نویسنده: WKFGo Editorial · تاریخ انتشار · آخرین ویرایش

پاسخ کوتاه: MCP چیست؟

MCP مخفف Model Context Protocol یا «پروتکل زمینهٔ مدل» است: یک استاندارد باز که به برنامه‌های هوش مصنوعی اجازه می‌دهد به‌شکل ساخت‌یافته با داده‌ها و عملیات یک نرم‌افزار ارتباط برقرار کنند. به‌جای اینکه برای هر ترکیبِ «دستیار هوش مصنوعی × نرم‌افزار» یک اتصال اختصاصی نوشته شود، نرم‌افزار یک سرور MCP ارائه می‌کند و کلاینت‌های سازگار می‌توانند قابلیت‌های آن را کشف و فراخوانی کنند.

در مشخصات رسمی MCP، سرور می‌تواند سه نوع قابلیت عرضه کند:

ابزارها (Tools): عملیات قابل فراخوانی، مثل جست‌وجوی تسک یا ثبت کامنت؛
منابع (Resources): داده و محتوای زمینه‌ای، مثل فایل یا صفحهٔ ویکی؛
پرامپت‌ها (Prompts): الگوهای آماده‌ای که کاربر آگاهانه انتخاب می‌کند.

MCP خودِ مدل هوش مصنوعی، پایگاه داده یا سیستم مجوز نیست. این پروتکل قرارداد ارتباطی را استاندارد می‌کند؛ سرور همچنان باید احراز هویت، سطح دسترسی، اعتبارسنجی ورودی، ثبت رویداد و تأیید عملیات حساس را درست پیاده کند. برای تعریف رسمی و نسخه جاری می‌توانید مستندات Model Context Protocol را ببینید.

یک مثال واقعی: چرا اتصال به داده مهم است؟

صبح دوشنبه مدیر پروژه در Claude می‌پرسد: «انتشار نسخهٔ ۳.۲ روی چه مانعی است؟» مدل با اطمینان از خروجی اکسل جمعه جواب می‌دهد — در حالی که دو تسک بحرانی از دیروز روی بورد کانبان جابه‌جا شده، یک تأیید مالی باز مانده و مهندس ارشد مانع جدید را در ویکی ثبت کرده. گفتار روان است؛ تصمیم غلط است.

هوش مصنوعی در مدیریت پروژه وقتی ارزش دارد که به منبع حقیقت وصل باشد، نه وقتی بهترین روایت‌گر اتاق باشد. MCP همان پل قراردادی است. یک کلاینت سازگار — مانند یک IDE یا برنامهٔ دسکتاپ — می‌تواند ابزارهای مجاز سرور را ببیند. سپس به‌جای حدس دربارهٔ وضعیت، مدل ابزار فهرست تسک‌ها (list_tasks)، جست‌وجوی مستندات (search_docs) یا خلاصهٔ مالی (finance_summary) را صدا می‌زند و نتیجهٔ همان لحظه را دریافت می‌کند.

جریان درخواست در ساده‌ترین حالت چنین است:

کاربر می‌پرسد: «کدام کارهای انتشار امروز مسدودند؟»
کلاینت، فهرست ابزارها و توضیح ورودی هرکدام را می‌بیند.
مدل list_tasks را با پروژه و فیلتر مناسب انتخاب می‌کند.
سرور هویت و مجوز کاربر را بررسی و فقط دادهٔ مجاز را برمی‌گرداند.
مدل نتیجه را توضیح می‌دهد و بهتر است نام یا لینک رکوردهای منبع را نیز نشان دهد.

این ترتیب یک نکته مهم دارد: مدل مستقیماً به PostgreSQL یا پنل ادمین وصل نمی‌شود. ابزارِ محدود و قابل ممیزی بین مدل و سیستم قرار می‌گیرد.

علائم و هزینهٔ جدا بودن هوش مصنوعی از دادهٔ پروژه

علامت	هزینهٔ پنهان
هر هفته CSV از جیرا یا WKFGo export و paste در ChatGPT	تا چهارشنبه snapshot کهنه است
developer برای «چند تسک من معوق است؟» ده تب مرورگر باز می‌کند	از دست رفتن تمرکز و جریان کار
اسلاید هیئت‌مدیره از حافظهٔ PM، بدون ردپای ممیزی	اعتماد کاذب و بحث عددی در جلسه
contractor با کلید admin مشترک به MCP وصل است	نشت داده و ممیزی غیرممکن

هزینهٔ واقعی اشتراک ChatGPT Plus نیست — مالیات هماهنگی است: جلسات وضعیت برای بازسازی آنچه بورد نشان می‌دهد، تصمیم انتشار بر اساس عدد ساختگی، و فرسودگی وقتی تیم می‌فهمد هوش مصنوعی «خلاق» بوده. MCP این چرخه را با پرس‌وجوی زنده قطع می‌کند.

معماری MCP به زبان ساده

۱. سرور MCP — محصول شما قابلیت‌ها را در اختیار می‌گذارد. WKFGo سرور MCP دارد که ده‌ها ابزار از جمله list_tasks، خلاصهٔ اجرایی (executive_brief)، صندوق تصمیم (decision_inbox)، شبیه‌سازی سناریو (simulate_scenario)، برنامهٔ امروز من (my_day) و ابزارهای ویکی، مالی و Git را ارائه می‌دهد. هر فراخوانی دسترسی ویژگی (FeatureAccess) همان کاربر را اعمال می‌کند؛ پیمانکار بدون مجوز مالی، پاسخ «ممنوع» برای finance_summary می‌گیرد.

۲. کلاینت MCP — محیط هوش مصنوعی: Cursor در IDE، Claude Desktop روی میز. کلاینت ابزارها را کشف می‌کند و بر اساس قصد کاربر فراخوانی می‌کند.

۳. فراخوانی ابزار — درخواست با پارامتر مشخص. مدل نتیجه را خلاصه می‌کند؛ شما در لاگ ممیزی می‌بینید چه پرس‌وجویی زده شده.

تفاوت با scraping این است که MCP قرارداد ورودی و خروجی دارد و قابلیت‌ها را صریح معرفی می‌کند. بااین‌حال «MCP بودن» به‌تنهایی اتصال را امن نمی‌کند؛ امنیت نتیجهٔ پیاده‌سازی سرور، شیوهٔ صدور اعتبارنامه و کنترل‌های هر ابزار است.

تفاوت MCP با API، افزونه و RAG

این چهار مفهوم جای هم را نمی‌گیرند:

مفهوم	مسئله‌ای که حل می‌کند	چه کسی معمولاً آن را فراخوانی می‌کند؟
REST/GraphQL API	رابط برنامه‌نویسی اختصاصی یک محصول	کد یکپارچه‌سازی یا برنامهٔ دیگر
MCP	روش استاندارد معرفی ابزار، منبع و پرامپت به برنامه‌های AI	کلاینت یا میزبان هوش مصنوعی
افزونه اختصاصی	اتصال یک محصول به یک میزبان مشخص	همان میزبان مشخص
RAG	پیدا کردن متن مرتبط و افزودن آن به زمینهٔ مدل	سرویس جست‌وجو/تولید پاسخ

یک سرور MCP معمولاً پشت صحنه از API یا سرویس داخلی موجود استفاده می‌کند. RAG نیز می‌تواند داخل ابزار search_docs قرار بگیرد. مزیت MCP حذف API نیست؛ استاندارد کردن سطحی است که برنامهٔ هوش مصنوعی می‌بیند.

MCP چه چیزی نیست؟

دسترسی نامحدود مدل به همه‌چیز نیست. هر ابزار باید کوچک، مشخص و محدود به مجوز کاربر باشد.
تضمین صحت پاسخ نیست. دادهٔ درست احتمال خطا را کم می‌کند، اما خلاصهٔ مدل همچنان باید برای تصمیم حساس بررسی شود.
جایگزین طراحی API نیست. ابزار ضعیف روی API آشفته فقط آشفتگی را پنهان می‌کند.
اتوماسیون کامل بدون نظارت نیست. خواندن وضعیت و پیش‌نویس‌سازی با تأیید پرداخت، تغییر دسترسی یا حذف داده یک سطح ریسک ندارند.

چارچوب ۶ مرحله‌ای پذیرش MCP در تیم مدیریت پروژه

۱. هفتهٔ اول: فقط خواندن

با پرس‌وجوی بدون اثر جانبی شروع کنید: list_tasks با فیلتر معوق، فهرست تأییدهای در انتظار (list_pending_approvals)، search_docs برای runbook، my_day برای صف شخصی. هدف: ثابت کردن دقت و مرز مجوز قبل از هر نوشتن.

معیار موفقیت: سه پرسش تکراری تیم را شناسایی کنید و برای هر کدام یک ابزار مشخص — نه «هر سؤالی ده ابزار».

۲. پرسش‌های پرتکرار را به ابزار نگاشت کنید

پرسش تیم	ابزار پیشنهادی
«تسک‌های بدون برآورد کدام‌اند؟»	`list_tasks` با فیلتر
«ریسک‌های باز پروژه Atlas؟»	`search_docs` + `list_tasks`
«وضعیت بودجهٔ Q2؟»	`finance_summary`
«خلاصه برای CTO؟»	`executive_brief` با role=cto

۳. هویت هر کاربر را جدا نگه دارید

در پیاده‌سازی فعلی WKFGo هر نفر کلید شخصی با پیشوند wk_ از تنظیمات → یکپارچه‌سازی → اتصال IDE هوش مصنوعی می‌سازد. توکن admin مشترک در فایل تنظیمات، انتساب عملیات و قطع دسترسی یک فرد را دشوار می‌کند. برای راهنمای پیکربندی، راهنمای اتصال IDE به MCP را ببینید.

در سرورهای راه‌دور جدید، مشخصات MCP الگوهای OAuth و محدودسازی توکن به resource را نیز تعریف کرده است. راهنمای رسمی تأکید می‌کند که سرور منبع باید توکن را برای همان resource اعتبارسنجی کند؛ صرف داشتن Bearer token کافی نیست. جزئیات نسخه جاری در راهنمای authorization رسمی MCP آمده است.

۴. خواندن و نوشتن را دو سطح ریسک جدا بدانید

ابزارهای خواندنی را از ابزارهای تغییردهنده جدا کنید. ایجاد و به‌روزرسانی (create_task, update_status, submit_for_review) فقط وقتی فعال شود که دامنهٔ اثر، idempotency و مسیر بازگشت روشن باشد. برای عملیات پرریسک، هوش مصنوعی پیشنهاد یا پیش‌نویس می‌سازد و انسان تأیید نهایی را انجام می‌دهد.

۵. «ممنوع» یعنی اصلاح مجوز، نه دور زدن

اگر ابزار «forbidden» برگرداند، FeatureAccess یا نقش پروژه را در WKFGo درست کنید. دور زدن با کلید admin فرهنگ ممیزی را از بین می‌برد.

۶. گسترش به ابزارهای رهبری

بعد از پذیرش تیم فنی: executive_brief برای مدیران، decision_inbox برای صف تصمیم، simulate_scenario قبل از تعهد کاهش محدوده. چت‌بات درون‌برنامه‌ای برای همه؛ MCP برای کاربر حرفه‌ای در IDE.

چک‌لیست امنیت و کیفیت قبل از اتصال

پیش از فعال کردن سرور برای یک تیم، این هشت سؤال باید پاسخ روشن داشته باشد:

هر درخواست به هویت یک شخص یا عامل مشخص منتسب می‌شود؟
ابزارها حداقل دسترسی لازم را دارند یا همه از نقش admin استفاده می‌کنند؟
ورودی ابزار با schema و قواعد کسب‌وکار اعتبارسنجی می‌شود؟
دادهٔ خروجی با سازمان، پروژه و نقش کاربر محدود می‌شود؟
عملیات نوشتنی تکرار امن یا کلید idempotency دارند؟
حذف، پرداخت، دسترسی و انتشار نیازمند تأیید انسانی‌اند؟
لاگ ممیزی نام ابزار، کاربر، زمان و نتیجه را ثبت می‌کند، بدون ذخیرهٔ بی‌دلیل رازها؟
راه ابطال کلید و پاسخ به حادثه آزمایش شده است؟

ضدالگوهای رایج

کلید API یکی برای کل تیم — ممیزی غیرممکن، offboarding کابوس
نوشتن از روز اول — یک prompt اشتباه ده تسک تکراری می‌سازد
درخواست بدون محدوده پروژه — مدل یا ابزار ممکن است بین پروژه‌ها نتیجهٔ مبهم برگرداند
اعتماد کامل به خلاصهٔ AI — قبل از اسلاید هیئت‌مدیره در وب‌اپ spot-check کنید
export هفتگی به‌جای MCP — همان snapshot کهنه، فقط با مرحلهٔ اضافه

نمونه کاربردهای MCP در WKFGo

WKFGo full-stack است: کانبان، اسپرینت، ویکی، مالی، یکپارچه‌سازی Git، تأیید تسک، BPMN — با سرور MCP که این حوزه‌ها را ابزار می‌کند. جریان‌های معمول:

اجرایی: executive_brief، نمای پرتفوی (portfolio_overview)، نقشهٔ بار کاری (workload_heatmap)
تصمیم: decision_inbox، simulate_scenario، ثبت تصمیم (record_decision)
روزانه: my_day، صف کار من (my_queue)، شروع کار / پایان کار (start_work / end_work)
دانش: search_docs، get_wiki_page، بستهٔ زمینه (get_context_pack)

رابط فارسی و انگلیسی برای تیم‌های منطقه‌ای در دسترس است. ابزارهای MCP به سرویس‌های همان محصول متصل‌اند؛ بااین‌حال نتیجه همچنان باید به مجوز و محدودهٔ سازمان کاربر مقید بماند.

سه سناریوی قابل آزمایش

آماده‌سازی جلسه روزانه: کاربر my_day را می‌خواند، موارد معوق را با list_tasks محدود می‌کند و لینک هر تسک را در خلاصه نگه می‌دارد. معیار موفقیت، کوتاه شدن زمان آماده‌سازی و کاهش موارد بدون مالک است؛ نه طول پاسخ مدل.

تحویل کد برای بازبینی: عامل ابتدا get_context_pack را می‌گیرد، کار را انجام می‌دهد و با submit_for_review شواهد و لینک Pull Request را تحویل می‌دهد. تصمیم پذیرش انسانی باقی می‌ماند.

تصمیم مدیریتی: مدیر با executive_brief و decision_inbox موارد نیازمند تصمیم را می‌بیند. خروجی خوب باید رکوردهای منبع و زمان داده را نشان دهد تا به یک «اسلاید زیبا اما بی‌منبع» تبدیل نشود.

سوالات متداول

آیا MCP فقط برای developer است؟
خیر. developer در Cursor زودتر سود می‌برد، اما PM با Claude Desktop همان ابزارها را با مجوز خودش دارد — مثلاً decision_inbox بدون باز کردن IDE.

آیا MCP جای PM انسانی را می‌گیرد؟
خیر. MCP پل دسترسی است. اولویت‌بندی، مذاکره با ذینفع و امضای تأییدها همچنان انسانی است.

اتصال AI به production امن است؟
مثل REST API: کلید شخصی wk_، کمترین مجوز، آزمایش read-only. هر فراخوانی ابزار FeatureAccess را اعمال می‌کند.

تفاوت MCP با چت‌بات داخل WKFGo چیست؟
چت‌بات در مرورگر برای همه در دسترس است. MCP همان لایهٔ داده را به Cursor/Claude می‌برد — ایده‌آل برای حلقهٔ dev و اسکریپت اتوماسیون.

آیا MCP همان API است؟ خیر. API رابط اختصاصی محصول است؛ MCP قابلیت‌های مناسب مدل را با قرارداد استاندارد معرفی می‌کند و می‌تواند پشت صحنه همان API را فراخوانی کند.

آیا هر سرور MCP امن است؟ خیر. نام پروتکل تضمین امنیت نیست. احراز هویت، محدودسازی tenant، مجوز هر ابزار، اعتبارسنجی ورودی، تأیید عملیات حساس و ثبت ممیزی باید در پیاده‌سازی بررسی شوند.

از کجا شروع کنیم؟ یک پروژه غیرحیاتی و سه ابزار فقط‌خواندنی انتخاب کنید. برای هر سؤال، نتیجه MCP را با رابط اصلی محصول مقایسه کنید و فقط پس از پایدار شدن دقت و مجوز، نوشتن را اضافه کنید.

قدم بعدی

منابع دست‌اول و روش راستی‌آزمایی

این فهرست برای بررسی بیشتر است؛ لینک‌های داخل متن، منبع ادعای مشخص همان بخش‌اند.