برچسب: ابزارهای هوش مصنوعی

MCP و API هر دو برای برقراری ارتباط میان سیستم‌ها طراحی شده‌اند. در نگاه اول ممکن است شبیه هم به نظر برسند؛ هر دو به یک نرم‌افزار اجازه می‌دهند از نرم‌افزاری دیگر داده بگیرد یا کاری انجام دهد. اما هدف و نحوه عملکرد آن‌ها کاملاً متفاوت است.

API یا رابط برنامه‌نویسی کاربردی، ابزاری برای توسعه‌دهندگان است، راهی که یک برنامه از طریق آن با برنامه‌ای دیگر صحبت می‌کند.
در مقابل، MCP یا Model Context Protocol، برای مدل‌های هوش مصنوعی ساخته شده است، روشی که به مدل‌هایی مانند GPT یا Claude اجازه می‌دهد به شکل امن و ساختارمند با ابزارها، داده‌ها و سیستم‌های خارجی ارتباط برقرار کنند.

در این مطلب بررسی می‌کنیم MCP دقیقاً چیست، چه تفاوتی با API دارد، چرا ایجاد شده و در عمل چگونه کار می‌کند.

API چیست؟

API در واقع مجموعه‌ای از قوانین است که مشخص می‌کند نرم‌افزارها چگونه با یکدیگر ارتباط برقرار کنند.
می‌توانید آن را مثل گارسون یک رستوران تصور کنید: شما سفارش می‌دهید، آشپزخانه غذا را آماده می‌کند و گارسون آن را برایتان می‌آورد، بدون اینکه خودتان وارد آشپزخانه شوید.

برای مثال، اگر بخواهید جزئیات حساب کاربری یک کاربر در GitHub را بگیرید، می‌توانید درخواست زیر را ارسال کنید:

GET https://api.github.com/users/username

و سرور پاسخی مشابه این برمی‌گرداند:

{
"login": "john",
"id": 12345,
"followers": 120,
"repos": 42
}

توسعه‌دهندگان هر روز از APIها برای اتصال سرویس‌هایی مانند درگاه‌های پرداخت، داده‌های هواشناسی یا حساب‌های کاربری استفاده می‌کنند.
در واقع API برای انسان‌ها ساخته شده است تا با نوشتن کد، ارسال درخواست، مدیریت خطاها و احراز هویت، بتوانند داده‌ها را دریافت یا عملی را انجام دهند.

MCP چیست؟

MCP یا Model Context Protocol، یک استاندارد جدید است که به مدل‌های هوش مصنوعی امکان می‌دهد به‌صورت ایمن، کنترل‌شده و ساختارمند با ابزارها و سیستم‌های خارجی تعامل داشته باشند.

MCP مستقیماً برای توسعه‌دهندگان ساخته نشده؛ بلکه برای مدل‌های زبانی بزرگ (LLM) طراحی شده است.

مدل‌های زبانی مانند GPT ذاتاً نمی‌توانند درخواست شبکه بفرستند یا از توکن و هدرهای امنیتی استفاده کنند؛ آن‌ها فقط پیش‌بینی می‌کنند چه متنی باید نوشته شود.
برای نمونه اگر به مدل بگویید «وضعیت آب‌وهوای دهلی را بگو»، ممکن است متنی شبیه به کد پایتون تولید کند، اما خودش قادر به اجرای آن نیست.

اینجاست که MCP وارد عمل می‌شود: پلی میان مدل هوش مصنوعی و دنیای واقعی.
MCP مجموعه‌ای از «ابزارها» (Tools) را تعریف می‌کند که مدل می‌تواند به شکل امن از آن‌ها استفاده کند. هر ابزار با یک شِما (schema) توصیف می‌شود تا مدل بداند آن ابزار چه کاری انجام می‌دهد، چه ورودی‌هایی نیاز دارد و چه خروجی‌ای برمی‌گرداند.

MCP چگونه کار می‌کند؟

MCP را می‌توان به یک سرور در پس‌زمینه تشبیه کرد که ابزارهایی را در اختیار مدل می‌گذارد. هر ابزار در واقع یک قطعه کد کوچک است که کاری خاص انجام می‌دهد.

مثلاً در پایتون می‌توان چنین سروری ساخت:

from mcp.server.fastmcp import FastMCP
import requests

mcp = FastMCP(name="github-tools")

@mcp.tool()
def get_repos(username: str):
"""دریافت فهرست مخازن عمومی یک کاربر"""
url = f"https://api.github.com/users/{username}/repos"
return requests.get(url).json()

mcp.run()

این سرور ابزاری به نام get_repos ارائه می‌دهد که با دریافت نام کاربر، فهرست مخازن GitHub او را بازمی‌گرداند.
اگر یک مدل هوش مصنوعی به این سرور متصل شود، کافی است بگوید: «get_repos را برای کاربر john اجرا کن» تا داده‌ها را دریافت کند، بدون آنکه از URL، توکن یا ساختار درخواست اطلاعی داشته باشد.

چرا از خود API استفاده نکنیم؟

شاید بپرسید چرا مدل هوش مصنوعی مستقیماً به API وصل نشود؟

پاسخ ساده است: چون مدل‌های زبانی نمی‌توانند به‌صورت ایمن درخواست شبکه بفرستند.
آن‌ها محیط اجرایی، سیستم ذخیره کلیدها یا محدودیت امنیتی ندارند. اگر چنین امکانی بدون نظارت داده شود، ممکن است باعث افشای کلیدها، دسترسی به داده‌های خصوصی یا حتی خسارت شود.

MCP این مشکل را با ایجاد یک لایه کنترل‌شده بین مدل و سیستم واقعی حل می‌کند.
شما تعیین می‌کنید مدل به چه ابزارهایی دسترسی دارد، چه ورودی‌هایی مجاز است و چه داده‌هایی برگردانده شود.

تفاوت MCP و API در عمل

فرض کنید می‌خواهید هوش مصنوعی وضعیت آب‌وهوا را بگیرد. در روش سنتی (API) یک توسعه‌دهنده کدی شبیه این می‌نویسد:

import requests
response = requests.get("https://api.weatherapi.com/v1/current.json?key=API_KEY&q=Delhi")
print(response.json())

اما برای یک مدل زبانی، این کار خطرناک است چون به کلید API و دسترسی شبکه نیاز دارد.

در روش MCP می‌توان ابزاری مانند زیر ساخت:

@mcp.tool()
def get_weather(city: str):
"""دریافت وضعیت آب‌وهوا برای یک شهر"""
import requests
url = f"https://api.weatherapi.com/v1/current.json?key=API_KEY&q={city}"
return requests.get(url).json()

اکنون مدل فقط می‌گوید: «get_weather را برای city=Delhi اجرا کن» و MCP این کار را به‌صورت ایمن انجام می‌دهد، بدون نمایش کلیدها یا جزئیات شبکه به مدل.

تفاوت مفهومی کلیدی

تفاوت MCP و API فقط فنی نیست، بلکه مفهومی هم هست.

API برای انسان‌ها و برنامه‌نویسان طراحی شده است، فرض می‌شود کاربرش با مفاهیم امنیت، توکن‌ها و ساختار درخواست‌ها آشناست.
اما MCP برای هوش مصنوعی ساخته شده است، سیستمی هوشمند ولی غیرقابل‌اعتماد که نباید دسترسی مستقیم به داده‌ها یا کد داشته باشد.

به زبان ساده:

• API آدرس‌ها (endpoint) را در اختیار می‌گذارد.
• MCP قابلیت‌ها (capabilities) را.

مدل به‌جای فراخوانی URL، تابعی مثل get_weather را با ورودی‌های مشخص اجرا می‌کند.

کشف و شِما (Discovery & Schema)

یکی از قابلیت‌های کلیدی MCP این است که مدل می‌تواند به‌صورت خودکار بفهمد چه ابزارهایی در دسترس است.

وقتی مدل به سرور MCP متصل می‌شود، سرور فهرست ابزارها را به‌همراه توضیحات و پارامترهایشان بازمی‌گرداند، مثلاً:

{
"tools": [
{
"name": "get_weather",
"description": "دریافت وضعیت آب‌وهوا برای یک شهر",
"parameters": {
"city": {"type": "string"}
}
}
]
}

بنابراین مدل نیازی به مستندات انسانی یا تنظیمات خاص ندارد و دقیقاً می‌داند هر ابزار را چطور فراخوانی کند.

امنیت و حریم خصوصی

MCP کنترل و نظارت بیشتری فراهم می‌کند. چون ابزارها در سرور شما تعریف می‌شوند، می‌توانید محدودیت، اعتبارسنجی یا گزارش‌گیری اضافه کنید. برای مثال، درخواست‌هایی با ورودی مشکوک را رد کنید یا دسترسی به داده‌های حساس را ببندید.

در حالی که APIها اغلب در اینترنت عمومی در دسترس‌اند، اگر کلید API فاش شود یا درخواست اشتباهی ارسال شود، احتمال نشت داده وجود دارد. اما MCP می‌تواند کاملاً محلی (on-premise) اجرا شود و مدل بدون دسترسی مستقیم به اینترنت با سیستم تعامل کند.

آینده MCP

شرکت‌های بزرگی مانند OpenAI و Anthropic در حال استفاده از MCP به‌عنوان یک استاندارد مشترک هستند.
این یعنی ابزاری که امروز با MCP می‌سازید، ممکن است فردا با مدل‌های مختلفی مانند GPT،Claude یا دیگر مدل‌های سازگار با MCP بدون نیاز به تغییر کد قابل استفاده باشد.

در واقع MCP در حال تبدیل شدن به لایه‌ای واحد میان مدل‌های هوش مصنوعی و ابزارهای دنیای واقعی است، همان‌طور که APIها چنین نقشی را میان برنامه‌های وب ایفا کردند.

جمع‌بندی

در ظاهر، MCP و API هر دو برای تبادل داده میان سیستم‌ها ساخته شده‌اند، اما هدفشان متفاوت است:

• API برای توسعه‌دهندگان است — برای کسانی که می‌توانند به‌صورت امن درخواست ارسال کنند.
• MCP برای مدل‌های هوش مصنوعی است — برای سیستم‌هایی که می‌فهمند اما نمی‌توانند کد اجرا کنند.

به بیان ساده‌تر:

API ماشین‌ها را به هم وصل می‌کند؛ MCP هوش را به ماشین‌ها متصل می‌کند.

به همین دلیل MCP جایگزین APIها نمی‌شود، بلکه به‌عنوان یک لایه بالاتر روی آن‌ها قرار می‌گیرد.
API همچنان داده‌ها را فراهم می‌کند، اما MCP این امکان را می‌دهد که هوش مصنوعی با ساختار، کنترل و درک درست از آن‌ها استفاده کند.