🤖 AI

MCP Bridge: A Lightweight, LLM-Agnostic RESTful Proxy for Model Context Protocol Servers

تقدم هذه الورقة البحثية MCP Bridge، وهو وسيط RESTful خفيف الوزن ومستقل عن نماذج اللغات الكبيرة (LLM-agnostic) يتيح تشغيل خوادم بروتوكول سياق النموذج (Model Context Protocol) في البيئات ذات الموارد المحدودة مع تعزيز الأمان، بينما تقدم أيضاً نموذج Qwen3 مضبوطاً بدقة يحقق أداءً رائداً في اختبار MCPToolBench++ من خلال تقنيات التعلم المعزز المتقدمة.

المؤلفون الأصليون: Arash Ahmadi, Sarah Sharif, Yaser M. Banad

نُشر 2026-03-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Arash Ahmadi, Sarah Sharif, Yaser M. Banad

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: مشكلة "المحول العالمي"

تخيل أن لديك عقل روبوت فائق الذكاء (نموذج لغوي كبير، أو LLM) يمكنه كتابة الشعر، وحل المسائل الرياضية، والدردشة كالبشر. لكن هذا الروبوت لديه عائق رئيسي: فهو يعيش في غرفة مغلقة. لا يمكنه رؤية العالم الحقيقي، ولا يمكنه التحقق من حالة الطقس، ولا يمكنه فتح باب منزلك.

لحل هذه المشكلة، اخترع المهندسون بروتوكول سياق النموذج (MCP). فكر في MCP كأنه منفذ "USB-C" عالمي للذكاء الاصطناي. فهو يسمح لعقل الروبوت بالتوصيل بمختلف الأدوات (مثل نظام الملفات، أو محرك البحث، أو الخريطة) واستخدامها.

المشكلة: حالياً، هذه "منافذ USB" لا تعمل إلا إذا كان الروبوت يجلس بجوار الأداة مباشرة، متصلاً بكابل مادي سميك (يسمى STDIO). هذا أمر رائع لجهاز كمبيوتر مكتبي، ولكنه مستحيل لروبوت يعيش داخل هاتف محمول، أو متصفح ويب، أو ساعة ذكية. فهذه الأجهزة لا تستطيع تشغيل برمجيات "الكابل الثقيل"؛ بل تحتاج إلى إشارة لاسلكية.

الحل: جسر MCP (الـ "كونسيرج")

قام المؤلفون ببناء جسر MCP. فكر في هذا كأنه موظف استقبال (كونسيرج) في فندق عالي التقنية أو مترجم عالمي.

كيف يعمل: بدلاً من محاولة الروبوت توصيل كابل بالأداة مباشرة، يرسل الروبوت رسالة نصية إلى "الكونسيرج" (جسر MCP) عبر اتصال Wi-Fi قياسي (REST API).
السحر: الكونسيرج يقف بجوار جميع الأدوات تماماً. يأخذ طلب الروبوت، ويقوم بتوصيل الكابل الثقيل، وينفذ العمل، ثم يرسل النتيجة إلى الروبوت.
لماذا هو رائع: الآن، يمكن لروبوت على هاتف محمول صغير استخدام أدوات قوية بمجرد إرسال رسالة عبر الإنترنت. لا يهم نوع الروبوت (نموذج الذكاء الاصطناعي) الذي تملكه؛ فالكونسيرج يتحدث مع جميعها.

حارس الأمن: "مستويات المخاطر"

بما أن الروبوت يمكنه الآن أن يطلب من الكونسيرج القيام بأشياء (مثل "حذف هذا الملف" أو "تحويل أموال")، فنحن بحاجة إلى أمن. تقدم الورقة البحثية نظام أمن ثلاثي المستويات:

المخاطر المنخفضة (منطقة "القراءة فقط"): إذا طلب الروبوت قراءة ملف أو التحقق من الطما، يقوم الكونسيرج بذلك فوراً دون أي أسئلة.
المخاطر المتوسطة (منطقة "هل تقصد هذا حقاً؟"): إذا طلب الروبوت تعديل ملف أو إرسال بريد إلكتروني، يتوقف الكونسيرج. يقول: "مهلاً، أنا على وشك القيام بهذا. هل أنت متأكد؟" وينتظر تأكيداً من الإنسان أو الروبوت قبل المتابعة.
المخاطر العالية (منطقة "الفقاعة"): إذا طلب الروبوت القيام بشيء خطير (مثل تشغيل نص برمجي معقد)، يضع الكونسيرج المهمة داخل حاوية Docker. تخيل هذا كأنه فقاعة زجاجية أو صندوق رمل (Sandbox). إذا انفجر الكود أو حاول سرقة البيانات، فإنه يكسر الفقاعة الزجاجية فقط، وليس المبنى بأكمله.

"تدريب الدماغ" (جعل الروبوت ذكياً بما يكفي)

تحتوي الورقة البحثية على جزء ثانٍ. فحتى مع وجود كونسيرج رائع، يحتاج عقل الروبوت إلى معرفة كيفية طلب الأشياء بشكل صحيح. إذا تحدث الروبوت بكلمات غير مفهومة، فلن يستطيع الكونسيرج مساعدته.

أخذ المؤلفون عقول روبوتات مفتوحة المصدر (نماذج Qwen3) وأعطوها دورة مكثفة في "إتيكيت الكونسيرج" باستخدام تقنية تسمى التعلم التعزيزي (Reinforcement Learning).

التشبيه: تخيل تعليم كلب كيفية جلب الأشياء.
- الطريقة القديمة: أنت فقط تقول للكلب "اذهب وأحضر الكرة". أحياناً يحضرها، وأحياناً يحضر عصا.
- الطريقة الجديدة (طريقة الورقة البحثية): تستخدم طريقة تدريب خاصة (مثل GRPO أو Dr. GRPO) حيث تعطي الكلب مكافأة فقط إذا أحضر الكرة التي طلبتها بالضبط، وبالطريقة التي أردتها بالضبط.
النتيجة: قاموا بتدريب روبوتات صغيرة وفعالة (4 مليارات و8 مليارات "عصبون") لتكون بارعة للغاية في طلب الأدوات.
المفاجأة: أدت هذه الروبوتات الصغيرة والمدربة إلى أداء أفضل من بعض الروبوتات الضخمة والمكلفة (مثل GPT-OSS الذي يمتلك 120 مليار عصبون) في هذه المهمة المحددة. لقد تعلموا التحدث بلغة "الكونسيرج" بشكل مثالي.

لماذا يهم هذا الأمر؟

قبل هذه الورقة البحثية:

كانت أدوات الذكاء الاصطناعي مثل الهواتف الأرضية: كان عليك أن تكون في المكتب لاستخدامها.
كانت نماذج الذكاء الاصطناعي الكبيرة والمكلفة فقط هي التي تستطيع استخدامها جيداً.

بعد هذه الورقة البحثية:

أصبحت أدوات الذكاء الاصطناعي مثل الهواتف الذكية: يمكنك استخدامها في أي مكان (الموبايل، الويب، أجهزة الحافة/Edge devices).
يمكن لنماذج الذكاء الاصطناعي الصغيرة والرخيصة استخدامها بنفس كفاءة النماذج الكبيرة، بفضل "الكونسيرج" (الجسر) و"التدريب" (RL).

باختصار: بنى المؤلفون جسراً يسمح للذكاء الاصطناعي بالعمل في أي مكان، وأضافوا حارس أمن للحفاظ على السلامة، وعلموا عقول الذكاء الاصطناعي الصغيرة كيفية استخدام الجسر بشكل أفضل من العمالقة. وهذا يجعل أدوات الذكاء الاصطناوية القوية متاحة للجميع، في كل مكان.

إليك ملخص تقني مفصل لورقة البحث بعنوان "MCP Bridge: وسيط RESTful خفيف الوزن ومستقل عن نوع النموذج لبروتوكول سياق النموذج (MCP)."

1. بيان المشكلة

يعد بروتوكول سياق النموذج (MCP) معيارًا ناشئًا مصممًا لربط النماذج اللغوية الكبيرة (LLMs) بالأدوات ومصادر البيانات الخارجية، حيث يعمل بمثابة "محول عالمي" للذكاء الاصطناعي. ومع ذلك، تواجه تطبيقات MCP الحالية عوائق حرجة في النشر:

قيود النقل: تعتمد معظم خوادم MCP على بروتوكولات النقل عبر المدخلات والمخرجات القياسية (STDIO)، مما يتطلب تنفيذ عمليات محلية. وهذا يجعلها غير عملية في البيئات محدودة الموارد مثل الأجهزة المحمولة، متصفحات الويب، وعقد الحوسبة الطرفية (Edge Computing).
التكرار والتعقيد: تؤدي الاتصالات المباشرة من عدة عملاء معزولين إلى خوادم MCP إلى خلق حالة من التكرار، وزيادة استهلاك الموارد، ووضع عوائق تقنية أمام المستخدمين غير الخبراء.
موثوقية النموذج: رغم أن البروتوكول معياري، إلا أن النماذج مفتوحة الأوزان (Open-weight LLMs) غالبًا ما تعاني في توليد هياكل استدعاء أدوات (Tool-calls) دقيقة وقابلة للتحليل، وهو أمر ضروري للتنفيذ الموثوق، مما يؤدي إلى الفشل في اختيار الأدوات وتنسيقها.

2. المنهجية

يقترح المؤلفون حلاً ثنائي المسار: بنية وسيطة على مستوى النظام، واستراتيجية محاذاة على مستوى النموذج.

أ. بنية النظام: MCP Bridge

إن MCP Bridge هو وسيط RESTful خفيف الوزن ومستقل عن نوع النموذج (LLM-agnostic)، يعمل على فصل تطبيقات العملاء عن عمليات خادم MCP الأساسية.

الوظيفة الجوهرية: يعمل كمحول REST مستقر، مما يسمح للعملاء متباينين (متصفحات، تطبيقات جوال) بالتفاعل مع خوادم MCP دون الحاجة لتنفيذ STDIO محلي.
الحزمة التقنية: تم بناؤه باستخدام Node.js (18+) مع استخدام Express.js للتوجيه، وChild Process API لتشغيل الخوادم، وServer-Sent Events (SSE) للاتصال في الوقت الفعلي، وDocker SDK للعزل.
نموذج التنفيذ القائم على المخاطر: لضمان الأمان، يطبق النظام نموذج تنفيذ ثلاثي المستويات:
1. المستوى 1 (مخاطر منخفضة): تنفيذ قياسي (مثل عمليات القراءة فقط).
2. المستوى 2 (مخاطر متوسطة): يتطلب سير عمل تأكيدي (تنفيذ على مرحلتين) قبل المتابعة.
3. المستوى 3 (مخاطر عالية): التنفيذ داخل حاوية Docker مع ضوابط صارمة للموارد والشبكة.
تكامل العميل: تقدم الورقة MCP-Gemini Agent، وهو عميل بلغة بايثون يدمج واجهة برمجة تطبيقات Google Gemini مع الجسر، موضحًا كيف يمكن للنماذج المملوكة (Proprietary LLMs) الاستفادة من النظام عبر استدعاءات أدوات مهيكلة.

ب. محاذاة النموذج: التعلم التعزيزي (RL)

لتمكين النماذج مفتوحة الأوزان من العمل كعملاء MCP موثوقين، قام المؤلفون بضبط نماذج Qwen3-4B و Qwen3-8B.

مجموعة البيانات: تم إجراء الضبط الدقيق باستخدام مجموعة بيانات Agent-Ark/Toucan-1.5M، مع تصفية أمثلة استخدام الأدوات خصيصًا.
إشارة المكافأة: يجمع هدف التعلم التعزيزي بين مكونين:
1. اختيار الأداة ( $r_{sel}$ ): يكافئ التحديد الصحيح للأداة (أو الأدوات) المطلوبة بناءً على الدقة (Precision)، والاستدعاء (Recall)، ومقياس F1 مقابل الحقيقة الأرضية (Ground Truth).
2. الامتثال للتنسيق ( $r_{fmt}$ ): يكافئ توليد هياكل JSON صالحة وقابلة للتحليل محاطة بوسوم محددة (مثل <tool call>...</tool call>).
خوارزميات التحسين: تمت مقارنة أربع تقنيات لتحسين السياسة:
- GRPO: تحسين السياسة النسبي للمجموعات.
- Dr. GRPO: نسخة تعالج اعتلالات التدريب.
- DAPO: تحسين السياسة ذو العينات الديناميكية والقص المزدوج.
- BNPO: تحسين السياسة بالمعايرة بيتا.

3. المساهمات الرئيسية

وسيط MCP Bridge: بنية مبتكرة تحل مشكلة "عنق زجاجة STDIO"، مما يتيح وظائف MCP على منصات الويب والجوال عبر واجهة برمجة تطبيقات REST موحدة.
إطار الأمان: نموذج تنفيذ حبيبي قائم على المخاطر يوازن بين سهولة الاستخدام والأمان من خلال سير عمل التأكيد وعزل Docker.
استراتيجية محاذاة النموذج: أثبتت أن النماذج الصغيرة مفتوحة الأوزان (4B/8B بارامتر) يمكن محاذاتها لتتفوق على النماذج المملوكة الأكبر حجمًا بكثير في مهام محددة لاستخدام الأدوات من خلال التعلم التعزيزي المستهدف.
المصدر المفتوح: تم إطلاق التنفيذ الكامل كمشروع مفتوح المصدر، مما يعزز التوافق التشغيلي في نظام الذكاء الاصطعي البيئي.

4. النتائج التجريبية

أداء النظام (MCP Bridge)

زمن الاستجابة (Latency): يضيف وسيط REST عبئًا ضئيلاً يتراوح بين 1.07 إلى 1.64 مللي ثانية مقارنة باتصال STDIO المستمر. والأهم من ذلك، أنه أسرع بمقدار 2.5 إلى 4.3 مرة من نموذج "الإنشاء لكل طلب" (per-spawn) الخاص بـ STDIO، وهو السيناريو الشائع لعملاء الويب.
الإنتاجية (Throughput): يتوسع النظام بفعالية، حيث يعالج أكثر من 900 طلب في الثانية مع 50 عميلًا متزامنًا ويحافظ على نسبة خطأ 0%.
استهلاك الموارد: يحافظ الوسيط على بصمة ذاكرة ضئيلة (~47 ميجابايت من الذاكرة المخصصة للعمليات - RSS) حتى تحت ضغط مستمر.

أداء النموذج (ضبط Qwen3)

تم التقييم على معيار MCPToolBench++ (300 عينة عبر 6 فئات):

Qwen3-8B + Dr. GRPO: حقق أفضل النتائج بـ درجة F1 بلغت 73.4% ودقة بلغت 69.7%.
Qwen3-4B + GRPO: حقق درجة F1 بلغت 67.4% ودقة بلغت 65.7%.
المقارنة:
- تفوق نموذج 8B Dr. GRPO على نموذج GPT-OSS-120B (الذي يمتلك 120 مليار بارامتر)، والذي سجل 62.17% في مقياس F1.
- حقق نموذج 8B دقة أعلى (69.7%) من خط الأساس 120B البالغ (58.7%) مع فترات ثقة غير متداخلة بنسبة 95%.
- بينما لا تزال النماذج الأكبر (مثل Llama-3.3-70B) تتصدر في الدرجات المطلقة، إلا أن نموذج 8B المحاذي بالتعلم التعزيزي يعد منافسًا قويًا للنماذج المتوسطة، مما يثبت أن التحسين المستهدف يسد الفجوة للنماذج الصغيرة.

5. الأهمية

يعالج هذا العمل فجوة حرجة في نشر وكلاء الذاء الاصطناعي. من خلال حل مشكلة طبقة النقل (عبر MCP Bridge) ومشكلة الامتثال للبروتوكول (عبر النماذج المحاذية بالتعلم التعزيزي)، يوفر المؤلفون مسارًا عمليًا لـ:

الذكاء الاصطناعي الطرفي والمحمول: تمكين تطبيقات الذكاء الاصطناعي المتطورة والمعززة بالأدوات على الأجهزة التي لا تستطيع تشغيل خوادم MCP محلية.
الأمان: توفير إطار عمل قوي لتنفيذ الأدوات الخارجية بأمان مع مستويات مخاطر متفاوتة.
الديمقراطية: إثبات إمكانية جعل النماذج الصغيرة مفتوحة الأوزان موثوقة للغاية لمهام استخدام الأدوات المعقدة، مما يقلل الاعتماد على النماذج الضخمة المملوكة لمهام الوكيل المحددة.

تخلص الورقة إلى أن MCP Bridge، جنباً إلى جنب مع النماذج المفتوحة المحاذية بالتعلم التعزيزي، يحول MCP من واجهة تطوير محلية إلى طبقة وصول للأدوات قابلة للنشر على نطاق واسع وعبر المنصات المختلفة.