1 
2**Model Context Protocol (MCP)** یک استاندارد باز است که توسط Anthropic ایجاد شده و نحوه ارتباط مدل‌های هوش مصنوعی با ابزارهای خارجی، منابع داده و سرویس‌ها را تعریف می‌کند. آن را به عنوان "USB-C هوش مصنوعی" در نظر بگیرید  -  یک اتصال‌دهنده جهانی که به هر عامل هوش مصنوعی اجازه می‌دهد از طریق یک رابط استاندارد با هر ابزاری صحبت کند.
3 
4از زمان راه‌اندازی، MCP از **97 میلیون دانلود ماهانه SDK** عبور کرده و توسط تمام ارائه‌دهندگان بزرگ هوش مصنوعی پذیرفته شده است: Anthropic، OpenAI، Google، Microsoft و Amazon. در این راهنما، همه چیزی که برای ساخت با MCP نیاز دارید را بررسی می‌کنیم.
5 
6## چرا MCP وجود دارد
7 
8قبل از MCP، هر برنامه هوش مصنوعی باید برای هر ابزاری که می‌خواست استفاده کند، یکپارچه‌سازی سفارشی می‌ساخت. می‌خواهید هوش مصنوعی شما فایل بخواند؟ کد سفارشی بنویسید. پایگاه داده را کوئری کنید؟ کد سفارشی بیشتر. در Slack پست کنید؟ یکپارچه‌سازی دیگر.
9 
10این یک **مشکل N×M** ایجاد کرد: N برنامه هوش مصنوعی که هر کدام به M یکپارچه‌سازی سفارشی نیاز داشتند، که منجر به تلاش تکراری و اکوسیستم‌های پراکنده شد.
11 
12```mermaid
13graph TD
14    subgraph "Before MCP (N×M)"
15        A1[AI App 1] --> T1[GitHub Integration]
16        A1 --> T2[Slack Integration]
17        A1 --> T3[DB Integration]
18        A2[AI App 2] --> T4[GitHub Integration]
19        A2 --> T5[Slack Integration]
20        A2 --> T6[DB Integration]
21    end
22```
23 
24MCP این مشکل را با **یک پروتکل واحد** حل می‌کند که هر کلاینت هوش مصنوعی می‌تواند برای ارتباط با هر سرور MCP استفاده کند:
25 
26```mermaid
27graph TD
28    subgraph "With MCP (N+M)"
29        A1[AI App 1] --> MCP[MCP Protocol]
30        A2[AI App 2] --> MCP
31        MCP --> S1[GitHub Server]
32        MCP --> S2[Slack Server]
33        MCP --> S3[DB Server]
34    end
35```
36 
37## مفاهیم اصلی
38 
39MCP سه اصل بنیادی دارد:
40 
41### 1. ابزارها (Tools)
42ابزارها توابعی هستند که هوش مصنوعی می‌تواند فراخوانی کند. آنها اقداماتی مانند "ایجاد فایل"، "کوئری پایگاه داده" یا "ارسال پیام" را نمایندگی می‌کنند. هر ابزار یک نام، توضیح و یک JSON Schema برای پارامترهایش دارد.
43 
44```typescript
45{
46  name: "create_issue",
47  description: "Create a new GitHub issue",
48  inputSchema: {
49    type: "object",
50    properties: {
51      title: { type: "string", description: "Issue title" },
52      body: { type: "string", description: "Issue body" },
53      repo: { type: "string", description: "Repository name" }
54    },
55    required: ["title", "repo"]
56  }
57}
58```
59 
60### 2. منابع (Resources)
61منابع داده‌هایی هستند که هوش مصنوعی می‌تواند بخواند. آنها فایل‌ها، رکوردهای پایگاه داده، پاسخ‌های API یا هر منبع داده دیگری را نمایندگی می‌کنند. منابع با URIها شناسایی می‌شوند.
62 
63```typescript
64{
65  uri: "file:///Users/dev/project/README.md",
66  name: "Project README",
67  mimeType: "text/markdown"
68}
69```
70 
71### 3. پرامپت‌ها (Prompts)
72پرامپت‌ها قالب‌های قابل استفاده مجدد هستند که به ساختاردهی تعاملات کمک می‌کنند. می‌توانند شامل پارامترهای پویا باشند و برای استانداردسازی جریان‌های کاری رایج مفید هستند.
73 
74```typescript
75{
76  name: "code_review",
77  description: "Review code changes for quality and security",
78  arguments: [
79    { name: "diff", description: "The code diff to review", required: true }
80  ]
81}
82```
83 
84## معماری
85 
86MCP از معماری کلاینت-سرور پیروی می‌کند:
87 
88```mermaid
89graph LR
90    subgraph "Host Application"
91        Client[MCP Client]
92    end
93 
94    subgraph "MCP Server"
95        Server[Server Process]
96        Server --> Tools[Tools]
97        Server --> Resources[Resources]
98        Server --> Prompts[Prompts]
99    end
100 
101    Client -- "JSON-RPC 2.0\n(stdio or SSE)" --> Server
102```
103 
104- **میزبان**: برنامه هوش مصنوعی (Claude Desktop، Cursor، برنامه سفارشی شما)
105- **کلاینت**: اتصال 1:1 با یک سرور MCP را حفظ می‌کند
106- **سرور**: ابزارها، منابع و پرامپت‌ها را به کلاینت ارائه می‌دهد
107- **انتقال**: ارتباط از طریق JSON-RPC 2.0 روی stdio (محلی) یا Server-Sent Events (راه دور) انجام می‌شود
108 
109## ساخت سرور MCP
110 
111بیایید یک سرور MCP عملی بسازیم که با لیست وظایف ذخیره شده در فایل JSON تعامل دارد.
112 
113### راه‌اندازی
114 
115```bash
116mkdir mcp-todo-server && cd mcp-todo-server
117npm init -y
118npm install @modelcontextprotocol/sdk zod
119```
120 
121### پیاده‌سازی سرور
122 
123```typescript
124// src/index.ts
125import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
126import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
127import { z } from "zod";
128import fs from "fs";
129 
130const TODO_FILE = "./todos.json";
131 
132function readTodos(): { id: number; text: string; done: boolean }[] {
133  if (!fs.existsSync(TODO_FILE)) return [];
134  return JSON.parse(fs.readFileSync(TODO_FILE, "utf-8"));
135}
136 
137function writeTodos(todos: { id: number; text: string; done: boolean }[]) {
138  fs.writeFileSync(TODO_FILE, JSON.stringify(todos, null, 2));
139}
140 
141const server = new McpServer({
142  name: "todo-server",
143  version: "1.0.0",
144});
145 
146// Tool: Add a todo
147server.tool(
148  "add_todo",
149  "Add a new todo item",
150  { text: z.string().describe("The todo text") },
151  async ({ text }) => {
152    const todos = readTodos();
153    const newTodo = { id: Date.now(), text, done: false };
154    todos.push(newTodo);
155    writeTodos(todos);
156    return { content: [{ type: "text", text: `Added: "${text}"` }] };
157  }
158);
159 
160// Tool: List todos
161server.tool(
162  "list_todos",
163  "List all todo items",
164  {},
165  async () => {
166    const todos = readTodos();
167    const list = todos
168      .map((t) => `${t.done ? "✅" : "⬜"} [${t.id}] ${t.text}`)
169      .join("\n");
170    return { content: [{ type: "text", text: list || "No todos yet." }] };
171  }
172);
173 
174// Tool: Complete a todo
175server.tool(
176  "complete_todo",
177  "Mark a todo as completed",
178  { id: z.number().describe("The todo ID to complete") },
179  async ({ id }) => {
180    const todos = readTodos();
181    const todo = todos.find((t) => t.id === id);
182    if (!todo) return { content: [{ type: "text", text: "Todo not found." }] };
183    todo.done = true;
184    writeTodos(todos);
185    return { content: [{ type: "text", text: `Completed: "${todo.text}"` }] };
186  }
187);
188 
189// Resource: Current todos as a readable resource
190server.resource(
191  "todos://list",
192  "Current todo list",
193  async () => ({
194    contents: [{
195      uri: "todos://list",
196      mimeType: "application/json",
197      text: JSON.stringify(readTodos(), null, 2),
198    }],
199  })
200);
201 
202// Start the server
203const transport = new StdioServerTransport();
204await server.connect(transport);
205```
206 
207### پیکربندی
208 
209برای استفاده از این سرور با Claude Desktop، آن را به پیکربندی خود اضافه کنید:
210 
211```json
212{
213  "mcpServers": {
214    "todo": {
215      "command": "npx",
216      "args": ["tsx", "/path/to/mcp-todo-server/src/index.ts"]
217    }
218  }
219}
220```
221 
222## ساخت کلاینت MCP
223 
224همچنین می‌توانید یک کلاینت سفارشی بسازید که به هر سرور MCP متصل شود:
225 
226```typescript
227import { Client } from "@modelcontextprotocol/sdk/client/index.js";
228import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";
229 
230const transport = new StdioClientTransport({
231  command: "npx",
232  args: ["tsx", "./src/index.ts"],
233});
234 
235const client = new Client({ name: "my-client", version: "1.0.0" });
236await client.connect(transport);
237 
238// List available tools
239const { tools } = await client.listTools();
240console.log("Available tools:", tools.map((t) => t.name));
241 
242// Call a tool
243const result = await client.callTool({
244  name: "add_todo",
245  arguments: { text: "Write MCP blog post" },
246});
247console.log(result);
248```
249 
250## سرورهای محبوب MCP
251 
252اکوسیستم MCP به سرعت رشد کرده است. در اینجا برخی از محبوب‌ترین سرورها آورده شده:
253 
254| سرور | توضیح | مورد استفاده |
255|------|-------|-------------|
256| **GitHub** | ایجاد issue، PR، مدیریت repo | جریان‌های کاری توسعه |
257| **Slack** | ارسال پیام، مدیریت کانال | ارتباطات تیمی |
258| **PostgreSQL** | کوئری و مدیریت پایگاه داده | دسترسی به داده |
259| **Filesystem** | خواندن، نوشتن و جستجوی فایل | توسعه محلی |
260| **Puppeteer** | اتوماسیون مرورگر و اسکرپینگ | تست وب |
261| **Sentry** | نظارت خطا و دیباگ | پشتیبانی تولید |
262| **Supabase** | پایگاه داده، احراز هویت، ذخیره‌سازی | عملیات بک‌اند |
263 
264## MCP در مقابل A2A (Agent-to-Agent)
265 
266در حالی که MCP ارتباط **عامل-ابزار** را مدیریت می‌کند، پروتکل **A2A (Agent-to-Agent)** گوگل ارتباط **عامل-عامل** را مدیریت می‌کند. آنها مکمل یکدیگر هستند:
267 
268```mermaid
269graph TD
270    Agent1[Agent 1] -- "A2A Protocol" --> Agent2[Agent 2]
271    Agent1 -- "MCP Protocol" --> Tool1[GitHub MCP Server]
272    Agent2 -- "MCP Protocol" --> Tool2[Database MCP Server]
273```
274 
275- **MCP**: چگونه یک عامل هوش مصنوعی از ابزارها استفاده می‌کند (یکپارچه‌سازی عمودی)
276- **A2A**: چگونه عامل‌های هوش مصنوعی با یکدیگر همکاری می‌کنند (یکپارچه‌سازی افقی)
277 
278## بهترین شیوه‌ها
279 
2801. **سرورها را متمرکز نگه دارید**: یک سرور برای هر حوزه (سرور GitHub، سرور Slack و غیره). سرورهای یکپارچه نسازید.
2812. **ورودی‌ها را با Zod اعتبارسنجی کنید**: همیشه ورودی‌های ابزار را با طرح‌واره‌های مناسب اعتبارسنجی کنید.
2823. **خطاها را با ظرافت مدیریت کنید**: پیام‌های خطای معنادار برگردانید، نه stack trace.
2834. **از منابع برای داده‌های فقط خواندنی استفاده کنید**: اگر هوش مصنوعی فقط نیاز به خواندن داده دارد، آن را به عنوان منبع ارائه دهید نه ابزار.
2845. **توضیحات مناسب اضافه کنید**: توضیحات خوب ابزار و پارامتر به هوش مصنوعی کمک می‌کند بفهمد چه زمانی و چگونه از هر ابزار استفاده کند.
2856. **با MCP Inspector تست کنید**: از `npx @modelcontextprotocol/inspector` برای تست تعاملی سرور خود استفاده کنید.
286 
287## شروع کار
288 
289```bash
290# Create a new MCP server from template
291npx @modelcontextprotocol/create-server my-server
292 
293# Test with the MCP Inspector
294npx @modelcontextprotocol/inspector npx tsx ./src/index.ts
295```
296 
297## نتیجه‌گیری
298 
299MCP در سال 2026 به استاندارد عملی استفاده از ابزار هوش مصنوعی تبدیل شده است. چه در حال ساخت عامل‌های هوش مصنوعی سفارشی باشید، چه Claude Code را گسترش دهید یا یکپارچه‌سازی برای پلتفرم‌های موجود بسازید، درک MCP ضروری است. این پروتکل به اندازه کافی ساده است که در یک بعدازظهر یاد بگیرید اما به اندازه کافی قدرتمند است برای ساخت جریان‌های کاری هوش مصنوعی در سطح تولید.
300 
301**مراحل بعدی:**
302- [مشخصات MCP](https://spec.modelcontextprotocol.io/) را بررسی کنید
303- [سرورهای MCP موجود](https://github.com/modelcontextprotocol/servers) را برای الهام مرور کنید
304- اولین سرور خود را با TypeScript یا Python SDK بسازید
305- آن را با Claude Desktop یا MCP Inspector تست کنید
306