استفاده بهینه از هوش مصنوعی و سرور MCP دارت در برنامه نویسی فلاتر

سرور MCP دارت (که به Dart SDK 3.9 / Flutter 3.35 نسخه بتا یا جدیدتر نیاز دارد) یک ابزار قدرتمند است که شکاف بین دستیاران کدنویسی هوش مصنوع

چشم‌انداز توسعه هوش مصنوعی به سرعت در حال تحول است و عامل‌های (agents) قدرتمندی ظهور کرده‌اند که می‌توانند در مجموعه وسیعی از وظایف به توسعه‌دهندگان کمک کنند.

برای آزادسازی پتانسیل واقعی این عامل‌های هوش مصنوعی یا AI Agentها ، آن‌ها باید به زمینه (context) و ابزارهایی فراتر از قابلیت‌های ذاتی خود دسترسی داشته باشند.

اینجاست که پروتکل زمینه مدل (Model Context Protocol - MCP) وارد میدان می‌شود و به عنوان یک سیستم پلاگین استاندارد عمل می‌کند که مدل‌های هوش مصنوعی را به سیستم‌های خارجی و منابع داده متصل می‌کند.

سرور MCP دارت پیاده‌سازی ما از این استاندارد برای اکوسیستم دارت و فلاتر است.

در این مقاله، بررسی می‌کنیم که چگونه می‌توانید از سرور MCP دارت برای بهبود تجربه برنامه نویسی زبان دارت و فلاتر خود استفاده کنید.

ما ابزارهای مفیدی را که توسط این سرور ارائه می‌شود پوشش خواهیم داد و نشان می‌دهیم چگونه می‌توانید سرور را برای استفاده در ابزارهای محبوبی مانند رابط خط فرمان جمنای (Gemini CLI)، دستیار کد جمنای (Gemini Code Assist) در VS Code، Cursor و GitHub Copilot در VS Code پیکربندی کنید.

این رویکرد بخشی از یک اکوسیستم در حال رشد است.

به عنوان مثال، تیم فایربیس اخیراً سرور آزمایشی Firebase MCP خود را معرفی کرد که به دستیاران هوش مصنوعی ابزارهایی برای مدیریت Firebase Authentication، اجرای کوئری روی دیتابیس Firestore و درک انواع کرش‌هایی که بر اپلیکیشن شما در محیط پروداکشن تأثیر می‌گذارند، می‌دهد.

سرور MCP چیست؟

پروتکل زمینه مدل یا Model Context Protocol (MCP)، یک استاندارد ارتباطی است که برای پر کردن شکاف بین مدل‌های هوش مصنوعی (مانند LLMها) و محیط‌های توسعه محلی طراحی شده است.

مدل‌های هوش مصنوعی به خودی خود در یک محیط ایزوله عمل می‌کنند و به فایل‌های پروژه، ابزارهای خط فرمان، یا وضعیت یک اپلیکیشن در حال اجرا دسترسی ندارند.

MCP به عنوان یک پل ارتباطی استاندارد عمل می‌کند که به این مدل‌ها اجازه می‌دهد تا به صورت امن و کنترل‌شده با ابزارها، فایل‌ها و فرآیندهای محیط برنامه‌نویسی ارتباط برقرار کنند.

در واقع، MCP به هوش مصنوعی «چشم» برای دیدن ساختار و خطاهای پروژه و «دست» برای اجرای دستورات و اعمال تغییرات می‌دهد و آن را از یک ابزار پاسخگوی متنی به یک دستیار برنامه‌نویس فعال تبدیل می‌کند.

معماری MCP بر اساس یک مدل کلاینت-سرور کار می‌کند.

در این مدل، کلاینت همان ابزار هوش مصنوعی (مانند Gemini یا GitHub Copilot) است و سرور یک فرآیند محلی (مانند سرور MCP دارت) است که روی دستگاه توسعه‌دهنده اجرا می‌شود.

سرور، لیستی از «ابزارها» (Tools) و «منابع» (Resources) موجود مانند قابلیت «اجرای تست‌ها»، «جستجو در پکیج‌ها»، «یافتن خطاها در کد» یا «اطلاع از ساختار پروژه» را به کلاینت معرفی می‌کند.

به این ترتیب، وقتی کاربر یک دستور به زبان طبیعی می‌دهد (مثلاً «این خطا را برایم رفع کن»)، مدل هوش مصنوعی می‌تواند تصمیم بگیرد که کدام ابزار را از سرور فراخوانی کند تا درخواست کاربر را به بهترین شکل ممکن و با آگاهی کامل از زمینه پروژه انجام دهد.

معرفی سرور MCP دارت (Dart MCP Server)


سرور MCP دارت (که به Dart SDK 3.9 / Flutter 3.35 نسخه بتا یا جدیدتر نیاز دارد) یک ابزار قدرتمند است که شکاف بین دستیاران کدنویسی هوش مصنوعی و اکوسیستم توسعه دارت/فلاتر را پر می‌کند.

این سرور به مدل‌های هوش مصنوعی اجازه می‌دهد تا با محیط توسعه و اپلیکیشن در حال اجرای دارت یا فلاتر شما تعامل داشته باشند، بینش‌های هوشمندانه‌ای ارائه دهند و از ابزارهایی استفاده کنند که معمولاً فقط از طریق IDE یا ابزارهای توسعه‌دهنده دارت و فلاتر (DevTools) قابل دسترسی هستند.

سرور MCP دارت چه کارهایی برای شما انجام می‌دهد؟


سرور MCP دارت لیست رو به رشدی از ابزارها را فراهم می‌کند که به دستیاران هوش مصنوعی بینش عمیقی نسبت به پروژه شما می‌بخشد. این سرور می‌تواند:

  • خطاهای کد پروژه شما را تحلیل و رفع کند.
  • اپلیکیشن در حال اجرای شما را بررسی و با آن تعامل کند (مانند اجرای هات ریلود، دریافت ویجت انتخاب‌شده، واکشی خطاهای زمان اجرا).
  • در pub.dev جستجو کند تا بهترین پکیج را برای کاربرد شما پیدا کند.
  • وابستگی‌های پکیج‌ها را در فایل pubspec.yaml شما مدیریت کند.
  • تست‌ها را اجرا و نتایج را تحلیل کند.
  • ... و بیشتر!

برای مشاهده به‌روزترین لیست ابزارها، به مستندات رسمی مراجعه کنید.

سرور MCP دارت در عمل


قدرت واقعی سرور MCP دارت در این است که به دستیاران و عامل‌های هوش مصنوعی امکان می‌دهد نه تنها درباره زمینه پروژه شما استدلال کنند، بلکه با استفاده از ابزارها دست به اقدام بزنند.

مدل زبانی بزرگ (LLM) تصمیم می‌گیرد که از چه ابزاری و در چه زمانی استفاده کند، بنابراین شما می‌توانید روی توصیف هدف خود به زبان طبیعی تمرکز کنید. بیایید این موضوع را با چند مثال با استفاده از حالت Agent در GitHub Copilot در VS Code ببینیم.

رفع یک خطای layout در زمان اجرا

همه ما این تجربه را داشته‌ایم: یک رابط کاربری زیبا می‌سازید، اپلیکیشن را اجرا می‌کنید و با نوارهای بدنام زرد و سیاه خطای سرریز RenderFlex مواجه می‌شوید. به جای دیباگ کردن دستی درخت ویجت‌ها (widget tree)، اکنون می‌توانید از دستیار هوش مصنوعی خود کمک بگیرید.

دستور (Prompt): «مسائل تحلیل استاتیک و زمان اجرا را بررسی و رفع کن. هرگونه مشکل layout را بررسی و رفع کن.» (نکته: برای اختصار، بخش‌هایی از این ویدئو سریع‌تر شده است.)

در پشت صحنه، عامل هوش مصنوعی از ابزارهای سرور MCP دارت برای موارد زیر استفاده می‌کند:

  1. مشاهده خطا: از ابزاری برای دریافت خطاهای فعلی زمان اجرا از اپلیکیشن در حال اجرا استفاده می‌کند.
  2. بررسی UI: به درخت ویجت‌های فلاتر دسترسی پیدا می‌کند تا طرح‌بندی عامل سرریز را درک کند.
  3. اعمال راه‌حل: با استفاده از این زمینه، راه‌حلی را اعمال می‌کند و یک بار دیگر خطاهای باقی‌مانده را بررسی می‌کند.

سپس شما می‌توانید تغییرات کد را نگه دارید یا لغو کنید.

آموزش اتصال فلاتر به n8n

افزودن قابلیت جدید با جستجوی پکیج

تصور کنید نیاز دارید یک نمودار به اپلیکیشن خود اضافه کنید. از کدام پکیج باید استفاده کنید؟ چگونه آن را اضافه کرده و کدهای اولیه (boilerplate) را بنویسید؟ سرور MCP دارت تمام این فرآیند را ساده می‌کند.

عامل هوش مصنوعی اکنون مانند یک دستیار واقعی عمل می‌کند:

  1. پیدا کردن ابزار مناسب: از ابزار pub_dev_search برای یافتن کتابخانه‌های نموداری محبوب و با امتیاز بالا استفاده می‌کند.
  2. مدیریت وابستگی‌ها: پس از تأیید انتخاب شما (به عنوان مثال، syncfusion_flutter_charts)، از ابزاری برای افزودن پکیج به pubspec.yaml شما استفاده کرده و دستور pub get را اجرا می‌کند.
  3. تولید کد: کد ویجت جدید را همراه با کدهای اولیه برای یک نمودار خطی تولید کرده و آن را در UI قرار می‌دهد. حتی خطاهای نوشتاری (syntax errors) که در طول فرآیند ایجاد شده‌اند را نیز خودکار تصحیح می‌کند. از اینجا به بعد می‌توانید سفارشی‌سازی‌های بیشتری انجام دهید.

فرآیندی که قبلاً شامل چندین مرحله تحقیق، خواندن مستندات، ویرایش pubspec.yaml و نوشتن کد بود، اکنون به یک درخواست ساده تبدیل شده است.

پیکربندی با ابزارها و محیط‌های توسعه محبوب مبتنی بر هوش مصنوعی

از آنجایی که پروتکل زمینه مدل به سرعت در حال تبدیل شدن به استاندارد یکپارچه‌سازی ابزارها و LLMها است، لیست رو به رشدی از ابزارها وجود دارد که می‌توانند از سرورهای MCP استفاده کنند.

سرور MCP دارت می‌تواند با هر کلاینت MCP ادغام شود.

ابتدا، سرور MCP دارت به Dart SDK 3.9 / Flutter 3.35 نسخه بتا یا جدیدتر نیاز دارد، بنابراین به کانال بتا سوییچ کرده و دستور flutter upgrade را اجرا کنید تا مطمئن شوید آخرین نسخه‌ها را در اختیار دارید.

رابط خط فرمان جمنای (Gemini CLI)

در حالی که این ابزار در کدنویسی عالی است، Gemini CLI یک ابزار محلی همه‌کاره است که می‌توانید برای طیف گسترده‌ای از وظایف، از تولید محتوا و حل مسئله گرفته تا تحقیقات عمیق و مدیریت وظایف، از آن استفاده کنید.

برای پیکربندی سرور MCP دارت با ابزارهای مختلف، مراحل زیر را دنبال کنید.

رابط خط فرمان جمنای (Gemini CLI)

  1. نصب: طبق دستورالعمل‌های راه‌اندازی سریع، Gemini CLI را روی دستگاه خود نصب کنید.
  2. بررسی نسخه: مطمئن شوید محیط شما از Dart SDK 3.9 / Flutter 3.35 نسخه بتا یا جدیدتر استفاده می‌کند. در صورت نیاز، کانال خود را تغییر داده و دستور flutter upgrade را اجرا کنید.
  3. پیکربندی: برای فعال‌سازی سرور MCP دارت، فایل .gemini/settings.json را ویرایش کنید.
  4. برای یک پروژه خاص: این فایل را در پوشه ریشه پروژه خود ویرایش کنید.
  5. برای تمام پروژه‌ها: فایل سراسری ~/.gemini/settings.json را در پوشه home خود ویرایش کنید.
  "mcpServers": {
    "dart": {
      "command": "dart",
      "args": [
        "mcp-server",
        "--experimental-mcp-server"
      ]
    }
  }

💡 نکات حرفه‌ای:

  • اگر در Gemini CLI دستور /mcp را وارد کنید، می‌توانید لیست ابزارهای MCP موجود را مشاهده کنید.
  • اگر پروژه شما دستورالعمل‌ها یا قوانین خاصی دارد که می‌خواهید LLM از آن‌ها آگاه باشد، می‌توانید آن‌ها را با افزودن یک فایل GEMINI.md به ریشه پروژه خود مستند کنید.

مقایسه کامل زبان برنامه نویسی کاتلین و دارت

دستیار کد جمنای (Gemini Code Assist)

توجه: این قابلیت در حال حاضر نیازمند فعال‌سازی کانال «Insiders» در Gemini Code Assist است.

برای فعال‌سازی، دستورالعمل‌های Gemini Code Assist را دنبال کنید.

تکنولوژی زیربنایی Gemini CLI در Gemini Code Assist در VS Code نیز ادغام شده است. در حالت Agent mode، می‌توانید دستور خود را در پنجره چت بنویسید و ببینید که جمنای چگونه برای انجام درخواست شما دست به کار می‌شود.

  1. بررسی نسخه: مطمئن شوید محیط شما از Dart SDK 3.9 / Flutter 3.35 نسخه بتا یا جدیدتر استفاده می‌کند.
  2. پیکربندی:
    • ابتدا Gemini CLI را نصب و پیکربندی کنید.
    • دستورالعمل‌های بخش قبل برای پیکربندی Gemini CLI را دنبال کنید؛ این کار سرور را برای Gemini Code Assist نیز فعال می‌کند.
  3. تأیید صحت: می‌توانید با وارد کردن /mcp در پنجره چت در حالت Agent، از پیکربندی صحیح سرور MCP اطمینان حاصل کنید.
Gemini CLI

فایربیس استودیو (Firebase Studio)

Firebase Studio یک محیط توسعه ابری و عامل‌محور است که به شما کمک می‌کند اپلیکیشن‌های هوش مصنوعی فول-استک با کیفیت پروداکشن، شامل API، بک‌اند، فرانت‌اند و موبایل بسازید.

برای افزودن سرور MCP در Firebase Studio:

  1. ایجاد فایل پیکربندی: یک فایل به نام .idx/mcp.json در پروژه خود ایجاد کنید (اگر وجود ندارد) و همان پیکربندی سرور MCP دارت (که در بخش Gemini CLI ذکر شد) را به آن اضافه کنید.
  2. بررسی نسخه: مطمئن شوید محیط شما از Dart SDK 3.9 / Flutter 3.35 نسخه بتا یا جدیدتر استفاده می‌کند.
  3. بازسازی محیط: برای تکمیل راه‌اندازی، با باز کردن پالت دستورات (Shift+Ctrl+P) و وارد کردن Firebase Studio: Rebuild Environment، محیط کاری خود را بازسازی کنید.

گیت‌هاب کوپایلوت (GitHub Copilot) در VS Code

GitHub Copilot یک دستیار کدنویسی مبتنی بر هوش مصنوعی است که در VS Code ادغام شده است. افزونه دارت برای VS Code با ثبت خودکار سرور MCP دارت، یکپارچه‌سازی ساده‌ای را برای Copilot فراهم می‌کند.

Copilot (یا هر عامل هوش مصنوعی دیگری که از VS Code MCP API پشتیبانی کند) به طور خودکار سرور را برای شما پیکربندی می‌کند و نیازی به انجام دستی آن نیست.

  1. بررسی نسخه: مطمئن شوید محیط شما از Dart SDK 3.9 / Flutter 3.35 نسخه بتا یا جدیدتر استفاده می‌کند.
  2. پیکربندی: برای پیکربندی سرور MCP دارت، تنظیمات زیر را به تنظیمات کاربری VS Code خود اضافه کنید:
"dart.mcpServer": true

همچنین می‌توانید تنظیم "chat.mcp.discovery.enabled": true را به تنظیمات کاربری VS Code خود اضافه کنید تا سرورهایی که در ابزارهای دیگری مانند Claude Desktop یا Cursor پیکربندی شده‌اند، به طور خودکار شناسایی شوند.

Cursor

Cursor یک ویرایشگر کد محبوب مبتنی بر هوش مصنوعی است که بر پایه VS Code ساخته شده است. افزونه‌های دارت و فلاتر برای VS Code را می‌توان در Cursor نیز نصب کرد تا تجربه‌ی توسعه‌ای مشابه با VS Code، همراه با ویژگی‌های اضافی متمرکز بر هوش مصنوعی که توسط Cursor ارائه می‌شود، فراهم شود.

  1. بررسی نسخه: مطمئن شوید محیط شما از Dart SDK 3.9 / Flutter 3.35 نسخه بتا یا جدیدتر استفاده می‌کند.
  2. پیکربندی: برای فعال‌سازی سرور MCP دارت در Cursor، می‌توانید یا روی دکمه Add to Cursor در فایل README سرور MCP دارت کلیک کنید (ساده‌ترین روش)، یا طبق دستورالعمل‌های نصب سرورهای MCP از مستندات رسمی Cursor پیش بروید.

    پس از پیکربندی، باید محتوای زیر را در فایل .cursor/mcp.json خود داشته باشید (این فایل بسته به اینکه می‌خواهید سرور برای کجا فعال شود، می‌تواند یک فایل پروژه‌ای یا یک فایل سراسری باشد):
{
  "mcpServers": {
    "dart": {
      "command": "dart",
      "args": [
        "mcp-server",
        "--experimental-mcp-server", // Can be removed for Dart 3.9.0 or later
        "--force-roots-fallback" // Workaround for a Cursor issue with Roots support
      ]
    }
  }
}

آینده پیش رو چیست؟

این نسخه آزمایشی تنها قدم اول است. چشم‌انداز ما این است که توسعه‌دهندگان دارت و فلاتر را قادر سازیم تا با تجربیات مبتنی بر هوش مصنوعی که در محیط کاری‌شان با آن‌ها روبرو می‌شوند، به اوج بهره‌وری برسند.

در اینجا برخی از حوزه‌های کلیدی که در آینده روی آن‌ها سرمایه‌گذاری خواهیم کرد، آورده شده است:

  • یکپارچه‌سازی عمیق‌تر و یکپارچه با IDE: ما در حال همکاری نزدیک با تیم‌های پشت Firebase Studio، Gemini در Android Studio، Gemini Code Assist و دیگران هستیم تا استفاده از سرور MCP دارت را بی‌دردسر کنیم.
  • قابلیت‌های هوش مصنوعی در DevTools: ما قصد داریم کمک هوش مصنوعی را مستقیماً به ابزارهای توسعه‌دهنده دارت و فلاتر (DevTools) بیاوریم.
    به جای غربال کردن دستی داده‌های پیچیده، می‌توانید به سادگی از دستیار هوش مصنوعی خود سوالاتی بپرسید مانند:

    «چرا اپلیکیشن من در این نقطه دچار افت فریم (stutter) شد؟»
    در حالی که به یک ردیابی تایم‌لاین (timeline trace) نگاه می‌کنید،
    «چه چیزی باعث این نشت حافظه (memory leak) شده است؟»
    هنگام بررسی یک اسنپ‌شات حافظه (memory snapshot)،
    یا حتی «به من کمک کن این مشکل layout را حل کنم» مستقیماً از Flutter Inspector.
  • یک جعبه ابزار همیشه در حال رشد: ما به گسترش قابلیت‌های سرور MCP ادامه خواهیم داد، به عنوان مثال با پشتیبانی از ریفکتورینگ‌های (refactoring) پیچیده‌تر.

در حالی که نقشه راه ما توسط چشم‌اندازمان هدایت می‌شود، بازخورد شما نقشی حیاتی در کمک به ما برای اولویت‌بندی آنچه برای شما بیشترین اهمیت را دارد، ایفا می‌کند.


با دادن Context یا زمینه پروژه و دسترسی به ابزارهای رسمی به دستیار کدنویسی خود، می‌توانید سریع‌تر حرکت کنید، مشکلات را به طور مؤثرتری حل کنید و روی آنچه بیشترین اهمیت را دارد تمرکز کنید.

سرور MCP دارت یک جهش قابل توجه رو به جلو در توسعه مبتنی بر هوش مصنوعی برای دارت و فلاتر و ادامه تعهد تیم ما به ارائه یک تجربه توسعه پربار است.

با گسترش روزافزون پروتکل زمینه مدل و افزایش قابلیت‌های سرور MCP دارت، همکاری بین شما و ابزارها و عامل‌های توسعه مبتنی بر هوش مصنوعی، هوشمندتر و یکپارچه‌تر خواهد شد.

دیدگاه‌ها (0)

    دیدگاه خود را بنویسید

    ایمیل شما نمایش داده نمی‌شود. دیدگاه پس از تأیید نمایش داده می‌شود.