یادگیری MCP، تسلط بر ژاپنی: با Genki_MCP آشنا شوید

من حدود دو سال است که زبان ژاپنی را یاد می‌گیرم و این یک تجربه فوق‌العاده ارزشمند بوده است که پر از هیجان و چالش بوده است. با این حال، یک سفر سه هفته‌ای به ژاپن، غرق شدن در مکالمات روزمره با مردم محلی، واقعاً چشمان من را به این باز کرد که چگونه تعاملات عملی و واقعی در زندگی می‌توانند به سرعت یادگیری زبان را تسریع کنند. این مواجهه مختصر باعث شد که دو سال مطالعه من از طریق Duolingo و کتاب درسی Genki در مقایسه محدود به نظر برسد.

وقتی به خانه برگشتم، کلاس‌های آنلاین زنده را به عنوان راهی برای ادامه این تجربه غوطه‌وری بررسی کردم، اما هزینه‌های بالا به سرعت به یک مانع تبدیل شد. مصمم به یافتن یک راه حل مقرون به صرفه و بسیار قابل تنظیم، تصمیم گرفتم اشتیاق خود را به یادگیری زبان با علاقه خود به هوش مصنوعی ترکیب کنم. من به ویژه مجذوب پروتکل متن مدل (MCP) از Anthropic شدم، سیستمی که برای تعامل یکپارچه بین مدل‌های هوش مصنوعی و ابزارها طراحی شده است. من تصور می‌کردم که در آینده چیزی کاربردی ایجاد کنم، یک معلم خصوصی ژاپنی مبتنی بر هوش مصنوعی که به طور منحصر به فردی متناسب با سبک و اهداف یادگیری کاربر باشد.

هدف Genki_MCP تجهیز آن عامل هوش مصنوعی با ابزارهای مناسب است و به طور پیوسته جامعه طرفداران انیمه را که می‌توانند با اطمینان زیرنویس‌ها را کنار بگذارند، گسترش دهد.

MCP را به عنوان USB-C تعاملات نرم‌افزاری در نظر بگیرید. درست مانند یک کابل USB-C که به شما امکان می‌دهد دستگاه‌ها را بدون زحمت به هم وصل کنید، MCP اتصال و تبادل اطلاعات بین برنامه‌های هوش مصنوعی و ابزارها را بدون اصطکاک آسان می‌کند. این استانداردسازی به این معنی است که توسعه دهندگان می‌توانند ابزارهای مدولار ایجاد کنند که برنامه‌های هوش مصنوعی می‌توانند به طور خودکار کشف کرده و از آنها استفاده کنند، و تعاملات متنوع‌تر و غنی‌تر از متن را امکان‌پذیر می‌کند.

MCP به شما کمک می‌کند تا عوامل و گردش‌های کاری پیچیده را در بالای برنامه‌های LLM بسازید. برنامه‌های LLM اغلب نیاز به ادغام با داده‌ها و ابزارها دارند و MCP موارد زیر را فراهم می‌کند:

• لیست رو به رشدی از ادغام‌های از پیش ساخته شده که LLM شما می‌تواند مستقیماً به آنها متصل شود
• انعطاف‌پذیری برای جابجایی بین ارائه دهندگان و فروشندگان LLM
• بهترین شیوه‌ها برای ایمن‌سازی داده‌های خود در زیرساخت خود

برخی از اجزای رایج در یک سیستم MCP عبارتند از:

• MCP Hosts: برنامه‌هایی مانند Claude Desktop، IDEها یا ابزارهای هوش مصنوعی که می‌خواهند از طریق MCP به داده‌ها دسترسی داشته باشند
• MCP Clients: کلاینت‌های پروتکل که اتصالات 1:1 را با سرورها حفظ می‌کنند
• MCP Servers: برنامه‌های سبک وزن که هر کدام قابلیت‌های خاصی را از طریق پروتکل متن مدل استاندارد شده در معرض نمایش قرار می‌دهند
• Local Data Sources: فایل‌ها، پایگاه‌های داده و سرویس‌های رایانه شما که سرورهای MCP می‌توانند به طور ایمن به آنها دسترسی داشته باشند
• Remote Services: سیستم‌های خارجی موجود در اینترنت (به عنوان مثال، از طریق API) که سرورهای MCP می‌توانند به آنها متصل شوند

Genki_MCP یک سرور MCP است که من بر اساس فصل‌های مکالمه کتاب درسی ژاپنی Genki، منبع اصلی در میان زبان‌آموزان ژاپنی، ساخته‌ام. این سرور داده‌های ساختاریافته‌ای مانند فصل‌ها، درس‌ها و حتی محتوای سطح صفحه را ارائه می‌دهد که یک عامل زبان هوش مصنوعی می‌تواند از آن برای ایجاد تجربیات یادگیری زبان تعاملی متناسب استفاده کند.

Genki_MCP به جای کدگذاری سخت محتوا، درس‌ها و جزئیات متنی را به طور مرتب سازماندهی می‌کند و دسترسی به آنها را آسان می‌کند. این در اصل یک دستیار دیجیتالی است که به عامل معلم خصوصی هوش مصنوعی من کمک می‌کند تا دقیقاً بفهمد چه محتوایی را بر اساس نیازهای یادگیری من ارائه دهد.

Genki_MCP شامل فراداده‌های ساختاریافته و محتوای مکالمه استخراج شده از کتاب درسی Genki است. نحوه سازماندهی آن به شرح زیر است:

• فصل‌ها و درس‌ها: هر فصل دارای فراداده‌های واضحی مانند عناوین، خلاصه‌ها و محدوده‌های صفحه است. درس‌های موجود در هر فصل نیز به طور مشابه با جزئیات شرح داده شده‌اند.
• MCP Server: این سرور داده‌های ساختاریافته را در معرض نمایش قرار می‌دهد و به عوامل هوش مصنوعی اجازه می‌دهد تا درس‌ها، فصل‌ها یا حتی جستجوی محتوای مرتبط با پرسش‌های خاص را درخواست کنند.
• ابزارهای تعاملی: ابزارهای مختلف امکان فهرست کردن فصل‌ها و درس‌ها، واکشی محتوای درس ساختاریافته و نگاشت پرسش‌های کاربر به درس‌های مرتبط را فراهم می‌کنند.

بیایید برخی از ابزارهای برجسته را بررسی کنیم:

• get_genki_chapter(chapter_number: str): بازیابی متن تجزیه و ساختاریافته از یک فصل کتاب درسی Genki.
• list_genki_chapters(): فهرست کردن تمام فصل‌های Genki موجود با فراداده‌ها (شماره، عنوان، توضیحات، محدوده صفحه).
• get_chapter_based_on_user_request(chapter_number: str): بازیابی یک فصل بر اساس درخواست یادگیری کاربر (نگاشت موضوعات به فصل‌ها).
• get_genki_lesson(lesson_key: str): بازیابی متن تجزیه و ساختاریافته از یک درس خاص Genki در یک فصل.
• list_genki_lessons_for_chapter(chapter_idx: str): فهرست کردن تمام درس‌های یک فصل معین با فراداده‌ها (کلید درس، عنوان، توضیحات، محدوده صفحه).
• list_genki_lessons(): فهرست کردن تمام درس‌های Genki موجود در تمام فصل‌ها با فراداده‌ها.
• find_relevant_lessons_prompt(query: str): (Prompt) با توجه به پرسش کاربر، فهرستی از lesson_keys از درس‌های Genki را که مربوط به درخواست کاربر هستند (برای استفاده در ادغام‌های LLM/bot) برمی‌گرداند.

این ابزارها Genki_MCP را به یک ستون فقرات انعطاف‌پذیر برای یک عامل یادگیری زبان تعاملی تبدیل می‌کنند.

هیجان واقعی زمانی آغاز می‌شود که Genki_MCP به یک معلم خصوصی زبان هوش مصنوعی مبتنی بر صدا نیرو می‌دهد. تصور کنید که به سادگی با معلم خصوصی هوش مصنوعی خود در مورد آنچه می‌خواهید تمرین کنید یا کاوش کنید صحبت می‌کنید، شاید شمارش اشیاء، شرکت در مکالمات غیررسمی یا پرداختن به نکات دستوری خاص. عامل هوش مصنوعی به سرعت محتوای ساختاریافته Genki_MCP را جستجو می‌کند، آن را با منابع تکمیلی از اینترنت ترکیب می‌کند و یک جلسه صوتی جذاب و تعاملی متناسب با نیازهای شما ایجاد می‌کند.

با ارائه ابزار توسط Genki_MCP، معلم خصوصی هوش مصنوعی به طور پویا جلسات را با توانایی‌های در حال بهبود شما تطبیق می‌دهد و اطمینان می‌دهد که هر درس مرتبط، جذاب، مؤثر و مبتنی بر نظریه ژاپنی اثبات شده و مورد اعتماد است. به عنوان مثال، اگر بپرسید: "بیایید شمارش اشیاء را به زبان ژاپنی تمرین کنیم"، هوش مصنوعی فوراً درس‌های مناسب را از Genki شناسایی می‌کند، تمرین‌های تعاملی را تنظیم می‌کند و شما را به طور یکپارچه در فرآیند یادگیری راهنمایی می‌کند.

راه‌اندازی و اجرای Genki_MCP سریع و آسان است:

1. کپی‌برداری از مخزن:

git clone <repo-url> cd genki_mcp

2. نصب uv:

• macOS

brew install uv

• Ubuntu:

curl -Ls https://astral.sh/uv/install.sh | sh

3. نصب وابستگی‌ها:

uv pip sync

4. تنظیم متغیرهای محیطی:

• کپی .env.example به .env و اضافه کردن کلید API OpenAI خود (برای برخی از ویژگی‌ها ضروری است).

5. اجرای سرور

uv pip sync
uv run main.py

تمام شد! سرور MCP شما آماده ارائه داده‌های درس ساختاریافته برای عامل هوش مصنوعی شما است.

در حال حاضر، Genki_MCP عمدتاً فصل‌های مکالمه را پوشش می‌دهد و به اجزای خواندن و نوشتن نمی‌پردازد. برای گسترش سودمندی آن، تکرارهای بعدی محتوای اضافی مانند توضیحات دستوری دقیق و بینش در مورد فرهنگ ژاپنی را شامل می‌شود.

یکی دیگر از شکاف‌های مهم این است که Genki_MCP در حال حاضر فاقد یک مکانیسم پویا برای درک قصد کاربر و شناسایی مناسب‌ترین درس‌ها است، به خصوص که بسیاری از کاربران ممکن است با کتاب درسی Genki آشنا نباشند. برای رفع این مشکل، یکی از پیشرفت‌های کلیدی، پیاده‌سازی یک ابزار طبقه‌بندی پرسش‌های کاربر خواهد بود. این ابزار می‌تواند از یک رویکرد طبقه‌بندی مبتنی بر LLM استفاده کند و تمام 156 درس را در prompts ارائه دهد تا به طور قابل اعتمادی درس‌های مرتبط را ثبت کند، حتی اگر طبقه‌بندی کاملاً دقیق نباشد و منجر به برخی از مثبت‌های کاذب شود، هدف اصلی دستیابی به یادآوری بالا است. این اطمینان حاصل می‌کند که تمام درس‌های بالقوه مرتبط به همراه مقداری نویز اضافی که مدل هوش مصنوعی می‌تواند به راحتی فیلتر کند، به معلم خصوصی هوش مصنوعی ارائه می‌شوند. از طرف دیگر، ما می‌توانیم یک سیستم مبتنی بر بازیابی ایجاد کنیم که پرسش‌های کاربر را با محتوای درس از طریق شباهت معنایی مطابقت دهد و اطمینان حاصل کند که کاربران به سرعت به مطالبی که دقیقاً به آن نیاز دارند دسترسی پیدا می‌کنند.

به همین دلیل، یکی از مراحل بعدی، پیاده‌سازی ابزاری است که بتواند بهترین درس‌ها را بر اساس پرسش کاربر طبقه‌بندی کند. این کار را می‌توان با طبقه‌بندی مبتنی بر LLM انجام داد که تمام 156 درس را در prompt ارائه می‌دهد (حتی اگر تا حدودی دقیق باشد و دارای برخی مثبت‌های کاذب باشد، ما فقط به طبقه‌بندی‌ها نیاز داریم تا به اندازه کافی یادآوری بالا باشند تا بتوانیم تمام اسناد مرتبط و مقداری نویز را به LLM ارائه دهیم و LLM می‌تواند صفحات نامربوط را نادیده بگیرد). یا می‌توانیم یک سیستم مبتنی بر بازیابی را پیاده‌سازی کنیم که بتواند بهترین درس‌ها را با استفاده از شباهت معنایی با پرسش کاربر بازیابی کند.

ساخت Genki_MCP یک تقاطع ارزشمند از اشتیاق من به یادگیری زبان و هوش مصنوعی بوده است. این یک راه عملی و سرگرم کننده برای ارتقای مطالعات ژاپنی است و من واقعاً در مورد احتمالات پیش رو هیجان زده هستم. اگر شما یک توسعه دهنده، علاقه مند به زبان یا کنجکاو در مورد هوش مصنوعی هستید، از شما دعوت می‌کنم مخزن GitHub را بررسی کنید و شاید همراه آموزشی خود را بسازید.

زیرا وقتی کنجکاوی با خلاقیت روبرو می‌شود، اتفاقات فوق‌العاده‌ای می‌تواند رخ دهد

امیدوارم این مقدمه را مفید یافته باشید و تشویق شوید که Genki_MCP را امتحان کنید و سفر یادگیری ژاپنی خود را آغاز کنید :)!

منابع

• https://github.com/modelcontextprotocol
• https://modelcontextprotocol.io/introduction
• https://github.com/minh-hoque/genki_mcp