MCP مقابل API: متى تستخدم MCP أو HTTP مباشرة

عند ربط وكيل ذكاء اصطناعي بأدوات وواجهات API خارجية، يوجد نهجان عامان: استخدام Model Context Protocol (MCP) كطبقة تجريد، أو استدعاء API مباشرة عبر HTTP. كلاهما يعمل. لكنهما يقدمان مقايضات مختلفة في المرونة والتعقيد والأداء وقابلية النقل.

تقارن هذه المقالة بين النهجين باستخدام أمثلة كود ملموسة، وتحليل زمن الاستجابة، وإطار قرار لاختيار النهج المناسب.

النهجان

التكامل المباشر عبر HTTP

يستدعي تطبيق الذكاء الاصطناعي (أو الواجهة الخلفية الخاصة به) واجهات API الخارجية مباشرة باستخدام طلبات HTTP قياسية. يكتب المطور الكود لإنشاء الطلبات، ومعالجة المصادقة، وتحليل الردود، وإعادة النتائج إلى LLM.

┌──────────┐     ┌──────────────┐                        ┌─────────────┐
│ المستخدم │────▶│ تطبيق AI     │──── طلب HTTP ─────────▶│ Weather API │
└──────────┘     │              │◀─── رد JSON ───────────│             │
                 │              │                        └─────────────┘
                 │              │── النتيجة كسياق ──────▶ LLM
                 │              │◀── إجابة منسقة ───────
                 └──────┬───────┘
                        │
                        ▼
                  يحصل المستخدم على الإجابة

التكامل عبر MCP

يتصل تطبيق الذكاء الاصطناعي بخادم MCP يغلّف واجهة API الخارجية. يستخدم التطبيق بروتوكول MCP لاكتشاف الأدوات المتاحة، واستدعائها بالاسم، واستلام النتائج. يتولى خادم MCP إجراء استدعاءات HTTP الفعلية إلى واجهة API الخارجية.

┌──────────┐     ┌─────────────────────┐              ┌────────────┐     ┌──────────┐
│ المستخدم │────▶│ تطبيق AI/عميل MCP   │── JSON-RPC ─▶│ خادم MCP   │────▶│ HTTP API │
└──────────┘     │                     │◀─ JSON-RPC ──│            │◀────│          │
                 │                     │              └────────────┘     └──────────┘
                 │                     │── النتيجة كسياق ──▶ LLM
                 │                     │◀── إجابة منسقة ───
                 └──────────┬──────────┘
                            │
                            ▼
                      يحصل المستخدم على الإجابة

الفرق الأساسي: في HTTP المباشر، يمتلك تطبيق الذكاء الاصطناعي كود التكامل مع API. في MCP، يمتلك خادم MCP هذا الكود، ويستدعي تطبيق الذكاء الاصطناعي الأدوات بالاسم فقط.

يمكنك الحصول على جانب MCP من هذا المخطط من دون بناء الخادم: تستضيف Quickchat AI خادم MCP عبر streamable-HTTP لكل AI Agent، وتحويل وكيلك إلى خادم MCP لا يتطلب إلا لصق عنوان URL واحد في تطبيق الذكاء الاصطناعي.

مقارنة الكود

لنقارن النهجين باستخدام مثال عملي: جلب مستودعات مستخدم GitHub.

التكامل المباشر عبر HTTP

import httpx

async def get_user_repos(username: str, token: str) -> list[dict]:
    """جلب مستودعات مستخدم GitHub."""
    async with httpx.AsyncClient() as client:
        response = await client.get(
            f"https://api.github.com/users/{username}/repos",
            headers={
                "Authorization": f"Bearer {token}",
                "Accept": "application/vnd.github.v3+json",
                "X-GitHub-Api-Version": "2022-11-28"
            },
            params={"sort": "updated", "per_page": 10}
        )
        response.raise_for_status()
        repos = response.json()
        return [
            {
                "name": r["name"],
                "description": r["description"],
                "stars": r["stargazers_count"],
                "language": r["language"],
                "url": r["html_url"]
            }
            for r in repos
        ]

لدمج هذا مع LLM، تحتاج أيضًا إلى:

• تعريف أداة بأي صيغة يتوقعها LLM (مخطط OpenAI لاستدعاء الدوال، مخطط استخدام الأدوات في Claude، وغير ذلك)
• كود لتحليل استدعاء الأداة الصادر من LLM، واستدعاء get_user_repos، وحقن النتيجة مرة أخرى في المحادثة
• معالجة أخطاء فشل HTTP، وحدود المعدل، وانتهاء صلاحية المصادقة

خادم MCP

from mcp.server.fastmcp import FastMCP
import httpx

mcp = FastMCP("github-server")

GITHUB_TOKEN = os.environ["GITHUB_TOKEN"]

@mcp.tool()
async def get_user_repos(username: str) -> str:
    """جلب أحدث 10 مستودعات تم تحديثها لمستخدم GitHub.

    Args:
        username: اسم مستخدم GitHub المراد البحث عنه
    """
    async with httpx.AsyncClient() as client:
        response = await client.get(
            f"https://api.github.com/users/{username}/repos",
            headers={
                "Authorization": f"Bearer {GITHUB_TOKEN}",
                "Accept": "application/vnd.github.v3+json",
                "X-GitHub-Api-Version": "2022-11-28"
            },
            params={"sort": "updated", "per_page": 10}
        )
        response.raise_for_status()
        repos = response.json()
        lines = []
        for r in repos:
            stars = r["stargazers_count"]
            lang = r["language"] or "غير معروف"
            lines.append(f"- {r['name']} ({lang}, {stars} نجوم): {r['description'] or 'لا يوجد وصف'}")
        return "\n".join(lines)

if __name__ == "__main__":
    mcp.run(transport="stdio")

تغلف نسخة MCP استدعاء API والمصادقة وتنسيق الرد داخل الخادم. يمكن لأي عميل متوافق مع MCP استخدام هذه الأداة من دون معرفة أي شيء عن GitHub API.

ما الذي يتغير في تطبيق الذكاء الاصطناعي

مقارنة الأداء

يضيف MCP طبقة بين تطبيق الذكاء الاصطناعي وواجهة API الخارجية. لهذه الطبقة تكلفة.

زمن الاستجابة

بالنسبة إلى نقل stdio (خوادم MCP المحلية)، يكون الحمل الإضافي ضئيلًا: تشغيل العملية عند البدء (مرة واحدة، عادة أقل من 100ms) والاتصال بين العمليات لكل رسالة (أقل من مللي ثانية في الأنظمة الحديثة). عمليًا، يهيمن استدعاء API الخارجي على إجمالي زمن الاستجابة.

بالنسبة إلى خوادم MCP البعيدة (Streamable HTTP أو SSE)، تضيف رحلة HTTP ذهابًا وإيابًا واحدة بين العميل وخادم MCP، إضافة إلى رحلة HTTP ذهابًا وإيابًا من خادم MCP إلى واجهة API الخارجية. إذا كان خادم MCP وواجهة API الخارجية في الموقع نفسه، يكون هذا الحمل الإضافي صغيرًا (بضعة مللي ثوان). إذا كانا في مناطق مختلفة، فإنه يتراكم. مع ذلك، نادرًا ما يكون النقل هو ما يشعر به المستخدم: أثناء بناء وكيل مركز مساعدة على خادم MCP المستضاف لدى Notion، كان متوسط 248 استدعاء أداة 2.7 ثانية لكل منها، وكان معظم الزمن تقريبًا في بحث Notion وعرض الصفحات وليس في القفزة بينهما.

في معظم حالات استخدام وكلاء الذكاء الاصطناعي، حيث يستغرق استدلال LLM من 500ms إلى 5s، يكون حمل MCP الإضافي مهملًا.

إدارة الاتصالات

HTTP المباشر: يدير تطبيقك الاتصالات بكل واجهة API خارجية. يعني ذلك التعامل مع مجمعات الاتصالات، ومنطق إعادة المحاولة، وحدود المعدل لكل API.

MCP: يدير تطبيقك اتصالًا واحدًا لكل خادم MCP. يدير الخادم الاتصال بواجهة API الخارجية. إذا كانت لديك 10 أدوات موزعة على 3 خوادم MCP، فأنت تدير 3 اتصالات بدلًا من 10.

متى تستخدم MCP

تكاملات أدوات متعددة

إذا كان تطبيق الذكاء الاصطناعي لديك يحتاج إلى الاتصال بأكثر من 5 خدمات خارجية، يقلل MCP عبء التكامل. بدلًا من كتابة عملاء API مخصصين وصيانتهم لكل خدمة، تتصل بخوادم MCP (يتوفر كثير منها كمشاريع مفتوحة المصدر).

قابلية النقل بين منصات الذكاء الاصطناعي

إذا بنيت خوادم MCP لأدواتك، فستعمل هذه الخوادم مع أي عميل MCP: Claude Desktop وCursor وWindsurf والتطبيقات المخصصة ومنصات مثل Quickchat AI. مع HTTP المباشر، ستحتاج إلى إعادة تنفيذ تعريفات الأدوات لصيغة كل منصة.

الاكتشاف الديناميكي للأدوات

يدعم MCP اكتشاف الأدوات في وقت التشغيل من خلال tools/list. يمكن لتطبيق ذكاء اصطناعي الاتصال بخادم ومعرفة الأدوات المتاحة من دون أي إعدادات ثابتة مسبقة في الكود. يكون ذلك مفيدًا في السيناريوهات التي تتغير فيها الأدوات كثيرًا أو تكون قابلة للتهيئة من المستخدم.

فصل المسؤوليات

إذا كانت فرق مختلفة تمتلك أدوات مختلفة، يوفر MCP حدًا واضحًا. يبني الفريق الذي يمتلك تكامل Salesforce خادم MCP الخاص بـ Salesforce ويصونه. يتصل به فريق تطبيق الذكاء الاصطناعي من دون الحاجة إلى فهم API الخاص بـ Salesforce. تُعالج تحديثات Salesforce API في خادم MCP من دون لمس تطبيق الذكاء الاصطناعي.

متى تستخدم HTTP المباشر

تكامل واحد أو اثنان

إذا كان وكيل الذكاء الاصطناعي لديك يحتاج فقط إلى استدعاء API واحد (مثل البحث في قاعدة بيانات)، فإن عبء تشغيل خادم MCP غير ضروري. استدعاء HTTP مباشر أبسط ويحتوي على أجزاء متحركة أقل.

كما أنك لا تحتاج إلى كتابة الطلب يدويًا. يقرأ منشئ API Action باللغة الإنجليزية البسيطة واجهة REST API موثقة، وينشئ الطريقة وعنوان URL والمعلمات والوصف، ثم يتيح لك اختبار الرد الحقيقي قبل تفعيله.

أقصى تحكم في الطلبات

تجرد خوادم MCP تفاصيل HTTP. إذا كنت تحتاج إلى تحكم دقيق في إنشاء الطلب (رؤوس محددة، أو معلمات استعلام، أو توقيع الطلبات، أو مصادقة غير قياسية)، يمنحك HTTP المباشر هذا التحكم من دون مقاومة طبقة تجريد.

عمليات حساسة لزمن الاستجابة

إذا كانت كل مللي ثانية مهمة (مثل وكلاء الصوت في الوقت الفعلي حيث يجب أن تكتمل استدعاءات الأدوات ضمن ميزانيات زمنية صارمة)، فإن إزالة طبقة MCP تلغي قفزة واحدة.

استدعاءات HTTP غير مرتبطة بالذكاء الاصطناعي

إذا لم يكن استدعاء HTTP مشغلًا بواسطة وكيل ذكاء اصطناعي (مثل مهمة cron في الواجهة الخلفية تزامن البيانات)، فإن MCP غير ذي صلة. صُمم MCP تحديدًا للاتصال بين الذكاء الاصطناعي والأدوات. يجب أن تستخدم خدمات الواجهة الخلفية العادية عملاء HTTP عاديين.

نهج هجين

تستخدم كثير من أنظمة الإنتاج كليهما. النمط:

• MCP لتكاملات الأدوات التي يستدعيها وكيل الذكاء الاصطناعي أثناء المحادثات (عمليات بحث CRM، إنشاء التذاكر، استعلامات Knowledge Base)
• HTTP المباشر لعمليات الواجهة الخلفية الداخلية، والويب هوك، والاتصال بين الأنظمة

هكذا تعمل Quickchat AI داخليًا. تدعم المنصة كلًا من HTTP Request Actions (استدعاءات API مباشرة مع قوالب للمعلمات) وRemote MCP Actions (اتصالات بخوادم MCP خارجية). تختار النهج المناسب لكل تكامل:

للحصول على مقارنة تفصيلية لكيفية عمل ذلك عمليًا، بما في ذلك الفروق بين GPT Actions من OpenAI وMCP، راجع GPT Actions مقابل MCP.

إطار القرار

استخدم مخطط التدفق هذا للاختيار:

1. هل يستدعي وكيل الذكاء الاصطناعي الأداة؟ إذا كانت الإجابة لا (إنها عملية في الواجهة الخلفية)، فاستخدم HTTP المباشر.
2. كم عدد الأدوات الخارجية التي تحتاج إليها؟ إذا كانت 1-2، فإن HTTP المباشر أبسط. إذا كانت 3+، ففكر في MCP.
3. هل يوجد خادم MCP جاهز للخدمة؟ إذا كانت الإجابة نعم، فإن استخدامه يوفر وقت التطوير.
4. هل تحتاج إلى أن يعمل التكامل عبر عدة منصات ذكاء اصطناعي؟ إذا كانت الإجابة نعم، يوفر MCP قابلية النقل.
5. هل زمن الاستجابة حرج (ميزانية أقل من 100ms لاستدعاءات الأدوات)؟ إذا كانت الإجابة نعم، فقِس حمل MCP الإضافي وقرر بناءً على ذلك.
6. هل تمتلك فرق مختلفة تكاملات مختلفة؟ إذا كانت الإجابة نعم، فإن نموذج خادم لكل تكامل في MCP يساعد في حدود الملكية.

عمليًا، إذا كنت تبني وكيل ذكاء اصطناعي يحتاج إلى التفاعل مع خدمات خارجية، أصبح MCP الخيار الافتراضي بشكل متزايد. منظومة الخوادم الجاهزة كبيرة بما يكفي بحيث يمكنك غالبًا البدء من دون كتابة أي كود خادم على الإطلاق.

قراءة إضافية

• ربط AI Agent بخادم MCP بعيد: منح وكيلك أدوات مباشرة، خطوة بخطوة
• كيف يعمل Model Context Protocol. شرح MCP: مقدمة إلى MCP
• GPT Actions مقابل MCP: مقارنة مع نهج OpenAI
• مواصفة MCP: المواصفة الرسمية للبروتوكول
• HubSpot AI Actions: مثال على إجراءات ذكاء اصطناعي مبنية على HTTP عمليًا
• حادثة OpenAI وHugging Face، ما الذي حدث فعلًا: شرح الحادثة خطوة بخطوة، وما يعنيه الاختراق فعليًا