خادم دمبلينج AI MCP

ماذا يفعل خادم “دمبلينج AI” MCP؟

يعمل خادم دمبلينج AI MCP (بروتوكول سياق النموذج) كجسر بين مساعدي الذكاء الاصطناعي ومجموعة واسعة من مصادر البيانات الخارجية وواجهات برمجة التطبيقات وأدوات المطورين. تم تصميمه خصيصًا لتعزيز سير عمل التطوير المدعوم بالذكاء الاصطناعي عبر تمكين قدرات مثل استخلاص البيانات، ومعالجة المحتوى، وإدارة المعرفة مع تكامل سلس مع خدمات دمبلينج AI. وبفضل ميزات تشغيل الشيفرات البرمجية الآمنة، واستخلاص المعلومات من مستندات متنوعة، والتفاعل مع واجهات برمجة التطبيقات لمصادر مثل YouTube، والخرائط، والأخبار، وغيرها، يمكّن خادم دمبلينج AI MCP العملاء من تنفيذ مهام تشمل استخلاص بيانات الويب، وتحويل الملفات، واستخلاص البيانات الغنية، وإدارة قواعد المعرفة المؤتمتة. هذه القابلية للتوسعة تجعله أداة فعالة لأتمتة وتوسيع سير عمل المطورين والباحثين الروتيني.

قائمة القوالب

لا توجد قوالب جاهزة موثقة في المستودع.

قائمة الموارد

لا توجد موارد MCP موثقة صراحة في المستودع.

قائمة الأدوات

• get-youtube-transcript: يجلب نصًا مكتوبًا من فيديو YouTube محدد، مما يتيح لنماذج اللغة الوصول إلى محتوى الفيديو كنص.
• (من المرجح وجود العديد من الأدوات الأخرى للاستخلاص، والبحث، والإكمال التلقائي، وتحويل المستندات، والمزيد، لكن فقط get-youtube-transcript مذكورة مباشرة في ملف README.)

حالات الاستخدام لهذا الخادم MCP

• تحليل فيديوهات YouTube: استرجاع وتحليل نصوص فيديوهات YouTube لتلخيص المحتوى أو تحليل المشاعر أو استخراج المعرفة.
• استخلاص بيانات الويب والبيانات المهيكلة: أتمتة جمع البيانات وهيكلتها من المواقع الإلكترونية لأغراض البحث أو توليد العملاء أو المراقبة.
• تحويل المستندات واستخلاص النص: تحويل ملفات PDF أو الفيديوهات أو الصور إلى نص لتحليلها عبر الذكاء الاصطناعي أو تلخيصها أو تخزينها في قواعد المعرفة.
• تنفيذ شيفرات وكلاء الذكاء الاصطناعي: تشغيل مقتطفات شيفرات JavaScript وPython بأمان لمعالجة البيانات أو العمليات الحسابية أو التكامل مع واجهات برمجة التطبيقات الخارجية.
• إدارة قواعد المعرفة: استخراج ومعالجة وتنظيم المعلومات من أنواع محتوى متنوعة للحفاظ على قواعد معرفة حديثة لمساعدي الذكاء الاصطناعي.

كيفية إعداده

Windsurf

لا توجد تعليمات إعداد خاصة بـ Windsurf في المستودع.

Claude

1. قم بتثبيت Smithery CLI إذا لم يكن مثبتًا بالفعل.
2. نفذ:

   npx -y @smithery/cli install @Dumpling-AI/mcp-server-dumplingai --client claude
   

3. قدم مفتاح API الخاص بـ Dumpling AI كمتغير بيئة (DUMPLING_API_KEY).
4. شغل سطح مكتب Claude وتحقق من توفر خادم MCP كأداة.
5. اختبر ذلك عن طريق استدعاء أمر Dumpling AI.

مثال تكوين JSON:

{
  "mcpServers": {
    "dumplingai": {
      "command": "npx",
      "args": ["-y", "mcp-server-dumplingai"],
      "env": {
        "DUMPLING_API_KEY": "<your-api-key>"
      }
    }
  }
}

Cursor

1. افتح إعدادات Cursor.
2. انتقل إلى الميزات > خوادم MCP.
3. انقر على “+ إضافة خادم MCP جديد”.
4. أدخل إعدادات خادم MCP الخاصة بك:

{
  "mcpServers": {
    "dumplingai": {
      "command": "npx",
      "args": ["-y", "mcp-server-dumplingai"],
      "env": {
        "DUMPLING_API_KEY": "<your-api-key>"
      }
    }
  }
}

5. احفظ وأعد تشغيل Cursor إذا لزم الأمر.
6. تحقق بتشغيل أداة مدعومة من Dumpling AI.

Cline

لا توجد تعليمات إعداد خاصة بـ Cline في المستودع.

تأمين مفاتيح API

• قدم دائمًا DUMPLING_API_KEY الخاص بك باستخدام متغيرات البيئة داخل حقل env في كتلة إعدادات خادم MCP. مثال:

{
  "mcpServers": {
    "dumplingai": {
      "command": "npx",
      "args": ["-y", "mcp-server-dumplingai"],
      "env": {
        "DUMPLING_API_KEY": "your_api_key"
      }
    }
  }
}

كيفية استخدام هذا MCP داخل التدفقات

استخدام MCP في FlowHunt

لدمج خوادم MCP في سير عمل FlowHunt الخاص بك، ابدأ بإضافة مكون MCP إلى التدفق وربطه بوكيل الذكاء الاصطناعي الخاص بك:

انقر على مكون MCP لفتح لوحة الإعدادات. في قسم إعدادات نظام MCP، أدخل تفاصيل خادم MCP باستخدام هذا التنسيق من JSON:

{
  "dumplingai": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

بعد الإعداد، يصبح وكيل الذكاء الاصطناعي قادرًا الآن على استخدام هذا MCP كأداة مع إمكانية الوصول لجميع وظائفه وقدراته. تذكر تغيير “dumplingai” إلى اسم خادم MCP الفعلي الخاص بك وتغيير الرابط إلى عنوان خادم MCP الخاص بك.

نظرة عامة

رأينا

يوفر خادم دمبلينج AI MCP وثائق جيدة لعملية التثبيت ومجموعة قوية من الميزات التي تركز على المطورين. ومع ذلك، فإن غياب تعريفات صريحة للقوالب والموارد يحد من الشفافية لتخصيص MCP المتقدم. مجموعة الأدوات تبدو واسعة (كما هو موضح في README)، لكن أداة واحدة فقط موثقة بشكل صريح. دعم sampling والجذور غير موثقين.

درجة MCP

التقييم: 6/10.
الإيجابيات: ميزات أساسية جيدة، وثائق تثبيت واضحة، وصيانة نشطة.
السلبيات: يفتقر إلى بيانات تعريف MCP مفصلة (قوالب، موارد، دعم للجذور/sampling) وقائمة أدوات موسعة في التوثيق.