MCP چیه و چرا مهمه؟

چرا باید این سری رو بخونی؟

اگه با AI کار کرده باشی، احتمالاً این مشکل رو داری: مدل‌های زبانی خیلی باهوشن، ولی به دنیای واقعی دسترسی ندارن. نه می‌تونن فایلی بخونن، نه به دیتابیست وصل بشن، نه ایمیل بفرستن. هر بار باید خودت دستی اطلاعات رو کپی-پیست کنی.

MCP اومده تا این مشکل رو حل کنه. این سری آموزشی از مفاهیم پایه شروع می‌کنه و تا ساخت پروژه عملی پیش می‌ره. در این قسمت اول، با خود مفهوم MCP آشنا می‌شی و می‌فهمی چرا تبدیل به یکی از مهم‌ترین استانداردهای دنیای AI شده.

MCP چیه؟

MCP مخفف Model Context Protocol هست — یه پروتکل استاندارد و اوپن‌سورس که Anthropic (شرکت سازنده Claude) معرفی کرده. هدفش اینه که یه راه یکسان و استاندارد برای اتصال مدل‌های زبانی بزرگ (Large Language Model یا LLM) به ابزارها و منابع داده خارجی فراهم کنه.

به زبان ساده‌تر: MCP یه «زبان مشترک» هست که بین AI و ابزارهای دنیای واقعی ترجمه می‌کنه. قبل از MCP، هر ابزار و هر مدل یه راه متفاوت داشت برای ارتباط. حالا با MCP، یه استاندارد واحد وجود داره که همه می‌تونن ازش استفاده کنن.

مشکلی که MCP حل می‌کنه

بذار مشکل رو دقیق‌تر ببینیم. فرض کن داری از یه مدل زبانی مثل Claude یا GPT استفاده می‌کنی. این مدل‌ها می‌تونن متن بنویسن، کد تولید کنن، سوال جواب بدن. ولی یه محدودیت بزرگ دارن:

• به فایل‌های تو دسترسی ندارن — نمی‌تونن یه فایل اکسل رو بخونن و تحلیلش کنن
• به دیتابیس وصل نیستن — اطلاعات لحظه‌ای ندارن
• نمی‌تونن کاری انجام بدن — ایمیل بفرستن، API صدا بزنن، فایل ذخیره کنن
• اطلاعاتشون قدیمیه — آخرین داده‌هاشون مال ماه‌ها پیشه

حالا تصور کن می‌خوای یه AI Agent بسازی که بتونه به دیتابیس شرکتت وصل بشه، گزارش بسازه و نتیجه رو توی Slack بفرسته. قبل از MCP، باید برای هر کدوم از این کارها یه اتصال سفارشی می‌نوشتی. اگه مدل رو عوض می‌کردی یا ابزار جدید اضافه می‌کردی، دوباره باید از صفر شروع می‌کردی.

مشکل M×N

اینجاست که مشکل واقعی خودش رو نشون می‌ده. فرض کن ۳ تا مدل AI داری (Claude, GPT, Gemini) و ۵ تا ابزار (دیتابیس، ایمیل، Slack، GitHub، فایل‌سیستم). بدون استاندارد، باید ۳ × ۵ = ۱۵ اتصال جداگانه بنویسی. هر مدل باید جداگانه با هر ابزار کار کنه.

حالا اگه یه مدل جدید اضافه بشه، ۵ اتصال جدید لازمه. یه ابزار جدید؟ ۳ اتصال جدید. این مقیاس‌پذیر نیست.

MCP این مشکل رو حل می‌کنه. با یه لایه استاندارد وسط، به جای M×N اتصال، فقط به M + N اتصال نیاز داری. هر مدل یه بار با MCP آشنا می‌شه، هر ابزار هم یه بار. بعد از اون، همه با همه کار می‌کنن.

MCP چطور کار می‌کنه؟

MCP از یه معماری ساده ولی قدرتمند استفاده می‌کنه: مدل Client-Server (مشتری-سرور). بذار قطعه‌های این پازل رو بشناسیم:

۱. MCP Host (میزبان)

اپلیکیشنی که کاربر باهاش کار می‌کنه. مثلاً Claude Desktop، VS Code، یا یه اپلیکیشن سفارشی. Host درخواست‌های کاربر رو می‌گیره و به Client می‌فرسته.

۲. MCP Client (مشتری)

بخشی از Host که مسئول ارتباط با MCP Serverهاست. هر Client می‌تونه به یه یا چند Server وصل باشه. Client پروتکل MCP رو «حرف می‌زنه» و درخواست‌ها رو به فرمت استاندارد تبدیل می‌کنه.

۳. MCP Server (سرور)

اینجا جادو اتفاق می‌افته. هر MCP Server یه یا چند «قابلیت» رو در اختیار AI قرار می‌ده. مثلاً یه سرور ممکنه به دیتابیس PostgreSQL وصل باشه، یکی دیگه به GitHub، و یکی هم به فایل‌های لوکال.

سه قابلیت اصلی MCP Server

هر MCP Server می‌تونه سه نوع قابلیت ارائه بده:

Tools (ابزارها): کارهایی که AI می‌تونه انجام بده. مثلاً «این کوئری رو روی دیتابیس اجرا کن» یا «یه ایمیل بفرست». AI خودش تصمیم می‌گیره کِی از هر ابزار استفاده کنه.

Resources (منابع): داده‌هایی که AI می‌تونه بخونه. مثلاً محتوای یه فایل، نتیجه یه API call، یا اطلاعات یه دیتابیس. فرق Resources با Tools اینه که Resources فقط‌خواندنی (read-only) هستن.

Prompts (الگوهای پرامپت): الگوهای از پیش تعریف‌شده برای تعامل با AI. مثلاً یه الگوی «خلاصه‌سازی کد» یا «تحلیل باگ» که AI می‌تونه ازشون استفاده کنه.

یه مثال ساده

بذار ببینیم MCP در عمل چطور کار می‌کنه. فرض کن از Claude Desktop استفاده می‌کنی و یه MCP Server برای دسترسی به فایل‌های لوکالت وصل کردی.

وقتی بنویسی «لطفاً فایل report.csv رو بخون و یه نمودار ازش بساز»، این اتفاق‌ها می‌افته:

1. Claude (از طریق MCP Client) لیست ابزارهای موجود رو از Server می‌گیره
2. می‌فهمه که ابزار read_file وجود داره
3. از Server می‌خواد فایل report.csv رو بخونه
4. Server فایل رو می‌خونه و محتواش رو برمی‌گردونه
5. Claude داده‌ها رو تحلیل می‌کنه و نمودار رو تولید می‌کنه

همه این ارتباطات با فرمت استاندارد JSON-RPC انجام می‌شه. یه نمونه ساده از درخواست:

{
  "jsonrpc": "2.0",
  "method": "tools/call",
  "params": {
    "name": "read_file",
    "arguments": {
      "path": "report.csv"
    }
  }
}

ساده‌ست، نه؟ همین استاندارد بودن باعث می‌شه هر ابزاری که MCP حرف بزنه، با هر مدلی که MCP بفهمه، کار کنه.

MCP در مقابل API مستقیم — چرا استاندارد؟

شاید بپرسی «خب من خودم می‌تونم مستقیم API بزنم، چرا MCP لازمه؟» سوال خوبیه. بذار مقایسه کنیم:

مزیت اصلی MCP قابلیت استفاده مجدد هست. وقتی کسی یه MCP Server برای دسترسی به PostgreSQL می‌نویسه، همه می‌تونن ازش استفاده کنن — با Claude، با GPT، با هر مدل دیگه‌ای. لازم نیست چرخ رو دوباره اختراع کنی.

مزیت دوم کشف خودکار هست. وقتی یه MCP Server وصل می‌شه، AI به‌طور خودکار می‌فهمه چه ابزارهایی در دسترسه و چطور باید ازشون استفاده کنه. لازم نیست تو دستی توضیح بدی.

اکوسیستم MCP

یکی از نقاط قوت MCP اکوسیستم رو به رشدش هست. بذار ببینیم کجاها می‌تونی از MCP استفاده کنی:

کلاینت‌ها (اپلیکیشن‌هایی که MCP رو پشتیبانی می‌کنن)

• Claude Desktop: اپلیکیشن دسکتاپ Anthropic. اولین و کامل‌ترین پشتیبانی از MCP.
• Claude Code: ابزار خط فرمان Claude برای کدنویسی. از MCP برای دسترسی به فایل‌ها و ابزارهای توسعه استفاده می‌کنه.
• VS Code + GitHub Copilot: ادیتور کد مایکروسافت. Copilot Chat از MCP Serverها پشتیبانی می‌کنه.
• Cursor: ادیتور کد مبتنی بر AI. پشتیبانی کامل از MCP داره.
• Windsurf (Codeium): یه ادیتور AI-first دیگه با پشتیبانی MCP.

سرورهای آماده

صدها MCP Server آماده وجود داره که بدون نوشتن کد می‌تونی ازشون استفاده کنی:

• فایل‌سیستم: خوندن و نوشتن فایل‌های لوکال
• GitHub/GitLab: مدیریت ریپو، issue، pull request
• PostgreSQL/MySQL: کوئری زدن روی دیتابیس
• Slack/Discord: ارسال و خوندن پیام
• Google Drive/Notion: دسترسی به اسناد
• Playwright: اتوماسیون مرورگر و تست وب
• Docker: مدیریت کانتینرها

چی می‌تونی با MCP بسازی؟

بذار چند تا ایده عملی بهت بدم تا ذهنت باز بشه:

۱. دستیار داده‌محور

یه AI Assistant که مستقیم به دیتابیس شرکتت وصله. می‌تونی ازش بپرسی «فروش ماه گذشته چقدر بود؟» و جواب دقیق بگیری — بدون اینکه خودت کوئری SQL بنویسی.

۲. ابزار توسعه هوشمند

یه MCP Server که به ریپوی Git، CI/CD pipeline، و سیستم مانیتورینگت وصله. می‌تونی بگی «آخرین دیپلوی مشکلی داشت؟» و AI خودش لاگ‌ها رو بررسی کنه.

۳. اتوماسیون کسب‌وکار

وصل کردن AI به CRM، ایمیل، و تقویم. مثلاً «قرار جلسه با فلانی رو بذار و خلاصه آخرین مکالمه‌مون رو بفرست.»

۴. تحلیل اسناد

یه MCP Server که به Google Drive یا SharePoint وصله. AI می‌تونه اسناد شرکتی رو بخونه، خلاصه کنه، و سوال جواب بده.

تاریخچه مختصر MCP

MCP توسط Anthropic در نوامبر ۲۰۲۴ معرفی شد. ایده از یه مشاهده ساده شروع شد: هر تیمی که می‌خواست AI رو به ابزارهاش وصل کنه، داشت چرخ رو از نو اختراع می‌کرد.

Anthropic تصمیم گرفت به جای نگه داشتن این تکنولوژی برای خودش، اون رو اوپن‌سورس کنه. مشخصات فنی MCP عمومیه و هر کسی می‌تونه ازش استفاده کنه — حتی رقبای Anthropic.

این تصمیم جواب داد. خیلی سریع شرکت‌های بزرگ مثل مایکروسافت، گوگل، و ده‌ها شرکت دیگه از MCP پشتیبانی کردن. امروز MCP تبدیل به یه استاندارد واقعی شده — نه فقط یه پروژه Anthropic.

MCP و آینده AI

چرا MCP مهمه؟ چون مسیر آینده AI رو عوض می‌کنه.

تا الان، مدل‌های زبانی بیشتر شبیه یه «مغز توی شیشه» بودن — خیلی باهوش ولی بدون دست و پا. MCP بهشون دست و پا می‌ده. وقتی AI بتونه با دنیای واقعی تعامل داشته باشه، امکاناتش به شکل نمایی رشد می‌کنه.

فکر کن: تفاوت بین یه دانشمند که فقط فکر می‌کنه و یه دانشمند که آزمایشگاه داره. هر دو باهوشن، ولی دومی می‌تونه ایده‌هاش رو عملی کنه.

MCP داره AI رو از «فقط حرف زدن» به «واقعاً کار کردن» می‌بره. و این فقط شروعه.

در قسمت بعدی…

حالا که می‌دونی MCP چیه و چرا مهمه، وقتشه دست به کار بشیم. در قسمت ۲: نصب و راه‌اندازی اولین MCP Server، یاد می‌گیری چطور محیط کارت رو آماده کنی و اولین MCP Server رو نصب و اجرا کنی. عملی شروع می‌کنیم!