MCP (Model Context Protocol) چیست؟ اتصال هوش مصنوعی به ابزارها و داده‌ها

تا چند وقت پیش، ChatGPT یا Claude فقط می‌توانستند با متنی که خودتان در چت می‌چسباندید کار کنند. نه به فایل‌های کامپیوترتان دسترسی داشتند، نه به دیتابیس شرکت و نه به تقویم یا Notion. هر شرکتی هم که می‌خواست هوش مصنوعی را به ابزارش وصل کند، باید یک اتصال اختصاصی می‌ساخت. MCP آمد تا این مشکل را حل کند.

در این مقاله به زبان ساده توضیح می‌دهیم MCP چیست، چطور کار می‌کند، چه کاربردهایی دارد، چه خطرهایی دارد و چطور می‌توانید یک سرور MCP ساده بسازید. اگر با مفهوم ایجنت آشنا نیستید، پیشنهاد می‌کنیم اول معرفی ایجنت هوش مصنوعی را بخوانید.

آخرین به‌روزرسانی: ۴ آبان ۱۴۰۵ — بر اساس مستندات رسمی modelcontextprotocol.io (نسخهٔ پروتکل 2026-07-28).

MCP به زبان ساده

تصور کنید هر گوشی و لپ‌تاپ شارژر مخصوص خودش را داشت. USB-C این آشفتگی را با یک درگاه استاندارد حل کرد. MCP همین کار را برای هوش مصنوعی انجام می‌دهد: یک روش استاندارد که مدل‌های زبانی از طریق آن داده بخوانند و کار انجام دهند.

نمودار رسمی MCP: اپلیکیشن‌های هوش مصنوعی از طریق یک پروتکل استاندارد به داده‌ها، ابزارها و گردش‌کارها وصل می‌شوند. منبع تصویر: Model Context Protocol

MCP را شرکت Anthropic (سازندهٔ Claude) به‌صورت متن‌باز معرفی کرد، اما امروز به یک استاندارد عمومی تبدیل شده است. طبق سایت رسمی، دستیارهایی مثل Claude و ChatGPT و ابزارهای توسعه مثل Visual Studio Code، Cursor و MCPJam همگی از MCP پشتیبانی می‌کنند. یعنی سروری که امروز برای Claude می‌سازید، فردا در ChatGPT یا VS Code هم کار می‌کند.

MCP چه کارهایی را ممکن می‌کند؟

خود سایت رسمی MCP چند مثال واقعی آورده است:

• ایجنت‌ها به Google Calendar و Notion شما دسترسی پیدا می‌کنند و دستیار شخصی‌تری می‌شوند.
• Claude Code از روی یک طرح Figma کل یک وب‌اپلیکیشن را می‌سازد.
• چت‌بات‌های سازمانی به چند دیتابیس در کل سازمان وصل می‌شوند و کاربران با چت داده‌ها را تحلیل می‌کنند.
• مدل‌های هوش مصنوعی در Blender طرح سه‌بعدی می‌سازند و با پرینتر سه‌بعدی چاپش می‌کنند.

چرا MCP مهم شد؟

قبل از MCP، اگر N اپلیکیشن هوش مصنوعی داشتیم و M ابزار یا منبع داده، در بدترین حالت به N×M اتصال اختصاصی نیاز بود. هر اتصال باید جداگانه ساخته، تست و نگهداری می‌شد. با MCP، هر اپلیکیشن فقط یک بار «کلاینت MCP» را پیاده می‌کند و هر ابزار فقط یک بار «سرور MCP» می‌سازد؛ تعداد اتصال‌ها از N×M به N+M می‌رسد.

بدون MCP هر اپلیکیشن باید جداگانه به هر ابزار وصل شود؛ با MCP هر طرف فقط یک بار پروتکل را پیاده می‌کند. منبع تصویر: تحریریه رادینو

سایت رسمی MCP مزایا را برای سه گروه این‌طور خلاصه می‌کند:

• توسعه‌دهندگان: زمان و پیچیدگی ساخت یا اتصال به اپلیکیشن و ایجنت هوش مصنوعی کم می‌شود.
• اپلیکیشن‌ها و ایجنت‌ها: به اکوسیستمی از منابع داده، ابزارها و اپ‌ها دسترسی پیدا می‌کنند و توانمندتر می‌شوند.
• کاربران نهایی: دستیارهای هوشمندتری خواهند داشت که در صورت نیاز به داده‌هایشان دسترسی دارند و از طرفشان کار انجام می‌دهند.

MCP با API جایگزین نمی‌شود؛ بلکه لایه‌ای روی APIهاست. سرور MCP معمولاً پشت صحنه همان API سرویس را صدا می‌زند، اما آن را به شکلی استاندارد در اختیار مدل قرار می‌دهد تا مدل بفهمد چه ابزارهایی دارد و چطور از آن‌ها استفاده کند. اگر با مفهوم API آشنا نیستید، اتصال سرویس‌های سایت با API را ببینید.

معماری: Host، Client، Server

MCP یک معماری کلاینت-سرور دارد که سه نقش اصلی در آن وجود دارد:

معماری MCP: هاست برای هر سرور یک کلاینت جدا می‌سازد؛ سرورهای محلی با STDIO و سرورهای راه دور با Streamable HTTP وصل می‌شوند. منبع تصویر: تحریریه رادینو

• MCP Host (میزبان): اپلیکیشن هوش مصنوعی که کاربر با آن کار می‌کند، مثل Claude Desktop، Claude Code یا VS Code. هاست یک یا چند کلاینت را مدیریت می‌کند.
• MCP Client (کلاینت): بخشی داخل هاست که با یک سرور MCP ارتباط اختصاصی برقرار می‌کند. هاست برای هر سرور یک کلاینت جدا می‌سازد.
• MCP Server (سرور): برنامه‌ای که داده یا ابزار را در اختیار کلاینت می‌گذارد؛ مثلاً سرور فایل‌سیستم، سرور GitHub یا سرور Sentry.

مستندات رسمی مثال خوبی می‌زند: وقتی VS Code به سرور MCP شرکت Sentry وصل می‌شود، VS Code نقش هاست را دارد و یک شیء کلاینت می‌سازد که اتصال با سرور Sentry را نگه می‌دارد.

لایهٔ داده و لایهٔ انتقال

پروتکل MCP دو لایه دارد. لایهٔ داده بر پایهٔ JSON-RPC 2.0 ساختار پیام‌ها را تعریف می‌کند: کشف قابلیت‌ها و نسخه، ابزارها، منابع، پرامپت‌ها و اعلان‌ها. لایهٔ انتقال تعیین می‌کند پیام‌ها چطور جابه‌جا شوند و دو روش دارد:

سه قابلیت اصلی: Tools، Resources و Prompts

مهم‌ترین مفهوم MCP «Primitive»ها هستند؛ یعنی چیزهایی که سرور می‌تواند به کلاینت ارائه دهد. سه قابلیت اصلی سمت سرور این‌ها هستند:

سه قابلیت اصلی سرور MCP و قابلیت Elicitation در سمت کلاینت. منبع تصویر: تحریریه رادینو

• Tools (ابزارها): توابعی که مدل می‌تواند صدا بزند تا کاری انجام دهد؛ مثل جست‌وجوی پرواز، اجرای کوئری روی دیتابیس یا ساخت فایل. کلاینت با tools/list فهرستشان را می‌گیرد و با tools/call اجرایشان می‌کند.
• Resources (منابع): داده‌هایی که به‌عنوان کانتکست به مدل داده می‌شوند؛ مثل محتوای یک فایل یا اسکیمای دیتابیس (resources/list و resources/read).
• Prompts (پرامپت‌ها): قالب‌های آماده برای کارهای تکراری؛ مثلاً «خلاصهٔ تیکت‌های این هفته» (prompts/list و prompts/get).

در سمت کلاینت هم قابلیتی به نام Elicitation وجود دارد که به سرور اجازه می‌دهد در میانهٔ کار از کاربر اطلاعات یا تأیید بیشتری بخواهد. طبق مستندات، قابلیت Sampling از نسخهٔ پروتکل 2026-07-28 منسوخ (deprecated) شده است.

کاربردهای واقعی

امروز هزاران سرور MCP برای سرویس‌های مختلف ساخته شده است. چند دسته از رایج‌ترین کاربردها:

• برنامه‌نویسی: اتصال ایجنت‌های کدنویسی به GitHub، دیتابیس، سیستم مانیتورینگ خطا (مثل Sentry) و طرح‌های Figma. ابزارهایی مثل Claude Code و Cursor از MCP پشتیبانی می‌کنند؛ راهنمای عملی را در آموزش Claude Code و مقایسهٔ ابزارها را در بهترین هوش مصنوعی برای برنامه‌نویسی ببینید.
• کار دانشی: اتصال دستیار به Google Drive، Notion، Slack و تقویم برای خلاصه‌سازی، جست‌وجو و برنامه‌ریزی.
• تحلیل داده: پرسیدن سؤال از دیتابیس شرکت با زبان طبیعی؛ مدل خودش کوئری را می‌سازد و اجرا می‌کند.
• وردپرس و فروشگاه اینترنتی: برخی افزونه‌های وردپرس سایت را به سرور MCP تبدیل می‌کنند تا ایجنت‌ها بتوانند نوشته بسازند یا تنظیمات را تغییر دهند. نمونه‌ها را در بهترین افزونه‌های هوش مصنوعی وردپرس معرفی کرده‌ایم.

اگر می‌خواهید بدانید کدام مدل Claude برای کار با ابزارها و ایجنت‌ها مناسب‌تر است، راهنمای انتخاب مدل‌های Claude را بخوانید.

ساخت یک MCP ساده (پایتون)

ساخت یک سرور MCP ساده‌تر از چیزی است که فکر می‌کنید. آموزش رسمی سایت MCP یک سرور «هواشناسی» می‌سازد. نسخهٔ خلاصه‌شدهٔ مراحل با پایتون:

۱. پیش‌نیازها: پایتون نسخهٔ 3.10 یا بالاتر و SDK پایتون MCP نسخهٔ 2.0.0 یا بالاتر. با ابزار uv پروژه را بسازید:

uv init weather
cd weather
uv add "mcp[cli]"

۲. تعریف سرور و یک ابزار: فایل weather.py را بسازید. هر تابعی که با دکوریتور tool علامت بخورد، به یک ابزار MCP تبدیل می‌شود و docstring آن به مدل توضیح می‌دهد ابزار چه کاری انجام می‌دهد:

from mcp.server import MCPServer

mcp = MCPServer("weather")

@mcp.tool()
async def get_alerts(state: str) -> str:
    """Get weather alerts for a US state (e.g. CA, NY)."""
    # call the real weather API here and return text
    return f"No active alerts for {state}"

if __name__ == "__main__":
    mcp.run(transport="stdio")

۳. اتصال به Claude Desktop: فایل تنظیمات claude_desktop_config.json را باز کنید و سرور را اضافه کنید (مسیر را با مسیر کامل پوشهٔ پروژه جایگزین کنید):

{
  "mcpServers": {
    "weather": {
      "command": "uv",
      "args": ["--directory", "/ABSOLUTE/PATH/weather", "run", "weather.py"]
    }
  }
}

بعد از راه‌اندازی دوبارهٔ Claude Desktop، ابزار get_alerts در فهرست ابزارها ظاهر می‌شود و Claude هر وقت لازم بداند آن را صدا می‌زند (و قبل از اجرا از شما تأیید می‌گیرد).

۴. تست: برای تست سرور بدون اپلیکیشن، ابزار رسمی MCP Inspector را با npx اجرا کنید. SDKهای رسمی برای زبان‌های دیگر مثل TypeScript هم در دسترس است و کدهای نمونه در مخزن GitHub پروژه قرار دارد.

امنیت MCP

MCP به مدل قدرت «انجام کار» می‌دهد و همین یعنی ریسک. سروری که به ایمیل، فایل یا دیتابیس شما دسترسی دارد، اگر مخرب باشد یا فریب بخورد، می‌تواند آسیب جدی بزند. یکی از خطرهای رایج Prompt Injection است: متنی در یک صفحهٔ وب یا ایمیل که دستورهای مخفی برای مدل دارد و او را به انجام کار ناخواسته وادار می‌کند.

چک‌لیست امنیتی پیشنهادی رادینو قبل از نصب و استفاده از یک سرور MCP. منبع تصویر: تحریریه رادینو

• فقط سرورهای رسمی سازندهٔ سرویس یا مخزن‌های شناخته‌شده را نصب کنید.
• به سرور حداقل دسترسی لازم را بدهید؛ مثلاً توکن فقط‌خواندنی برای دیتابیس.
• تأیید دستی را برای ابزارهای حساس (حذف، ارسال، پرداخت) خاموش نکنید.
• برای سرورهای راه دور از OAuth استفاده کنید، نه کلید ثابت در فایل تنظیمات.
• سرور جدید را اول در محیط تست امتحان کنید، نه روی دیتابیس اصلی.
• لاگ کارهای ایجنت را بررسی و SDK و سرورها را به‌روز نگه دارید.

برای آشنایی بیشتر با ریسک‌های کلی هوش مصنوعی، چهار خطر بزرگ هوش مصنوعی را بخوانید.

سؤالات متداول

MCP مخفف چیست؟

MCP مخفف Model Context Protocol (پروتکل کانتکست مدل) است؛ یک استاندارد متن‌باز برای اتصال اپلیکیشن‌های هوش مصنوعی به داده‌ها، ابزارها و گردش‌کارهای بیرونی.

آیا MCP فقط برای Claude است؟

نه. MCP را Anthropic معرفی کرد اما متن‌باز است و طبق سایت رسمی، ChatGPT، Visual Studio Code، Cursor و بسیاری ابزار دیگر هم از آن پشتیبانی می‌کنند.

فرق MCP با API چیست؟

API رابط اختصاصی هر سرویس است. MCP یک لایهٔ استاندارد روی APIهاست که به مدل می‌گوید چه ابزارها و داده‌هایی دارد و چطور از آن‌ها استفاده کند؛ معمولاً سرور MCP پشت صحنه همان API را صدا می‌زند.

برای ساخت سرور MCP چه زبانی لازم است؟

SDKهای رسمی برای چند زبان از جمله پایتون و TypeScript وجود دارد. در پایتون به نسخهٔ 3.10 یا بالاتر و SDK نسخهٔ 2.0.0 یا بالاتر نیاز دارید.

آیا استفاده از MCP امن است؟

به سرور و تنظیمات بستگی دارد. سرورهای رسمی را نصب کنید، حداقل دسترسی بدهید، تأیید دستی را برای کارهای حساس روشن نگه دارید و مراقب Prompt Injection باشید.

منابع و مراجع