نشرت AWS ستة أساليب لتحسين أدوات MCP لتوفير السياق
نشرت AWS دليلاً لتصميم أدوات MCP. المشكلة: التعريفات تملأ نافذة السياق بسرعة، وتخطئ نماذج LLM في اختيار الأداة والمعلمات. الحل: 6 أساليب، من الأوصاف المحسنة (V3) إلى lazy loading (V4) وتحليل المعلمات على جانب الخادم عبر Amazon Nova 2 Lite (V5). توصي AWS بالإبقاء على عدد المعلمات عند «نحو ثمانية أو أقل»، كما أن الإخراج عند الطلب يقلل عدد التوكنات بمقدار الثلثين.
معالج بواسطة الذكاء الاصطناعي من AWS Machine Learning Blog؛ بتحرير Hamidun News
نشرت AWS في 12 يوليو 2026 دليلاً تقنياً حول مشاكل تصميم أدوات MCP واقترحت ستة أساليب عملية لحلها — من تحسين الأوصاف إلى تحليل المعاملات على جانب الخادم باستخدام الذكاء الاصطناعي. تستند الدراسة إلى الاختبارات الفعلية لواجهة برمجية لبحث المحتوى التعليمي (K-12).
لماذا تقلل أدوات MCP من جودة النموذج
بروتوكول Model Context Protocol يساعد نماذج اللغة الكبيرة على استخدام الأدوات الخارجية، لكن تصميم تعريفات الأدوات غالباً ما يكون سيئاً. حددت AWS مشكلتين رئيسيتين:
الامتلاء (Bloat): يحمل كل خادم MCP تعريفات الأدوات في نافذة السياق، حتى لو لم تكن قيد الاستخدام. مع عدة خوادم نشطة، تمتلئ النافذة بالتعريفات قبل أن يطرح المستخدم سؤاله الأول.
الالتباس (Confusion): يؤدي السياق المكتظ إلى تدهور استدلال النموذج. تخلط نماذج اللغة الكبيرة بين الأدوات المتشابهة، وتخطئ في المعاملات، وتسيء تفسير القيود. يزيد التشابه الدلالي بين الأدوات وأسماء المعاملات غير الواضحة من المشكلة.
ستة أساليب: طيف كامل من الحلول
اختبرت AWS ستة تطبيقات ضد استعلامات من العالم الحقيقي مثل "ابحث عن اختبار الكسور للصف السابع" و"أحتاج إلى محتوى متوافق مع TEKS":
- V1 (الممر الخام): تكشف واجهة برمجية الخلفية كما هي — معدلات خطأ عالية في المعاملات
- V2 (أوصاف غنية): سلاسل نصية موثقة بالتفصيل مع أمثلة — تحسن الدقة لكن تزيد الحجم
- V3 (المخطط والقيم الافتراضية): معاملات معاد تسميتها (`discipline` → `subject`)، تعدادات `Literal`، قيم افتراضية معقولة — توازن جيد
- V4 (التحميل الكسول): التفاصيل (التصنيف) في أداة منفصلة — خط أساس ضئيل، طلبات إضافية
- V5 (الفحص الذاتي على جانب الخادم): تحلل Amazon Nova 2 Lite المعاملات على جانب الخادم — سلوك مستقر لكن يضيف استدعاءات الاستدلال
- V6 (الوكيل كأداة): معامل واحد `question: str`، كل المنطق بالداخل — السيطرة القصوى، تتطلب البنية التحتية
التوصيات الرئيسية من AWS
توصي AWS Prescriptive Guidance بالحفاظ على معاملات الأداة عند "تقريباً ثمانية أو أقل". يُظهر بحث Anthropic: الانتقال إلى مخرجات مفصلة عند الطلب يقلل رموز الاستجابة بحوالي الثلثين تقريباً.
بالإضافة إلى ذلك: اكتب رسائل خطأ محددة وقابلة للتنفيذ (وليس فقط "لا توجد نتائج،" بل إرشادات دقيقة عما يجب تجربته). استخدم أسماء معاملات مناسبة للمجال بدلاً من أسماء أعمدة قاعدة البيانات — هذا يقلل بشكل كبير من التباس النموذج.
كيفية اختيار أسلوب لمهمتك
لا يوجد حل موحد يناسب الجميع. يعتمد الاختيار على عدد المعاملات (قليل → V3، كثير → V4-V5)، واستقرار المفردات، ومتطلبات الكمون، وما إذا كانت الاتساق عبر النماذج ضروري. بالنسبة لمعظم مهام البحث والتصفية، يكفي V3. تستفيد التطبيقات المتخصصة (التصنيف المعقد، المنطق متعدد الخطوات) من V4-V5.
ما يعنيه هذا
تؤدي أدوات MCP حالياً إلى إبطاء وكلاء نماذج اللغة الكبيرة، لكن AWS أثبتت: يمكن حل المشكلة من خلال هندسة السياق. يمتلك المهندسون الآن كتيباً عملياً لموازنة السياق والدقة بدلاً من إضافة الأوصاف بعمى.
هل تحتاج إلى ذكاء اصطناعي يعمل داخل شركتك — وليس فقط في موجز الأخبار؟
أبني ذكاءً اصطناعياً جاهزاً للإنتاج للشركات — أنظمة CRM مخصّصة، أدوات داخلية، وكلاء مستقلون، أتمتة سير العمل. ملك لك، مصمّم وفق عمليتك، دون رسوم لكل مستخدم. من إعداد جمال خميدون، مدير المنتجات في AlpinaGPT (منصة ذكاء اصطناعي، أكثر من 6000 مستخدم).
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.