين بناء موصل مرة واحدة وجعله يعمل عبر عملاء ذكاء اصطناعي متعددين، مما يقلل بشكل كبير من تعقيد إنشاء وكلاء دعم عملاء مدركين للسياق ومساعدين أذكياء.

كيف يعمل MCP#

في جوهره، يعمل بروتوكول MCP من خلال بنية العميل والمضيف والخادم. "العميل" هو تطبيق الذكاء الاصطناعي (مثل مساعد البرمجة أو واجهة روبوت المحادثة) الذي يبدأ الطلب. و"المضيف" يوفر بيئة التشغيل، و"الخادم" هو الجسر المؤدي إلى البيانات أو الأداة المحددة. عندما يحتاج وكيل ذكاء اصطناعي إلى الوصول إلى ملف أو الاستعلام عن قاعدة بيانات، فإنّه يرسل طلباً عبر البروتوكول. يتعامل خادم MCP مع هذا الطلب، ويسترد السياق اللازم، ويقوم بتنسيقه مرة أخرى للنموذج بطريقة منظمة.

تدعم هذه البنية ثلاث قدرات أساسية:

• الموارد: تتيح هذه للنموذج قراءة البيانات، مثل السجلات، أو ملفات الكود، أو وثائق الأعمال، مما توفر الأساس اللازم لـ التوليد المعزز بالاسترجاع (RAG).
• الموجّهات: قوالب محددة مسبقاً تساعد المستخدمين أو النماذج على التفاعل مع الخادم بفعالية، مما تبسط سير عمل هندسة الموجّهات.
• الأدوات: وظائف قابلة للتنفيذ تسمح للنموذج باتخاذ إجراءات، مثل تعديل ملف، أو تشغيل نص برمجي، أو التفاعل مع خط أنابيب الرؤية الحاسوبية.

تطبيقات العالم الحقيقي#

يكتسب MCP زخماً سريعاً لأنه يفصل النموذج عن منطق التكامل. فيما يلي مثالان ملموسان على تطبيقه:

1. بيئات التطوير الموحدة: في هندسة البرمجيات، غالباً ما يتنقل المطورون بين بيئة تطوير متكاملة (IDE)، ووحدة طرفية (terminal)، والوثائق. يمكن لمساعد برمجة مُمكّن بـ MCP الاتصال بمستودع GitHub، ونظام ملفات محلي، وقاعدة بيانات لتتبع الأخطاء في وقت واحد. إذا سأل المطور: "لماذا فشل تسجيل الدخول؟"، يمكن للذكاء الاصطناعي استخدام خوادم MCP لسحب سجلات الأخطاء الحديثة، وقراءة كود المصادقة ذي الصلة، والتحقق من المشكلات المفتوحة، وتجميع هذه البيانات متعددة الوسائط في حل دون أن يقوم المستخدم بانسخ ولصق السياق.

2. الفحص البصري المدرك للسياق: في البيئات الصناعية، يكتشف نموذج الرؤية القياسي العيوب ولكنه يفتقر إلى السياق التاريخي. باستخدام بروتوكول MCP، يمكن ربط نظام اكتشاف Ultralytics YOLO26 بقاعدة بيانات المخزون. عندما يكتشف النموذج "جزءاً تالفاً"، فإنه يؤدي إلى تشغيل أداة MCP للاستعلام عن قاعدة بيانات توفر البدائل وصياغة تذكرة صيانة تلقائياً. هذا يحول مهمة اكتشاف الكائنات البسيطة إلى سير عمل أتمتة كامل.

التمييز بين المصطلحات ذات الصلة#

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

• MCP مقابل API: واجهة برمجة التطبيقات (API) هي مجموعة محددة من القواعد لبرنامج واحد للتحدث مع آخر. أما MCP فهو بروتوكول يوحد كيفية تفاعل أي نموذج ذكاء اصطناعي مع أي API أو مصدر بيانات. يمكنك بناء خادم MCP يغلف API معيناً، مما يجعله متاحاً عالمياً للعملاء المتوافقين مع MCP.
• بروتوكول MCP مقابل التوليد المعزز بالاسترجاع (RAG): التوليد المعزز بالاسترجاع هو تقنية لتغذية البيانات الخارجية إلى النموذج. بروتوكول MCP هو البنية التحتية التي تسهل ذلك. التوليد المعزز بالاسترجاع هو "ماذا" (الحصول على البيانات)، بينما بروتوكول MCP هو "كيف" (أنبوب الاتصال القياسي).
• بروتوكول MCP مقابل استدعاء الوظائف: تدعم العديد من النماذج، بما في ذلك OpenAI GPT-4، استدعاء الوظائف بشكل أصلي. ينشئ بروتوكول MCP طريقة قياسية لتحديد وعرض هذه الوظائف (الأدوات) بحيث لا يلزم ترميزها بشكل صلب في موجّه النظام الخاص بالنموذج في كل مرة.

التكامل مع الرؤية الحاسوبية#

بينما تم الترويج لـ MCP في الأصل لنماذج اللغات الكبيرة القائمة على النصوص، إلا أنه أصبح ذا أهمية متزايدة لسير العمل الموجه نحو الرؤية. يمكن للمطورين إنشاء خوادم MCP تعرض قدرات الرؤية الحاسوبية كأدوات. على سبيل المثال، يمكن لنموذج لغوي كبير يعمل كتحكم مركزي تفويض مهمة بصرية إلى نموذج Ultralytics عبر نص Python محلي يتم عرضه كأداة MCP.

يوضح مقتطف Python التالي سير عمل مفاهيمي حيث يستخدم نص برمجي نموذج رؤية لتوليد 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 سياق النموذج تحولاً نحو أنظمة الذكاء الاصطناعي الموجهة التي تتميز بكونها وحدوية وقابلة للتشغيل البيني. من خلال توحيد الاتصالات، يبتعد قطاع الصناعة عن روبوتات المحادثة المعزولة نحو مساعدين متكاملين قادرين على القيام بعمل ذي مغزى ضمن البنية التحتية الحالية للمؤسسة. مع استمرار تطور أدوات مثل Ultralytics Platform، ستلعب البروتوكولات القياسية مثل MCP دوراً حاسوبياً في كيفية نشر واستخدام النماذج المدربة خصيصاً ضمن سير العمل المؤسسي الأكبر.