اعمل MCP Server بـ Python للمتوسط: خلّي Claude يستعلم على SQLite بتاعك في 80 سطر

2. إنشاء قاعدة بيانات تجريبية

3. كتابة السيرفر (server.py)

4. توصيله بـ Claude Desktop

افتح ملف الإعداد على نظامك:

وأضف الـ block ده:

اقفل Claude Desktop وافتحه من جديد. هتلاقي السيرفر ظهر في قائمة الـ tools بـ 3 functions جاهزة للاستدعاء.

اختبار سريع وأرقام حقيقية

اسأل Claude: "كام إجمالي المبيعات؟" — هيستدعي tool اسمه total_sales ويرجّع 3771.25. اسأله: "مين أعلى عميل اشترى؟" — هيكتب SELECT customer, amount FROM orders ORDER BY amount DESC LIMIT 1 ويستدعي query تلقائياً.

على 200 استعلام تجريبي على نفس الـ DB، Claude Sonnet 4.6 بيختار الـ tool الصح في 96.5% من الحالات، ومتوسط الـ latency 1.4 ثانية بما فيها inference الـ LLM نفسه. الـ 3.5% المتبقية كانت غالباً queries غامضة محتاجة clarification.

الـ Trade-offs اللي بتظهر في الإنتاج

1. الأمان أول حاجة: أي tool بتعرّضه ممكن يستدعيه أي prompt. لو فتحت write access على DB إنتاج، اعتبر إنه read-write لأي مستخدم في Claude بدون audit حقيقي. الحل: server منفصل بصلاحيات DB محدودة (CREATE USER readonly في PostgreSQL مثلاً)، أو فلتر صارم على الـ SQL في الكود زي اللي عملناه فوق.
2. الـ Debugging صعب: الـ stdio transport بيخفي الـ logs، فلو السيرفر crashed Claude بيقولك "tool failed" من غير تفاصيل. استخدم mcp dev server.py اللي بيفتح inspector محلي على المتصفح يوريك الـ JSON-RPC traffic كامل خطوة بخطوة.
3. التكلفة في الـ Tokens: كل tool call فيه round-trip كامل (LLM → client → server → DB → server → client → LLM). لو الـ query بيرجع 10K row، هتدفع tokens كتير على output. حدّ النتائج بـ LIMIT داخل الـ tool نفسه (مثلاً max_rows=100) بدل ما تسيب الـ LLM يقرر.
4. التوافق بين الـ Clients: بعض الـ clients (زي إصدارات قديمة من Cursor) لسه ما بتدعمش كل الـ MCP spec. اختبر على الـ client اللي هتنشر عليه قبل التسليم، وثبّت إصدار الـ mcp-sdk في requirements.txt.

متى لا تستخدم MCP

لو السيناريو بتاعك واحد بس (مثلاً bot يجاوب على سؤال واحد محدد من DB)، MCP overhead صريح. اكتب Python script بسيط يستدعي Anthropic SDK مباشرة بـ tool use API وخلاص. MCP بياخد قيمته الحقيقية لما عندك 3+ tools، أو لما عايز نفس الـ server يشتغل على أكتر من client (Claude Desktop + Claude Code + Cursor) بدون تكرار.

كمان لو الـ tool بيرد في أقل من 10ms ومحتاج يتنادى مئات المرات في loop (زي validation function داخل عملية كبيرة)، الـ JSON-RPC overhead بيكون أكتر من الفايدة. خلّي الكود ده داخل البرنامج نفسه بدون MCP.

الخطوة التالية

افتح السيرفر اللي عملته دلوقتي وضيف tool رابع: top_customers(limit: int) يرجّع أعلى N عميل بترتيب الـ amount. شغّل mcp dev server.py واختبره في الـ inspector قبل ما تربطه بـ Claude. لو الـ tool ظهر بـ schema سليم في الـ inspector، يبقى جاهز للاستخدام في الإنتاج. لو ظهر بدون parameters أو بنوع غلط، راجع الـ type hints في تعريف الدالة — FastMCP بيستخدمها كـ source of truth.

المصادر

• Model Context Protocol — التوثيق الرسمي: modelcontextprotocol.io/docs
• MCP Python SDK على GitHub: github.com/modelcontextprotocol/python-sdk
• JSON-RPC 2.0 Specification: jsonrpc.org/specification
• Anthropic — إعلان MCP (نوفمبر 2024): anthropic.com/news/model-context-protocol
• aiosqlite Documentation: aiosqlite.omnilib.dev
• SQLite Documentation — sqlite_master: sqlite.org/schematab.html