درس‌هایی از پذیرندگان اولیه

مرور کلی

این درس بررسی می‌کند که چگونه پذیرندگان اولیه از پروتکل مدل کانتکست (MCP) برای حل چالش‌های دنیای واقعی و پیشبرد نوآوری در صنایع مختلف استفاده کرده‌اند. از طریق مطالعات موردی دقیق و پروژه‌های عملی، خواهید دید که MCP چگونه ادغام استاندارد، امن و مقیاس‌پذیر هوش مصنوعی را ممکن می‌سازد — اتصال مدل‌های زبانی بزرگ، ابزارها و داده‌های سازمانی در یک چارچوب یکپارچه. شما تجربه عملی طراحی و ساخت راه‌حل‌های مبتنی بر MCP را به دست خواهید آورد، از الگوهای اثبات‌شده پیاده‌سازی می‌آموزید و بهترین شیوه‌ها برای استقرار MCP در محیط‌های تولید را کشف خواهید کرد. این درس همچنین روندهای نوظهور، جهت‌گیری‌های آینده و منابع متن‌باز را برجسته می‌کند تا به شما کمک کند در خط مقدم فناوری MCP و اکوسیستم در حال تحول آن باقی بمانید.

اهداف یادگیری

تحلیل پیاده‌سازی‌های واقعی MCP در صنایع مختلف
طراحی و ساخت برنامه‌های کامل مبتنی بر MCP
بررسی روندهای نوظهور و جهت‌گیری‌های آینده در فناوری MCP
به‌کارگیری بهترین شیوه‌ها در سناریوهای توسعه واقعی

پیاده‌سازی‌های واقعی MCP

مطالعه موردی ۱: خودکارسازی پشتیبانی مشتری سازمانی

یک شرکت چندملیتی راه‌حلی مبتنی بر MCP برای استانداردسازی تعاملات هوش مصنوعی در سیستم‌های پشتیبانی مشتری خود پیاده‌سازی کرد. این امکان را برایشان فراهم کرد تا:

رابط یکپارچه‌ای برای چندین ارائه‌دهنده LLM ایجاد کنند
مدیریت پرامپت‌ها را در بخش‌های مختلف به صورت یکنواخت حفظ کنند
کنترل‌های امنیتی و انطباق قوی اجرا کنند
به راحتی بین مدل‌های مختلف هوش مصنوعی بر اساس نیازهای خاص جابجا شوند

پیاده‌سازی فنی:

# Python MCP server implementation for customer support
import logging
import asyncio
from modelcontextprotocol import create_server, ServerConfig
from modelcontextprotocol.server import MCPServer
from modelcontextprotocol.transports import create_http_transport
from modelcontextprotocol.resources import ResourceDefinition
from modelcontextprotocol.prompts import PromptDefinition
from modelcontextprotocol.tool import ToolDefinition

# Configure logging
logging.basicConfig(level=logging.INFO)

async def main():
    # Create server configuration
    config = ServerConfig(
        name="Enterprise Customer Support Server",
        version="1.0.0",
        description="MCP server for handling customer support inquiries"
    )
    
    # Initialize MCP server
    server = create_server(config)
    
    # Register knowledge base resources
    server.resources.register(
        ResourceDefinition(
            name="customer_kb",
            description="Customer knowledge base documentation"
        ),
        lambda params: get_customer_documentation(params)
    )
    
    # Register prompt templates
    server.prompts.register(
        PromptDefinition(
            name="support_template",
            description="Templates for customer support responses"
        ),
        lambda params: get_support_templates(params)
    )
    
    # Register support tools
    server.tools.register(
        ToolDefinition(
            name="ticketing",
            description="Create and update support tickets"
        ),
        handle_ticketing_operations
    )
    
    # Start server with HTTP transport
    transport = create_http_transport(port=8080)
    await server.run(transport)

if __name__ == "__main__":
    asyncio.run(main())

نتایج: کاهش ۳۰٪ هزینه‌های مدل، بهبود ۴۵٪ در ثبات پاسخ‌ها و ارتقای انطباق در عملیات جهانی.

مطالعه موردی ۲: دستیار تشخیصی مراقبت‌های بهداشتی

یک ارائه‌دهنده خدمات بهداشتی زیرساخت MCP را برای ادغام چندین مدل تخصصی هوش مصنوعی پزشکی توسعه داد، در حالی که اطمینان حاصل می‌کرد داده‌های حساس بیماران محافظت شده باقی می‌مانند:

جابجایی بی‌وقفه بین مدل‌های عمومی و تخصصی پزشکی
کنترل‌های سختگیرانه حریم خصوصی و ردپای حسابرسی
ادغام با سیستم‌های موجود پرونده سلامت الکترونیکی (EHR)
مهندسی پرامپت یکنواخت برای اصطلاحات پزشکی

پیاده‌سازی فنی:

// C# MCP host application implementation in healthcare application
using Microsoft.Extensions.DependencyInjection;
using ModelContextProtocol.SDK.Client;
using ModelContextProtocol.SDK.Security;
using ModelContextProtocol.SDK.Resources;

public class DiagnosticAssistant
{
    private readonly MCPHostClient _mcpClient;
    private readonly PatientContext _patientContext;
    
    public DiagnosticAssistant(PatientContext patientContext)
    {
        _patientContext = patientContext;
        
        // Configure MCP client with healthcare-specific settings
        var clientOptions = new ClientOptions
        {
            Name = "Healthcare Diagnostic Assistant",
            Version = "1.0.0",
            Security = new SecurityOptions
            {
                Encryption = EncryptionLevel.Medical,
                AuditEnabled = true
            }
        };
        
        _mcpClient = new MCPHostClientBuilder()
            .WithOptions(clientOptions)
            .WithTransport(new HttpTransport("https://healthcare-mcp.example.org"))
            .WithAuthentication(new HIPAACompliantAuthProvider())
            .Build();
    }
    
    public async Task<DiagnosticSuggestion> GetDiagnosticAssistance(
        string symptoms, string patientHistory)
    {
        // Create request with appropriate resources and tool access
        var resourceRequest = new ResourceRequest
        {
            Name = "patient_records",
            Parameters = new Dictionary<string, object>
            {
                ["patientId"] = _patientContext.PatientId,
                ["requestingProvider"] = _patientContext.ProviderId
            }
        };
        
        // Request diagnostic assistance using appropriate prompt
        var response = await _mcpClient.SendPromptRequestAsync(
            promptName: "diagnostic_assistance",
            parameters: new Dictionary<string, object>
            {
                ["symptoms"] = symptoms,
                patientHistory = patientHistory,
                relevantGuidelines = _patientContext.GetRelevantGuidelines()
            });
            
        return DiagnosticSuggestion.FromMCPResponse(response);
    }
}

نتایج: بهبود پیشنهادات تشخیصی برای پزشکان همراه با حفظ کامل انطباق HIPAA و کاهش قابل توجه جابجایی بین سیستم‌ها.

مطالعه موردی ۳: تحلیل ریسک خدمات مالی

یک مؤسسه مالی MCP را برای استانداردسازی فرآیندهای تحلیل ریسک در بخش‌های مختلف پیاده‌سازی کرد:

ایجاد رابط یکپارچه برای مدل‌های ریسک اعتباری، تشخیص تقلب و ریسک سرمایه‌گذاری
اجرای کنترل‌های دسترسی سختگیرانه و نسخه‌بندی مدل‌ها
تضمین قابلیت حسابرسی همه توصیه‌های هوش مصنوعی
حفظ قالب‌بندی داده‌ها به صورت یکنواخت در سیستم‌های متنوع

پیاده‌سازی فنی:

// Java MCP server for financial risk assessment
import org.mcp.server.*;
import org.mcp.security.*;

public class FinancialRiskMCPServer {
    public static void main(String[] args) {
        // Create MCP server with financial compliance features
        MCPServer server = new MCPServerBuilder()
            .withModelProviders(
                new ModelProvider("risk-assessment-primary", new AzureOpenAIProvider()),
                new ModelProvider("risk-assessment-audit", new LocalLlamaProvider())
            )
            .withPromptTemplateDirectory("./compliance/templates")
            .withAccessControls(new SOCCompliantAccessControl())
            .withDataEncryption(EncryptionStandard.FINANCIAL_GRADE)
            .withVersionControl(true)
            .withAuditLogging(new DatabaseAuditLogger())
            .build();
            
        server.addRequestValidator(new FinancialDataValidator());
        server.addResponseFilter(new PII_RedactionFilter());
        
        server.start(9000);
        
        System.out.println("Financial Risk MCP Server running on port 9000");
    }
}

نتایج: بهبود انطباق نظارتی، کاهش ۴۰٪ در چرخه‌های استقرار مدل و افزایش ثبات ارزیابی ریسک در بخش‌ها.

مطالعه موردی ۴: سرور Playwright MCP مایکروسافت برای خودکارسازی مرورگر

مایکروسافت سرور Playwright MCP را برای امکان خودکارسازی مرورگر امن و استاندارد شده از طریق پروتکل مدل کانتکست توسعه داد. این راه‌حل به عوامل هوش مصنوعی و LLMها اجازه می‌دهد تا به روشی کنترل‌شده، قابل حسابرسی و قابل توسعه با مرورگرهای وب تعامل کنند — پشتیبانی از مواردی مانند تست خودکار وب، استخراج داده و گردش‌کارهای انتها به انتها.

ارائه قابلیت‌های خودکارسازی مرورگر (ناوبری، پر کردن فرم، گرفتن اسکرین‌شات و غیره) به عنوان ابزارهای MCP
اجرای کنترل‌های دسترسی سختگیرانه و ایجاد محیط ایزوله برای جلوگیری از اقدامات غیرمجاز
فراهم کردن گزارش‌های حسابرسی دقیق برای همه تعاملات مرورگر
پشتیبانی از ادغام با Azure OpenAI و سایر ارائه‌دهندگان LLM برای خودکارسازی مبتنی بر عامل

پیاده‌سازی فنی:

// TypeScript: Registering Playwright browser automation tools in an MCP server
import { createServer, ToolDefinition } from 'modelcontextprotocol';
import { launch } from 'playwright';

const server = createServer({
  name: 'Playwright MCP Server',
  version: '1.0.0',
  description: 'MCP server for browser automation using Playwright'
});

// Register a tool for navigating to a URL and capturing a screenshot
server.tools.register(
  new ToolDefinition({
    name: 'navigate_and_screenshot',
    description: 'Navigate to a URL and capture a screenshot',
    parameters: {
      url: { type: 'string', description: 'The URL to visit' }
    }
  }),
  async ({ url }) => {
    const browser = await launch();
    const page = await browser.newPage();
    await page.goto(url);
    const screenshot = await page.screenshot();
    await browser.close();
    return { screenshot };
  }
);

// Start the MCP server
server.listen(8080);

نتایج:

امکان خودکارسازی برنامه‌ریزی‌شده و امن مرورگر برای عوامل هوش مصنوعی و LLMها
کاهش تلاش تست دستی و بهبود پوشش تست برنامه‌های وب
ارائه چارچوبی قابل استفاده مجدد و قابل توسعه برای ادغام ابزارهای مبتنی بر مرورگر در محیط‌های سازمانی

مراجع:

مطالعه موردی ۵: Azure MCP – پروتکل مدل کانتکست سازمانی به عنوان سرویس

Azure MCP (https://aka.ms/azmcp) پیاده‌سازی مدیریت‌شده و سازمانی پروتکل مدل کانتکست توسط مایکروسافت است که قابلیت‌های سرور MCP مقیاس‌پذیر، امن و مطابقت‌دار را به عنوان یک سرویس ابری ارائه می‌دهد. Azure MCP به سازمان‌ها امکان می‌دهد به سرعت سرورهای MCP را مستقر، مدیریت و با خدمات Azure AI، داده و امنیت ادغام کنند، که بار عملیاتی را کاهش داده و پذیرش هوش مصنوعی را تسریع می‌کند.

میزبانی کامل مدیریت‌شده سرور MCP با مقیاس‌بندی، نظارت و امنیت داخلی
ادغام بومی با Azure OpenAI، Azure AI Search و سایر خدمات Azure
احراز هویت و مجوز سازمانی از طریق Microsoft Entra ID
پشتیبانی از ابزارهای سفارشی، قالب‌های پرامپت و اتصال‌دهنده‌های منابع
انطباق با الزامات امنیتی و مقررات سازمانی

پیاده‌سازی فنی:

# Example: Azure MCP server deployment configuration (YAML)
apiVersion: mcp.microsoft.com/v1
kind: McpServer
metadata:
  name: enterprise-mcp-server
spec:
  modelProviders:
    - name: azure-openai
      type: AzureOpenAI
      endpoint: https://<your-openai-resource>.openai.azure.com/
      apiKeySecret: <your-azure-keyvault-secret>
  tools:
    - name: document_search
      type: AzureAISearch
      endpoint: https://<your-search-resource>.search.windows.net/
      apiKeySecret: <your-azure-keyvault-secret>
  authentication:
    type: EntraID
    tenantId: <your-tenant-id>
  monitoring:
    enabled: true
    logAnalyticsWorkspace: <your-log-analytics-id>

نتایج:

کاهش زمان رسیدن به ارزش پروژه‌های هوش مصنوعی سازمانی با ارائه پلتفرم سرور MCP آماده استفاده و مطابقت‌دار
ساده‌سازی ادغام LLMها، ابزارها و منابع داده سازمانی
افزایش امنیت، قابلیت مشاهده و کارایی عملیاتی برای بارهای کاری MCP

مراجع:

مطالعه موردی ۶: NLWeb

MCP (پروتکل مدل کانتکست) پروتکلی نوظهور برای تعامل چت‌بات‌ها و دستیاران هوش مصنوعی با ابزارها است. هر نمونه NLWeb همچنین یک سرور MCP است که از یک متد اصلی، ask، پشتیبانی می‌کند که برای پرسیدن سؤال از یک وب‌سایت به زبان طبیعی استفاده می‌شود. پاسخ بازگردانده شده از schema.org بهره می‌برد، که یک واژگان گسترده برای توصیف داده‌های وب است. به طور کلی، MCP مانند رابطه NLWeb با HTTP است به HTML. NLWeb پروتکل‌ها، قالب‌های Schema.org و کد نمونه را ترکیب می‌کند تا به سایت‌ها کمک کند به سرعت این نقاط انتهایی را ایجاد کنند، که هم برای انسان‌ها از طریق رابط‌های مکالمه‌ای و هم برای ماشین‌ها از طریق تعامل طبیعی عامل به عامل مفید است.

NLWeb دو بخش متمایز دارد:

یک پروتکل که شروعی بسیار ساده دارد برای ارتباط با سایت به زبان طبیعی و قالبی که از json و schema.org برای پاسخ استفاده می‌کند. برای جزئیات بیشتر مستندات REST API را ببینید.
پیاده‌سازی ساده‌ای از (1) که از نشانه‌گذاری موجود بهره می‌برد، برای سایت‌هایی که می‌توانند به عنوان فهرستی از آیتم‌ها (محصولات، دستورها، جاذبه‌ها، نقدها و غیره) انتزاع شوند. همراه با مجموعه‌ای از ویجت‌های رابط کاربری، سایت‌ها می‌توانند به آسانی رابط‌های مکالمه‌ای برای محتوای خود فراهم کنند. برای جزئیات بیشتر مستندات «زندگی یک پرسش چت» را ببینید.

مراجع:

مطالعه موردی ۷: MCP برای Foundry – ادغام عوامل Azure AI

سرورهای MCP Azure AI Foundry نشان می‌دهند که چگونه MCP می‌تواند برای هماهنگی و مدیریت عوامل هوش مصنوعی و گردش‌کارها در محیط‌های سازمانی استفاده شود. با ادغام MCP با Azure AI Foundry، سازمان‌ها می‌توانند تعاملات عوامل را استاندارد کنند، از مدیریت گردش‌کار Foundry بهره ببرند و استقرارهای امن و مقیاس‌پذیر را تضمین کنند. این رویکرد امکان نمونه‌سازی سریع، نظارت قوی و ادغام بدون درز با خدمات Azure AI را فراهم می‌کند و از سناریوهای پیشرفته‌ای مانند مدیریت دانش و ارزیابی عوامل پشتیبانی می‌کند. توسعه‌دهندگان از یک رابط یکپارچه برای ساخت، استقرار و نظارت بر خطوط لوله عوامل بهره‌مند می‌شوند، در حالی که تیم‌های فناوری اطلاعات امنیت، انطباق و کارایی عملیاتی بهبود یافته‌ای را تجربه می‌کنند. این راه‌حل برای سازمان‌هایی که به دنبال تسریع پذیرش هوش مصنوعی و حفظ کنترل بر فرآیندهای پیچیده مبتنی بر عامل هستند، ایده‌آل است.

مراجع:

مطالعه موردی ۸: زمین بازی MCP Foundry – آزمایش و نمونه‌سازی

زمین بازی MCP Foundry محیطی آماده استفاده برای آزمایش سرورهای MCP و ادغام‌های Azure AI Foundry فراهم می‌کند. توسعه‌دهندگان می‌توانند به سرعت نمونه‌سازی، آزمایش و ارزیابی مدل‌ها و گردش‌کارهای عامل را با استفاده از منابع کاتالوگ و آزمایشگاه‌های Azure AI Foundry انجام دهند. این زمین بازی راه‌اندازی را ساده می‌کند، پروژه‌های نمونه ارائه می‌دهد و توسعه تعاملی را پشتیبانی می‌کند، که کاوش بهترین شیوه‌ها و سناریوهای جدید را با کمترین سربار ممکن می‌سازد. این ابزار به ویژه برای تیم‌هایی که می‌خواهند ایده‌ها را اعتبارسنجی کنند، آزمایش‌ها را به اشتراک بگذارند و یادگیری را تسریع کنند بدون نیاز به زیرساخت پیچیده مفید است. با کاهش موانع ورود، زمین بازی به تقویت نوآوری و مشارکت جامعه در اکوسیستم MCP و Azure AI Foundry کمک می‌کند.

مراجع:

مخزن GitHub زمین بازی MCP Foundry

مطالعه موردی ۹: سرور MCP مستندات مایکروسافت – آموزش و مهارت‌آموزی

سرور MCP مستندات مایکروسافت، سرور پروتکل مدل کانتکست را پیاده‌سازی می‌کند که به دستیاران هوش مصنوعی دسترسی لحظه‌ای به مستندات رسمی مایکروسافت را فراهم می‌آورد. جستجوی معنایی بر روی مستندات فنی رسمی مایکروسافت انجام می‌دهد.

مراجع:

سرور MCP مستندات Microsoft Learn

پروژه‌های عملی

پروژه ۱: ساخت سرور MCP چند ارائه‌دهنده

هدف: ایجاد یک سرور MCP که بتواند درخواست‌ها را بر اساس معیارهای مشخص به چندین ارائه‌دهنده مدل هوش مصنوعی هدایت کند.

نیازمندی‌ها:

پشتیبانی از حداقل سه ارائه‌دهنده مدل مختلف (مثلاً OpenAI، Anthropic، مدل‌های محلی)
پیاده‌سازی مکانیزم مسیریابی بر اساس متادیتای درخواست
ایجاد سیستم پیکربندی برای مدیریت اطلاعات اعتبار ارائه‌دهندگان
افزودن کش برای بهینه‌سازی عملکرد و کاهش هزینه‌ها
ساخت داشبورد ساده برای نظارت بر استفاده

مراحل پیاده‌سازی:

راه‌اندازی زیرساخت پایه سرور MCP
پیاده‌سازی آداپتورهای ارائه‌دهنده برای هر سرویس مدل هوش مصنوعی
ایجاد منطق مسیریابی بر اساس ویژگی‌های درخواست
افزودن مکانیزم‌های کش برای درخواست‌های پرتکرار
توسعه داشبورد نظارتی
آزمایش با الگوهای مختلف درخواست

فناوری‌ها: انتخاب از بین Python (.NET/Java/Python بر اساس ترجیح شما)، Redis برای کش، و یک فریم‌ورک وب ساده برای داشبورد.

پروژه ۲: سیستم مدیریت پرامپت سازمانی

هدف: توسعه سیستمی مبتنی بر MCP برای مدیریت، نسخه‌بندی و استقرار قالب‌های پرامپت در سراسر سازمان.

نیازمندی‌ها:

ایجاد مخزن مرکزی برای قالب‌های پرامپت
پیاده‌سازی نسخه‌بندی و گردش‌کارهای تأیید
ساخت قابلیت‌های تست قالب با ورودی‌های نمونه
توسعه کنترل‌های دسترسی مبتنی بر نقش
ایجاد API برای بازیابی و استقرار قالب‌ها

مراحل پیاده‌سازی:

طراحی اسکیمای پایگاه داده برای ذخیره قالب‌ها
ایجاد API اصلی برای عملیات CRUD قالب‌ها
پیاده‌سازی سیستم نسخه‌بندی
ساخت گردش‌کار تأیید
توسعه چارچوب تست
ایجاد رابط وب ساده برای مدیریت
ادغام با سرور MCP

فناوری‌ها: انتخاب فریم‌ورک بک‌اند، پایگاه داده SQL یا NoSQL، و فریم‌ورک فرانت‌اند برای رابط مدیریت.

پروژه ۳: پلتفرم تولید محتوا مبتنی بر MCP

هدف: ساخت پلتفرمی برای تولید محتوا که با بهره‌گیری از MCP نتایج یکنواختی در انواع مختلف محتوا ارائه دهد.

نیازمندی‌ها:

پشتیبانی از فرمت‌های مختلف محتوا (پست‌های وبلاگ، شبکه‌های اجتماعی، متن‌های بازاریابی)
پیاده‌سازی تولید قالب‌محور با گزینه‌های سفارشی‌سازی
ایجاد سیستم بازبینی و بازخورد محتوا
ردیابی معیارهای عملکرد محتوا
پشتیبانی از نسخه‌بندی و تکرار محتوا

مراحل پیاده‌سازی:

راه‌اندازی زیرساخت کلاینت MCP
ایجاد قالب‌ها برای انواع مختلف محتوا
ساخت خط تولید تولید محتوا
پیاده‌سازی سیستم بازبینی
توسعه سیستم ردیابی معیارها
ایجاد رابط کاربری برای مدیریت قالب‌ها و تولید محتوا

فناوری‌ها: زبان برنامه‌نویسی، فریم‌ورک وب و سیستم پایگاه داده مورد علاقه شما.

جهت‌گیری‌های آینده فناوری MCP

روندهای نوظهور

MCP چندرسانه‌ای
- گسترش MCP برای استانداردسازی تعامل با مدل‌های تصویر، صوت و ویدئو
- توسعه قابلیت‌های استدلال میان‌رسانه‌ای
- قالب‌های پرامپت استاندارد برای مدیوم‌های مختلف
زیرساخت MCP فدرال
- شبکه‌های توزیع‌شده MCP که منابع را بین سازمان‌ها به اشتراک می‌گذارند
- پروتکل‌های استاندارد برای اشتراک‌گذاری امن مدل‌ها
- تکنیک‌های محاسبات حفظ حریم خصوصی
بازارهای MCP
- اکوسیستم‌هایی برای به اشتراک‌گذاری و کسب درآمد از قالب‌ها و افزونه‌های MCP
- فرآیندهای تضمین کیفیت و صدور گواهی
- ادغام با بازارهای مدل
MCP برای محاسبات لبه
- تطبیق استانداردهای MCP برای دستگاه‌های لبه با منابع محدود
- پروتکل‌های بهینه‌شده برای محیط‌های کم‌پهنای باند
- پیاده‌سازی‌های تخصصی MCP برای اکوسیستم‌های IoT
چارچوب‌های نظارتی
- توسعه افزونه‌های MCP برای انطباق با مقررات
- ردپاهای حسابرسی استاندارد و رابط‌های توضیح‌پذیری
- ادغام با چارچوب‌های حکمرانی هوش مصنوعی نوظهور

راه‌حل‌های MCP از مایکروسافت

مایکروسافت و Azure چندین مخزن متن‌باز توسعه داده‌اند تا به توسعه‌دهندگان در پیاده‌سازی MCP در سناریوهای مختلف کمک کنند:

سازمان Microsoft

playwright-mcp - سرور Playwright MCP برای خودکارسازی مرورگر و تست
files-mcp-server - پیاده‌سازی سرور MCP برای OneDrive جهت تست محلی و مشارکت جامعه
NLWeb - مجموعه‌ای از پروتکل‌های باز و ابزارهای متن‌باز مرتبط، با تمرکز بر ایجاد لایه پایه برای وب هوش مصنوعی

سازمان Azure-Samples

mcp - لینک به نمونه‌ها، ابزارها و منابع

تمرین‌ها

یکی از مطالعات موردی را تحلیل کنید و رویکردی جایگزین برای پیاده‌سازی پیشنهاد دهید.
یکی از ایده‌های پروژه را انتخاب کرده و مشخصات فنی دقیقی تهیه کنید.
صنعتی که در مطالعات موردی پوشش داده نشده را بررسی کنید و توضیح دهید چگونه MCP می‌تواند چالش‌های خاص آن را حل کند.
یکی از مسیرهای آینده را بررسی کرده و مفهومی برای توسعه جدید MCP جهت پشتیبانی از آن ایجاد کنید.

بعدی: بهترین شیوه‌ها

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 خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان مادری خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما مسئول هیچ گونه سوء تفاهم یا تفسیر نادرستی که از استفاده این ترجمه ناشی شود، نیستیم.

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

درس‌هایی از پذیرندگان اولیه

مرور کلی

اهداف یادگیری

پیاده‌سازی‌های واقعی MCP

مطالعه موردی ۱: خودکارسازی پشتیبانی مشتری سازمانی

مطالعه موردی ۲: دستیار تشخیصی مراقبت‌های بهداشتی

مطالعه موردی ۳: تحلیل ریسک خدمات مالی

مطالعه موردی ۴: سرور Playwright MCP مایکروسافت برای خودکارسازی مرورگر

مطالعه موردی ۵: Azure MCP – پروتکل مدل کانتکست سازمانی به عنوان سرویس

مطالعه موردی ۶: NLWeb

مطالعه موردی ۷: MCP برای Foundry – ادغام عوامل Azure AI

مطالعه موردی ۸: زمین بازی MCP Foundry – آزمایش و نمونه‌سازی

مطالعه موردی ۹: سرور MCP مستندات مایکروسافت – آموزش و مهارت‌آموزی

پروژه‌های عملی

پروژه ۱: ساخت سرور MCP چند ارائه‌دهنده

پروژه ۲: سیستم مدیریت پرامپت سازمانی

پروژه ۳: پلتفرم تولید محتوا مبتنی بر MCP

جهت‌گیری‌های آینده فناوری MCP

روندهای نوظهور

راه‌حل‌های MCP از مایکروسافت

سازمان Microsoft

سازمان Azure-Samples

تمرین‌ها

FilesExpand file tree

README.md

Latest commit

History

README.md

File metadata and controls

درس‌هایی از پذیرندگان اولیه

مرور کلی

اهداف یادگیری

پیاده‌سازی‌های واقعی MCP

مطالعه موردی ۱: خودکارسازی پشتیبانی مشتری سازمانی

مطالعه موردی ۲: دستیار تشخیصی مراقبت‌های بهداشتی

مطالعه موردی ۳: تحلیل ریسک خدمات مالی

مطالعه موردی ۴: سرور Playwright MCP مایکروسافت برای خودکارسازی مرورگر

مطالعه موردی ۵: Azure MCP – پروتکل مدل کانتکست سازمانی به عنوان سرویس

مطالعه موردی ۶: NLWeb

مطالعه موردی ۷: MCP برای Foundry – ادغام عوامل Azure AI

مطالعه موردی ۸: زمین بازی MCP Foundry – آزمایش و نمونه‌سازی

مطالعه موردی ۹: سرور MCP مستندات مایکروسافت – آموزش و مهارت‌آموزی

پروژه‌های عملی

پروژه ۱: ساخت سرور MCP چند ارائه‌دهنده

پروژه ۲: سیستم مدیریت پرامپت سازمانی

پروژه ۳: پلتفرم تولید محتوا مبتنی بر MCP

جهت‌گیری‌های آینده فناوری MCP

روندهای نوظهور

راه‌حل‌های MCP از مایکروسافت

سازمان Microsoft

سازمان Azure-Samples

تمرین‌ها