#מטבעות_קריפטוגרפיים#cryptohopper#MCP+עוד 2

אם התנסיתם בכלים מבוססי בינה מלאכותית בשנה האחרונה, בוודאי שמעתם את ראשי התיבות MCP — Model Context Protocol. הוא נמצא בכל מקום: Claude של Anthropic מגיע איתו, Codex של OpenAI תומך בו, Cursor ו-VS Code שילבו אותו במצבי הסוכן שלהם, ועשרות ספקי נתונים — כולל CryptoBot — השיקו שרתים תומכי MCP.

עבור סוחרי קריפטו, זה חשוב יותר ממה שנראה במבט ראשון. MCP הוא התשתית שמאפשרת סוף סוף לסוכן בינה מלאכותית לבחון נתוני שוק בזמן אמת, להסיק מסקנות עליהם בשפה טבעית ולפעול על פיהם מבלי שתצטרכו לחבר חמישה ממשקי API בעצמכם.

מאמר זה מסביר מהו MCP, מהיכן הוא הגיע, כיצד הוא שונה מ-REST API רגיל, ומדוע הוא משמעותי יותר עבור תחום הקריפטו מאשר כמעט כל ענף אחר.

לכל מודל שפה גדול יש אותה נקודת תורפה: הוא יודע רק את מה שהיה בנתוני האימון שלו. שאלו את ChatGPT מה המחיר הנוכחי של ביטקוין, והוא או שימציא מספר באקראי או שיסרב בנימוס. שאלו אותו איזה צמד ב-Binance מציג כרגע נפח מסחר חריג, ולא תגיעו לשום מקום — למודל פשוט אין דרך לבדוק זאת.

הפתרון הברור הוא לתת למודל גישה לכלים. אם הוא יכול לקרוא ל-get_ticker(“binance”, “BTC/USDT”), פתאום הוא יכול לענות על שאלות בזמן אמת. זה מה שקריאת פונקציות ותוספים ניסו לעשות, אך כל ספק פיתח גרסה משלו: ל-OpenAI היה פורמט אחד, ל-Anthropic היה אחר, ול-Google היה שלישי. בכל פעם שרצית לחבר את אותו מקור נתונים למודל חדש או ל-IDE חדש, היית צריך לכתוב עטיפה חדשה. זה היה בלגן.

MCP הוא התקן ששם קץ לכתיבת העטיפות. הוא הוצג על ידי Anthropic בסוף 2024 ואומץ במהירות בכל הענף, והוא מגדיר פרוטוקול יחיד ופתוח לאופן שבו סוכן בינה מלאכותית מתקשר עם כלי חיצוני או מקור נתונים. כתוב את השרת פעם אחת, וכל לקוח תואם MCP — Claude, Cursor, VS Code, Zed, Gemini CLI, Codex, n8n וכל מה שיבוא אחריהם — יוכל להשתמש בו.

MCP הוא פרוטוקול קטן ופתוח המאפשר למודל בינה מלאכותית לבקש ממערכת חיצונית מידע או לבצע פעולה. חשבו עליו כעל USB-C לכלי בינה מלאכותית. המודל הוא המחשב הנייד, שרת ה-MCP הוא המכשיר, והפרוטוקול הוא הכבל שמאפשר לכל מחשב נייד לתקשר עם כל מכשיר ללא מנהלי התקנים מותאמים אישית.

שרת MCP חושף שלושה סוגים של דברים:

כשאתם מתקינים שרת MCP בלקוח שלכם, הלקוח מגלה אילו כלים ומשאבים זמינים, מציג אותם למודל, ואז — בכל פעם שהמודל מחליט שהוא זקוק לאחד מהם — מבצע את הקריאה, ממתין לתגובה, ומזין את התוצאה חזרה לשיחה.