(برای مشاهده ویدئوی این درس، روی تصویر بالا کلیک کنید)
پروتکل مدل کانتکست (MCP) در حال تغییر نحوه تعامل برنامههای هوش مصنوعی با دادهها، ابزارها و خدمات است. این بخش مطالعات موردی واقعی را ارائه میدهد که کاربردهای عملی MCP را در سناریوهای مختلف سازمانی نشان میدهد.
این بخش نمونههای مشخصی از پیادهسازیهای MCP را به نمایش میگذارد و نشان میدهد که چگونه سازمانها از این پروتکل برای حل چالشهای پیچیده کسبوکار استفاده میکنند. با بررسی این مطالعات موردی، شما با تطبیقپذیری، مقیاسپذیری و مزایای عملی MCP در سناریوهای واقعی آشنا خواهید شد.
با بررسی این مطالعات موردی، شما:
- درک خواهید کرد که چگونه MCP میتواند برای حل مشکلات خاص کسبوکار به کار رود
- با الگوهای مختلف یکپارچهسازی و رویکردهای معماری آشنا خواهید شد
- بهترین شیوهها برای پیادهسازی MCP در محیطهای سازمانی را شناسایی خواهید کرد
- با چالشها و راهحلهای موجود در پیادهسازیهای واقعی آشنا خواهید شد
- فرصتهایی برای استفاده از الگوهای مشابه در پروژههای خود شناسایی خواهید کرد
این مطالعه موردی راهحل مرجع جامع مایکروسافت را بررسی میکند که نشان میدهد چگونه میتوان یک برنامه برنامهریزی سفر چندعاملی و مبتنی بر هوش مصنوعی را با استفاده از MCP، Azure OpenAI و Azure AI Search ساخت. این پروژه شامل موارد زیر است:
- هماهنگی چندعاملی از طریق MCP
- یکپارچهسازی دادههای سازمانی با Azure AI Search
- معماری امن و مقیاسپذیر با استفاده از خدمات Azure
- ابزارهای قابل توسعه با اجزای قابل استفاده مجدد MCP
- تجربه کاربری مکالمهای با استفاده از Azure OpenAI
جزئیات معماری و پیادهسازی، بینشهای ارزشمندی در مورد ساخت سیستمهای پیچیده چندعاملی با MCP به عنوان لایه هماهنگی ارائه میدهد.
این مطالعه موردی کاربرد عملی MCP را برای خودکارسازی فرآیندهای کاری نشان میدهد. این مطالعه نشان میدهد که چگونه میتوان از ابزارهای MCP برای:
- استخراج دادهها از پلتفرمهای آنلاین (مانند YouTube)
- بهروزرسانی آیتمهای کاری در سیستمهای Azure DevOps
- ایجاد جریانهای کاری خودکار و تکرارپذیر
- یکپارچهسازی دادهها در سیستمهای مختلف
این مثال نشان میدهد که حتی پیادهسازیهای نسبتاً ساده MCP میتوانند با خودکارسازی وظایف روتین و بهبود سازگاری دادهها در سیستمها، بهرهوری قابل توجهی ایجاد کنند.
این مطالعه موردی شما را با اتصال یک کلاینت کنسول پایتون به یک سرور MCP برای بازیابی و ثبت مستندات مایکروسافت در زمان واقعی و با توجه به کانتکست آشنا میکند. شما یاد خواهید گرفت که چگونه:
- با استفاده از کلاینت پایتون و SDK رسمی MCP به یک سرور MCP متصل شوید
- از کلاینتهای HTTP استریمینگ برای بازیابی دادهها به صورت کارآمد و در زمان واقعی استفاده کنید
- ابزارهای مستندسازی را روی سرور فراخوانی کرده و پاسخها را مستقیماً در کنسول ثبت کنید
- مستندات بهروز مایکروسافت را بدون ترک ترمینال در جریان کاری خود ادغام کنید
این فصل شامل یک تمرین عملی، نمونه کد کاری حداقلی و لینکهایی به منابع اضافی برای یادگیری عمیقتر است. برای درک نحوه تحول دسترسی به مستندات و افزایش بهرهوری توسعهدهندگان در محیطهای مبتنی بر کنسول، راهنمای کامل و کد را در فصل مرتبط مشاهده کنید.
این مطالعه موردی نشان میدهد که چگونه میتوان یک برنامه وب تعاملی با استفاده از Chainlit و پروتکل MCP برای تولید برنامههای مطالعاتی شخصیسازیشده برای هر موضوع ساخت. کاربران میتوانند یک موضوع (مانند "گواهینامه AI-900") و مدت زمان مطالعه (مثلاً ۸ هفته) را مشخص کنند و برنامه، یک برنامه هفتگی از محتوای پیشنهادی ارائه میدهد. Chainlit یک رابط چت مکالمهای فراهم میکند که تجربه را جذاب و تطبیقی میسازد.
- برنامه وب مکالمهای با استفاده از Chainlit
- درخواستهای کاربرمحور برای موضوع و مدت زمان
- توصیههای محتوای هفتگی با استفاده از MCP
- پاسخهای تطبیقی و در زمان واقعی در یک رابط چت
این پروژه نشان میدهد که چگونه میتوان هوش مصنوعی مکالمهای و MCP را برای ایجاد ابزارهای آموزشی پویا و کاربرمحور در یک محیط وب مدرن ترکیب کرد.
این مطالعه موردی نشان میدهد که چگونه میتوانید مستندات Microsoft Learn را مستقیماً به محیط VS Code خود بیاورید—دیگر نیازی به جابجایی بین تبهای مرورگر نیست! شما خواهید دید که چگونه:
- مستندات را فوراً در VS Code با استفاده از پانل MCP یا Command Palette جستجو و مطالعه کنید
- مستندات را ارجاع داده و لینکها را مستقیماً در فایلهای README یا Markdown دوره خود وارد کنید
- از GitHub Copilot و MCP به صورت همزمان برای جریانهای کاری مستندسازی و کدنویسی مبتنی بر هوش مصنوعی استفاده کنید
- مستندات خود را با بازخورد در زمان واقعی و دقت منابع مایکروسافت اعتبارسنجی و بهبود دهید
- MCP را با جریانهای کاری GitHub برای اعتبارسنجی مستندات به صورت مداوم ادغام کنید
پیادهسازی شامل موارد زیر است:
- مثال پیکربندی
.vscode/mcp.jsonبرای راهاندازی آسان - راهنمای تصویری مبتنی بر اسکرینشات از تجربه درون ویرایشگر
- نکاتی برای ترکیب Copilot و MCP برای حداکثر بهرهوری
این سناریو برای نویسندگان دورهها، نویسندگان مستندات و توسعهدهندگانی که میخواهند در حین کار با مستندات، Copilot و ابزارهای اعتبارسنجی در ویرایشگر خود متمرکز بمانند، ایدهآل است—همه با قدرت MCP.
این مطالعه موردی یک راهنمای گامبهگام برای ایجاد یک سرور MCP با استفاده از Azure API Management (APIM) ارائه میدهد. این راهنما شامل موارد زیر است:
- راهاندازی یک سرور MCP در Azure API Management
- نمایش عملیات API به عنوان ابزارهای MCP
- پیکربندی سیاستها برای محدودیت نرخ و امنیت
- آزمایش سرور MCP با استفاده از Visual Studio Code و GitHub Copilot
این مثال نشان میدهد که چگونه میتوان از قابلیتهای Azure برای ایجاد یک سرور MCP قوی استفاده کرد که میتواند در برنامههای مختلف به کار رود و یکپارچگی سیستمهای هوش مصنوعی با APIهای سازمانی را بهبود بخشد.
این مطالعات موردی تطبیقپذیری و کاربردهای عملی پروتکل مدل کانتکست را در سناریوهای واقعی برجسته میکنند. از سیستمهای پیچیده چندعاملی گرفته تا جریانهای کاری خودکار هدفمند، MCP یک روش استاندارد برای اتصال سیستمهای هوش مصنوعی به ابزارها و دادههای مورد نیاز برای ارائه ارزش فراهم میکند.
با مطالعه این پیادهسازیها، میتوانید بینشهایی در مورد الگوهای معماری، استراتژیهای پیادهسازی و بهترین شیوههایی که میتوان در پروژههای MCP خود به کار برد، کسب کنید. این مثالها نشان میدهند که MCP فقط یک چارچوب نظری نیست، بلکه یک راهحل عملی برای چالشهای واقعی کسبوکار است.
- مخزن GitHub نمایندگان سفر Azure AI
- ابزار MCP برای Azure DevOps
- ابزار MCP برای Playwright
- سرور MCP مستندات مایکروسافت
- مثالهای جامعه MCP
بعدی: آزمایش عملی بهینهسازی جریانهای کاری هوش مصنوعی: ساخت سرور MCP با ابزار هوش مصنوعی
سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش میکنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است شامل خطاها یا نادرستیها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، توصیه میشود از ترجمه انسانی حرفهای استفاده کنید. ما مسئولیتی در قبال سوء تفاهمها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.