227 lines
14 KiB
Markdown
227 lines
14 KiB
Markdown
# سادهسازی جریانهای کاری هوش مصنوعی: ساخت یک سرور MCP با Microsoft Foundry Toolkit
|
||
|
||
[](https://spec.modelcontextprotocol.io/specification/2025-11-25/)
|
||
[](https://python.org)
|
||
[](https://code.visualstudio.com/)
|
||
|
||

|
||
|
||
## 🎯 مرور کلی
|
||
|
||
[](https://youtu.be/r34Csn3rkeQ)
|
||
|
||
_(برای دیدن ویدیو این درس روی تصویر بالا کلیک کنید)_
|
||
|
||
به کارگاه **پروتکل زمینه مدل (MCP)** خوش آمدید! این کارگاه جامع و عملی دو فناوری پیشرفته را برای تحول در توسعه برنامههای هوش مصنوعی ترکیب میکند:
|
||
|
||
- **🔗 پروتکل زمینه مدل (MCP)**: یک استاندارد باز برای یکپارچهسازی بیدردسر ابزارهای هوش مصنوعی
|
||
- **🛠️ افزونه Microsoft Foundry Toolkit برای ویاس کد**: افزونه قدرتمند مایکروسافت برای توسعه هوش مصنوعی
|
||
|
||
### 🎓 چه چیزی یاد میگیرید
|
||
|
||
تا پایان این کارگاه، به هنر ساخت برنامههای هوشمندی که مدلهای هوش مصنوعی را با ابزارها و خدمات دنیای واقعی پیوند میدهند، مسلط میشوید. از تستهای خودکار تا ادغامهای سفارشی API، مهارتهای عملی برای حل چالشهای پیچیده تجاری خواهید داشت.
|
||
|
||
## 🏗️ پشته فناوری
|
||
|
||
### 🔌 پروتکل زمینه مدل (MCP)
|
||
|
||
MCP مانند **"USB-C برای هوش مصنوعی"** است - یک استاندارد جهانی که مدلهای هوش مصنوعی را به ابزارها و منابع داده خارجی متصل میکند.
|
||
|
||
**✨ ویژگیهای کلیدی:**
|
||
|
||
- 🔄 **یکپارچهسازی استاندارد شده**: رابط جهانی برای اتصال ابزارهای هوش مصنوعی
|
||
- 🏛️ **معماری منعطف**: سرورهای محلی و راه دور از طریق حمل و نقل stdio/SSE
|
||
- 🧰 **اکوسیستم غنی**: ابزارها، درخواستها و منابع در یک پروتکل
|
||
- 🔒 **آماده سازمانی**: امنیت و قابلیت اطمینان ساخته شده در آن
|
||
|
||
**🎯 اهمیت MCP:**
|
||
همانطور که USB-C آشفتگی کابلها را از بین برد، MCP پیچیدگیهای ادغامهای هوش مصنوعی را حذف میکند. یک پروتکل، امکانات بینهایت.
|
||
|
||
### 🤖 افزونه Microsoft Foundry Toolkit برای ویاس کد
|
||
|
||
افزونه پرچمدار مایکروسافت برای توسعه هوش مصنوعی که ویاس کد را به یک نیروگاه هوش مصنوعی تبدیل میکند.
|
||
|
||
**🚀 قابلیتهای اصلی:**
|
||
|
||
- 📦 **کاتالوگ مدلها**: دسترسی به مدلها از Azure AI، GitHub، Hugging Face، Ollama
|
||
- ⚡ **اجرای محلی**: اجرای بهینه شده ONNX روی CPU/GPU/NPU
|
||
- 🏗️ **سازنده عامل**: توسعه عامل هوش مصنوعی بصری با ادغام MCP
|
||
- 🎭 **چندحالتی**: پشتیبانی از متن، تصویر و خروجی ساختاریافته
|
||
|
||
**💡 مزایای توسعه:**
|
||
|
||
- استقرار مدل بدون نیاز به پیکربندی
|
||
- مهندسی درخواست بصری
|
||
- محیط آزمایش در زمان واقعی
|
||
- ادغام بدون درز سرور MCP
|
||
|
||
## 📚 مسیر یادگیری
|
||
|
||
### [🚀 ماژول ۱: اصول Microsoft Foundry Toolkit](./lab1/README.md)
|
||
|
||
**مدت زمان**: ۱۵ دقیقه
|
||
|
||
- 🛠️ نصب و پیکربندی Microsoft Foundry Toolkit برای ویاس کد
|
||
- 🗂️ مرور کاتالوگ مدلها (بیش از ۱۰۰ مدل از GitHub، ONNX، OpenAI، Anthropic، Google)
|
||
- 🎮 تسلط بر محیط تعاملی برای تست مدل در زمان واقعی
|
||
- 🤖 ساخت اولین عامل هوش مصنوعی با سازنده عامل
|
||
- 📊 ارزیابی عملکرد مدل با معیارهای داخلی (F1، ارتباط، شباهت، انسجام)
|
||
- ⚡ یادگیری پردازش دستهای و قابلیتهای چندحالتی
|
||
|
||
**🎯 نتیجه یادگیری**: ایجاد یک عامل هوش مصنوعی کاربردی با درک جامع از قابلیتهای Microsoft Foundry Toolkit
|
||
|
||
### [🌐 ماژول ۲: MCP با اصول Microsoft Foundry Toolkit](./lab2/README.md)
|
||
|
||
**مدت زمان**: ۲۰ دقیقه
|
||
|
||
- 🧠 تسلط بر معماری و مفاهیم پروتکل زمینه مدل (MCP)
|
||
- 🌐 بررسی اکوسیستم سرورهای MCP مایکروسافت
|
||
- 🤖 ساخت یک عامل خودکارسازی مرورگر با سرور MCP Playwright
|
||
- 🔧 ادغام سرورهای MCP با سازنده عامل Microsoft Foundry Toolkit
|
||
- 📊 پیکربندی و تست ابزارهای MCP درون عوامل خود
|
||
- 🚀 برونریزی و استقرار عوامل مجهز به MCP برای استفاده در تولید
|
||
|
||
**🎯 نتیجه یادگیری**: استقرار عاملی هوش مصنوعی با ابزارهای خارجی از طریق MCP
|
||
|
||
### [🔧 ماژول ۳: توسعه پیشرفته MCP با Microsoft Foundry Toolkit](./lab3/README.md)
|
||
|
||
**مدت زمان**: ۲۰ دقیقه
|
||
|
||
- 💻 ساخت سرورهای سفارشی MCP با Microsoft Foundry Toolkit
|
||
- 🐍 پیکربندی و استفاده از جدیدترین SDK پایتون MCP (نسخه ۱.۹.۳)
|
||
- 🔍 راهاندازی و استفاده از MCP Inspector برای اشکالزدایی
|
||
- 🛠️ ساخت سرور هواشناسی MCP با گردش کارهای اشکالزدایی حرفهای
|
||
- 🧪 اشکالزدایی سرورهای MCP در هر دو محیط سازنده عامل و Inspector
|
||
|
||
**🎯 نتیجه یادگیری**: توسعه و اشکالزدایی سرورهای سفارشی MCP با ابزارهای مدرن
|
||
|
||
### [🐙 ماژول ۴: توسعه عملی MCP - سرور کلون GitHub سفارشی](./lab4/README.md)
|
||
|
||
**مدت زمان**: ۳۰ دقیقه
|
||
|
||
- 🏗️ ساخت سرور کلون واقعی GitHub MCP برای جریانهای کاری توسعه
|
||
- 🔄 پیادهسازی کلون هوشمند مخزن با اعتبارسنجی و مدیریت خطا
|
||
- 📁 ایجاد مدیریت هوشمند دایرکتوری و ادغام با ویاس کد
|
||
- 🤖 استفاده از حالت عامل GitHub Copilot با ابزارهای سفارشی MCP
|
||
- 🛡️ اعمال قابلیت اطمینان آماده تولید و سازگاری چندسکویی
|
||
|
||
**🎯 نتیجه یادگیری**: استقرار سرور MCP آماده تولید که جریانهای کاری توسعه واقعی را ساده میکند
|
||
|
||
## 💡 کاربردهای دنیای واقعی و تأثیر
|
||
|
||
### 🏢 موارد استفاده سازمانی
|
||
|
||
#### 🔄 اتوماسیون DevOps
|
||
|
||
جریان کاری توسعه خود را با اتوماسیون هوشمند متحول کنید:
|
||
|
||
- **مدیریت هوشمند مخازن**: بازبینی کد و تصمیمات ادغام مبتنی بر هوش مصنوعی
|
||
- **CI/CD هوشمند**: بهینهسازی خودکار خطوط تولید بر اساس تغییرات کد
|
||
- **دستهبندی مسائل**: طبقهبندی خودکار باگ و تخصیص مسئولیتها
|
||
|
||
#### 🧪 انقلاب تضمین کیفیت
|
||
|
||
آزمایش را با اتوماسیون مبتنی بر هوش مصنوعی ارتقا دهید:
|
||
|
||
- **تولید هوشمند تست**: ساخت خودکار مجموعههای کامل تست
|
||
- **تست بازگشت تصویری**: تشخیص تغییرات رابط کاربری با هوش مصنوعی
|
||
- **نظارت عملکرد**: شناسایی و رفع مشکلات به صورت پیشگیرانه
|
||
|
||
#### 📊 هوشمندی خط لوله داده
|
||
|
||
جریانهای پردازش داده هوشمندتر بسازید:
|
||
|
||
- **فرآیندهای ETL تطبیقی**: تبدیل دادههای خودبهینهشونده
|
||
- **کشف ناهنجاریها**: نظارت کیفیت داده در زمان واقعی
|
||
- **مسیریابی هوشمند**: مدیریت هوشمند جریان دادهها
|
||
|
||
#### 🎧 ارتقاء تجربه مشتری
|
||
|
||
تعاملات استثنایی با مشتری خلق کنید:
|
||
|
||
- **پشتیبانی آگاه به زمینه**: عوامل هوش مصنوعی با دسترسی به تاریخچه مشتری
|
||
- **حل فعال مسائل**: خدمات پیشبینیشده به مشتری
|
||
- **ادغام چندکاناله**: تجربه یکپارچه هوش مصنوعی در بسترهای مختلف
|
||
|
||
## 🛠️ پیشنیازها و تنظیمات
|
||
|
||
### 💻 مشخصات سیستم
|
||
|
||
| جزء | نیازمندی | توضیحات |
|
||
|-----------|---------------------|-----------------------|
|
||
| **سیستم عامل** | ویندوز ۱۰ به بالا، macOS 10.15 به بالا، لینوکس | هر سیستم عامل مدرن |
|
||
| **ویژوال استودیو کد** | آخرین نسخه پایدار | مورد نیاز برای Microsoft Foundry Toolkit |
|
||
| **Node.js** | نسخه ۱۸.۰ به بالا و npm | برای توسعه سرور MCP |
|
||
| **پایتون** | نسخه ۳.۱۰ به بالا | اختیاری برای سرورهای MCP پایتون |
|
||
| **حافظه** | حداقل ۸ گیگابایت رم | توصیه شده ۱۶ گیگابایت برای مدلهای محلی |
|
||
|
||
### 🔧 محیط توسعه
|
||
|
||
#### افزونههای پیشنهادی VS Code
|
||
|
||
- **Microsoft Foundry Toolkit** (ms-windows-ai-studio.windows-ai-studio)
|
||
- **پایتون** (ms-python.python)
|
||
- **اشکالزدای پایتون** (ms-python.debugpy)
|
||
- **GitHub Copilot** (GitHub.copilot) - اختیاری اما مفید
|
||
|
||
#### ابزارهای اختیاری
|
||
|
||
- **uv**: مدیر بسته مدرن پایتون
|
||
- **MCP Inspector**: ابزار اشکالزدایی بصری برای سرورهای MCP
|
||
- **Playwright**: برای نمونههای خودکارسازی وب
|
||
|
||
## 🎖️ نتایج یادگیری و مسیر گواهینامه
|
||
|
||
### 🏆 چکلیست تسلط مهارتها
|
||
|
||
با کامل کردن این کارگاه به تسلط در موارد زیر دست خواهید یافت:
|
||
|
||
#### 🎯 مهارتهای اصلی
|
||
|
||
- [ ] **تسلط بر پروتکل MCP**: درک عمیق معماری و الگوهای پیادهسازی
|
||
- [ ] **تبحر در Microsoft Foundry Toolkit**: استفاده کارشناسی از Microsoft Foundry Toolkit برای توسعه سریع
|
||
- [ ] **توسعه سرورهای سفارشی**: ساخت، استقرار و نگهداری سرورهای MCP در تولید
|
||
- [ ] **برتری در یکپارچهسازی ابزارها**: اتصال بدون درز هوش مصنوعی با جریانهای کاری توسعه موجود
|
||
- [ ] **کاربرد حل مسئله**: به کارگیری مهارتهای آموخته شده در چالشهای واقعی تجاری
|
||
|
||
#### 🔧 مهارتهای فنی
|
||
|
||
- [ ] نصب و پیکربندی Microsoft Foundry Toolkit در VS Code
|
||
- [ ] طراحی و پیادهسازی سرورهای سفارشی MCP
|
||
- [ ] ادغام مدلهای GitHub با معماری MCP
|
||
- [ ] ساخت جریانهای کاری تست خودکار با Playwright
|
||
- [ ] استقرار عوامل هوش مصنوعی برای استفاده در تولید
|
||
- [ ] اشکالزدایی و بهینهسازی عملکرد سرور MCP
|
||
|
||
#### 🚀 قابلیتهای پیشرفته
|
||
|
||
- [ ] معماری ادغامهای هوش مصنوعی در مقیاس سازمانی
|
||
- [ ] اجرای بهترین شیوههای امنیتی برای برنامههای هوش مصنوعی
|
||
- [ ] طراحی معماریهای مقیاسپذیر سرور MCP
|
||
- [ ] ساخت زنجیرههای ابزار سفارشی برای حوزههای خاص
|
||
- [ ] راهنمایی دیگران در توسعه بومی هوش مصنوعی
|
||
|
||
## 📖 منابع بیشتر
|
||
|
||
- [مشخصات MCP (2025-11-25)](https://spec.modelcontextprotocol.io/specification/2025-11-25/)
|
||
- [مخزن GitHub Microsoft Foundry Toolkit](https://github.com/microsoft/vscode-ai-toolkit)
|
||
- [مجموعه نمونه سرورهای MCP](https://github.com/modelcontextprotocol/servers)
|
||
- [راهنمای بهترین شیوهها](https://modelcontextprotocol.io/docs/best-practices)
|
||
- [ده مورد برتر امنیتی MCP از OWASP](https://microsoft.github.io/mcp-azure-security-guide/mcp/) - بهترین شیوههای امنیتی
|
||
|
||
---
|
||
|
||
**🚀 آمادهاید جریان کاری توسعه هوش مصنوعی خود را متحول کنید؟**
|
||
|
||
بیایید آینده برنامههای هوشمند را با MCP و Microsoft Foundry Toolkit با هم بسازیم!
|
||
|
||
## بعد چه کاری انجام دهیم
|
||
|
||
ادامه دهید به: [ماژول ۱۱: آزمایشهای عملی سرور MCP](../11-MCPServerHandsOnLabs/README.md)
|
||
|
||
---
|
||
|
||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||
**سلب مسئولیت**:
|
||
این سند با استفاده از سرویس ترجمه هوش مصنوعی [Co-op Translator](https://github.com/Azure/co-op-translator) ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است شامل 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 در قبال هرگونه سوء تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.
|
||
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |