دوره آموزشی مقدمه‌ای بر «پروتکل کانتکست مدل» (Model Context Protocol)

حتماً می‌دونید که متصل کردن مدل‌های هوش مصنوعی پیشرفته مثل Claude به ابزارها، پایگاه‌های داده و APIهای مختلف، معمولاً کار پرزحمت و پیچیده‌ایه که نیاز به نوشتن کلی کد سفارشی (Custom Code) داره. پروتکل Model Context Protocol (MCP) اومده که دقیقاً همین مشکل رو حل کنه. این پروتکل یه استاندارد باز و یکپارچه است که به Claude اجازه میده به شکل استاندارد به هر منبع داده یا ابزاری که می‌خواید متصل بشه.

توی این دوره که توسط خود شرکت Anthropic (سازنده‌ی Claude) طراحی شده، شما یاد می‌گیرید چطور با استفاده از Python SDK، سرورهای MCP بسازید که ابزارها، منابع (Resources) و دستورات (Prompts) رو در اختیار مدل قرار میدن. همچنین یاد می‌گیرید چطور کلاینت‌های MCP بسازید تا از این قابلیت‌ها استفاده کنید. در طول دوره، با سه رکن اصلی MCP یعنی Tools، Resources و Prompts آشنا میشید و در نهایت، با یک پروژه عملی، یک سیستم مدیریت اسناد حرفه‌ای رو پیاده‌سازی می‌کنید که به طور کامل از این پروتکل قدرت می‌گیره. این دوره بهترین راه برای عبور از کدنویسی‌های تکراری و رسیدن به معماری استاندارد در پروژه‌های هوش مصنوعیه.

اهداف یادگیری دوره:

تسلط کامل بر معماری MCP و درک این نکته که چطور بار تعریف و اجرای ابزارها از دوش سرور اصلی شما برداشته و به سرورهای تخصصی MCP منتقل میشه.
شناخت عمیق سیستم ارتباطی Transport-agnostic و مدل‌های پیامی که بین کلاینت‌ها و سرورها رد و بدل میشه.
تجسم دقیق جریان درخواست-پاسخ (Request-Response) از زمانی که کاربر سوالی می‌پرسه تا زمانی که داده‌ها از سرویس‌های خارجی برمی‌گردن به Claude.
ساخت سرورهای MCP با استفاده از Python SDK و بهره‌گیری از دکوراتورها برای تعریف ابزارها بدون نیاز به نوشتن دستی JSON Schema.
پیاده‌سازی قابلیت‌های مدیریت اسناد شامل ابزارهایی برای خواندن و ویرایش فایل‌ها با استفاده از توضیحات فیلد و Type Hintها.
کار با ابزار داخلی MCP Inspector برای تست و دیباگ کردن عملکرد سرور در یک محیط گرافیکی و تحت مرورگر.
تعریف منابع (Resources) برای نمایش داده‌های فقط‌خواندنی، شامل منابع مستقیم با URIهای ایستا و منابع قالبی با پارامترهای پویا.
پیاده‌سازی قابلیت خواندن منابع در کلاینت‌ها با مدیریت صحیح انواع MIME برای محتوای متنی و JSON.
ساخت دستورات (Prompts) که دستورالعمل‌های از پیش آماده و باکیفیت رو برای گردش‌کارهای رایج مثل فرمت‌دهی اسناد ارائه میدن.
درک تفاوت و زمان مناسب استفاده از هر رکن MCP شامل ابزارها (کنترل توسط مدل)، منابع (کنترل توسط اپلیکیشن) و دستورات (کنترل توسط کاربر).
بررسی الگوهای یکپارچه‌سازی کاربردی شامل قابلیت تکمیل خودکار و تزریق کانتکست (Context Injection) در گفتگوهای هوش مصنوعی.