README.md

استفاده از سرور در افزونه AI Toolkit برای Visual Studio Code

وقتی در حال ساخت یک عامل هوش مصنوعی هستید، فقط مسئله تولید پاسخ‌های هوشمند نیست؛ بلکه باید به عامل خود توانایی انجام اقدامات را هم بدهید. اینجا است که Model Context Protocol (MCP) وارد می‌شود. MCP دسترسی عوامل به ابزارها و سرویس‌های خارجی را به روشی یکپارچه ساده می‌کند. می‌توان آن را مثل وصل کردن عامل به یک جعبه ابزار واقعی دانست که می‌تواند از آن استفاده کند.

فرض کنید عامل خود را به سرور MCP ماشین حساب متصل می‌کنید. ناگهان عامل شما می‌تواند عملیات ریاضی را فقط با دریافت یک پرسش مثل «۴۷ ضربدر ۸۹ چند می‌شود؟» انجام دهد — بدون نیاز به کدنویسی منطق یا ساخت API سفارشی.

مرور کلی

این درس نحوه اتصال سرور MCP ماشین حساب به یک عامل با استفاده از افزونه AI Toolkit در Visual Studio Code را پوشش می‌دهد، تا عامل شما بتواند عملیات ریاضی مانند جمع، تفریق، ضرب و تقسیم را از طریق زبان طبیعی انجام دهد.

AI Toolkit افزونه قدرتمندی برای Visual Studio Code است که توسعه عوامل هوش مصنوعی را ساده می‌کند. مهندسین هوش مصنوعی می‌توانند به راحتی برنامه‌های هوش مصنوعی را با توسعه و آزمایش مدل‌های مولد هوش مصنوعی — به صورت محلی یا در فضای ابری — بسازند. این افزونه از اکثر مدل‌های مولد اصلی موجود پشتیبانی می‌کند.

توجه: AI Toolkit در حال حاضر از Python و TypeScript پشتیبانی می‌کند.

اهداف یادگیری

تا پایان این درس، شما قادر خواهید بود:

• استفاده از سرور MCP از طریق AI Toolkit.
• پیکربندی عامل به گونه‌ای که بتواند ابزارهای ارائه شده توسط سرور MCP را کشف و استفاده کند.
• استفاده از ابزارهای MCP از طریق زبان طبیعی.

رویکرد

در سطح کلی، باید به این صورت پیش برویم:

• ساخت یک عامل و تعریف prompt سیستمی آن.
• ساخت سرور MCP با ابزارهای ماشین حساب.
• اتصال Agent Builder به سرور MCP.
• آزمایش فراخوانی ابزار عامل از طریق زبان طبیعی.

عالی است، حالا که جریان کار را می‌دانیم، بیایید عامل هوش مصنوعی را طوری پیکربندی کنیم که از طریق MCP از ابزارهای خارجی بهره ببرد و قابلیت‌هایش را افزایش دهیم!

پیش‌نیازها

• Visual Studio Code
• AI Toolkit برای Visual Studio Code

تمرین: استفاده از یک سرور

در این تمرین، شما یک عامل هوش مصنوعی با ابزارهایی از سرور MCP در داخل Visual Studio Code با استفاده از AI Toolkit می‌سازید، اجرا می‌کنید و بهبود می‌دهید.

-0- گام مقدماتی، افزودن مدل OpenAI GPT-4o به My Models

تمرین از مدل GPT-4o استفاده می‌کند. قبل از ساخت عامل، باید این مدل را به My Models اضافه کنید.

1. افزونه AI Toolkit را از Activity Bar باز کنید.
2. در بخش Catalog، گزینه Models را انتخاب کنید تا Model Catalog باز شود. انتخاب Models باعث باز شدن Model Catalog در یک تب جدید ویرایشگر می‌شود.
3. در نوار جستجوی Model Catalog، عبارت OpenAI GPT-4o را وارد کنید.
4. روی + Add کلیک کنید تا مدل به لیست My Models اضافه شود. مطمئن شوید مدلی که انتخاب کرده‌اید، Hosted by GitHub است.
5. در Activity Bar تأیید کنید که مدل OpenAI GPT-4o در لیست ظاهر شده است.

-1- ساخت یک عامل

Agent (Prompt) Builder به شما امکان می‌دهد عوامل هوش مصنوعی خود را بسازید و سفارشی کنید. در این بخش، یک عامل جدید می‌سازید و یک مدل برای هدایت مکالمه به آن اختصاص می‌دهید.

1. افزونه AI Toolkit را از Activity Bar باز کنید.
2. در بخش Tools، گزینه Agent (Prompt) Builder را انتخاب کنید. انتخاب این گزینه باعث باز شدن Agent (Prompt) Builder در یک تب جدید ویرایشگر می‌شود.
3. روی دکمه + New Agent کلیک کنید. افزونه یک جادوگر راه‌اندازی از طریق Command Palette اجرا می‌کند.
4. نام Calculator Agent را وارد کرده و کلید Enter را فشار دهید.
5. در Agent (Prompt) Builder، در فیلد Model، مدل OpenAI GPT-4o (via GitHub) را انتخاب کنید.

-2- ساخت یک prompt سیستمی برای عامل

حالا که اسکلت عامل آماده است، وقت تعریف شخصیت و هدف آن است. در این بخش، از قابلیت Generate system prompt استفاده می‌کنید تا رفتار مورد نظر عامل — در اینجا یک عامل ماشین حساب — را توصیف کرده و مدل برای شما prompt سیستمی را بنویسد.

1. در بخش Prompts، روی دکمه Generate system prompt کلیک کنید. این دکمه در سازنده prompt باز می‌شود که از هوش مصنوعی برای تولید prompt سیستمی عامل استفاده می‌کند.
2. در پنجره Generate a prompt، متن زیر را وارد کنید: You are a helpful and efficient math assistant. When given a problem involving basic arithmetic, you respond with the correct result.
3. روی دکمه Generate کلیک کنید. یک اعلان در گوشه پایین سمت راست ظاهر می‌شود که تولید prompt سیستمی را تأیید می‌کند. پس از اتمام تولید، prompt در فیلد System prompt در Agent (Prompt) Builder ظاهر خواهد شد.
4. prompt سیستمی را مرور کرده و در صورت نیاز اصلاح کنید.

-3- ساخت یک سرور MCP

حالا که prompt سیستمی عامل را تعریف کرده‌اید — که رفتار و پاسخ‌های آن را هدایت می‌کند — وقت آن است که به عامل قابلیت‌های عملی بدهید. در این بخش، یک سرور MCP ماشین حساب با ابزارهایی برای انجام جمع، تفریق، ضرب و تقسیم می‌سازید. این سرور به عامل شما امکان می‌دهد عملیات ریاضی را در زمان واقعی در پاسخ به پرسش‌های زبان طبیعی انجام دهد.

AI Toolkit با قالب‌هایی مجهز شده تا ساخت سرور MCP خودتان را آسان کند. ما از قالب Python برای ساخت سرور MCP ماشین حساب استفاده خواهیم کرد.

توجه: AI Toolkit در حال حاضر از Python و TypeScript پشتیبانی می‌کند.

1. در بخش Tools در Agent (Prompt) Builder، روی دکمه + MCP Server کلیک کنید. افزونه جادوگر راه‌اندازی را از طریق Command Palette اجرا می‌کند.

2. گزینه + Add Server را انتخاب کنید.

3. گزینه Create a New MCP Server را انتخاب کنید.

4. قالب python-weather را انتخاب کنید.

5. پوشه پیش‌فرض را برای ذخیره قالب سرور MCP انتخاب کنید.

6. نام زیر را برای سرور وارد کنید: Calculator

7. یک پنجره جدید Visual Studio Code باز خواهد شد. گزینه Yes, I trust the authors را انتخاب کنید.

8. با استفاده از ترمینال (Terminal > New Terminal)، یک محیط مجازی بسازید: python -m venv .venv

9. با استفاده از ترمینال، محیط مجازی را فعال کنید:

   1. ویندوز - .venv\Scripts\activate
   2. macOS/Linux - source venv/bin/activate

10. با استفاده از ترمینال، وابستگی‌ها را نصب کنید: pip install -e .[dev]

11. در نمای Explorer در Activity Bar، پوشه src را باز کرده و فایل server.py را برای ویرایش انتخاب کنید.

12. کد داخل فایل server.py را با کد زیر جایگزین کرده و ذخیره کنید:

    """
    Sample MCP Calculator Server implementation in Python.
    
    
    This module demonstrates how to create a simple MCP server with calculator tools
    that can perform basic arithmetic operations (add, subtract, multiply, divide).
    """
    
    from mcp.server.fastmcp import FastMCP
    
    server = FastMCP("calculator")
    
    @server.tool()
    def add(a: float, b: float) -> float:
        """Add two numbers together and return the result."""
        return a + b
    
    @server.tool()
    def subtract(a: float, b: float) -> float:
        """Subtract b from a and return the result."""
        return a - b
    
    @server.tool()
    def multiply(a: float, b: float) -> float:
        """Multiply two numbers together and return the result."""
        return a * b
    
    @server.tool()
    def divide(a: float, b: float) -> float:
        """
        Divide a by b and return the result.
        
        Raises:
            ValueError: If b is zero
        """
        if b == 0:
            raise ValueError("Cannot divide by zero")
        return a / b

-4- اجرای عامل با سرور MCP ماشین حساب

حالا که عامل شما ابزار دارد، وقت استفاده از آنها است! در این بخش، شما prompt‌هایی به عامل ارسال می‌کنید تا آزمایش کنید آیا عامل از ابزار مناسب سرور MCP ماشین حساب استفاده می‌کند یا خیر.

شما سرور MCP ماشین حساب را به عنوان کلاینت MCP روی دستگاه توسعه محلی خود از طریق Agent Builder اجرا خواهید کرد.

1. کلید F5 را فشار دهید تا عامل اجرا شود.
2. در فیلد User prompt عبارتی مانند زیر وارد کنید:
   I bought 3 items priced at $25 each, and then used a $20 discount. How much did I pay?
   مقادیر ``
3. Click the Run button to generate the agent's response.
4. Review the agent output. The model should conclude that you paid $55.
5. Here's a breakdown of what should occur:
   • The agent selects the multiply and substract tools to aid in the calculation.
   • The respective a and b values are assigned for the multiply tool.
   • The respective a and b برای ابزار subtract اختصاص داده شده‌اند.
   • پاسخ هر ابزار در بخش Tool Response مربوطه ارائه می‌شود.
   • خروجی نهایی مدل در بخش Model Response نمایش داده می‌شود.
6. promptهای بیشتری ارسال کنید تا عامل را بیشتر آزمایش کنید. می‌توانید prompt موجود در فیلد User prompt را با کلیک و جایگزینی تغییر دهید.
7. پس از پایان آزمایش، می‌توانید سرور را از طریق ترمینال با فشردن CTRL/CMD+C متوقف کنید.

تمرین

سعی کنید یک ابزار جدید به فایل server.py خود اضافه کنید (مثلاً: محاسبه ریشه دوم یک عدد). سپس promptهای جدیدی ارسال کنید که نیاز باشد عامل از ابزار جدید (یا ابزارهای موجود) استفاده کند. حتماً برای بارگذاری ابزارهای جدید سرور را مجدداً راه‌اندازی کنید.

راه حل

Solution

نکات کلیدی

نکات مهم این فصل به شرح زیر است:

• افزونه AI Toolkit یک کلاینت عالی است که به شما امکان استفاده از سرورهای MCP و ابزارهای آنها را می‌دهد.
• می‌توانید ابزارهای جدید به سرورهای MCP اضافه کنید و قابلیت‌های عامل را برای پاسخگویی به نیازهای متغیر گسترش دهید.
• AI Toolkit شامل قالب‌هایی (مثلاً قالب‌های سرور MCP برای Python) است که ساخت ابزارهای سفارشی را ساده می‌کند.

منابع بیشتر

• مستندات AI Toolkit

مرحله بعدی

• بعدی: آزمایش و اشکال‌زدایی

سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است حاوی اشتباهات یا نادرستی‌هایی باشند. سند اصلی به زبان مادری آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما مسئول هیچ گونه سوءتفاهم یا برداشت نادرستی که از استفاده از این ترجمه ناشی شود، نیستیم.