این مقاله توسط Penpot حمایت شده است تصور کنید که فایل Penpot شما علاوه بر خود طرح، شامل یک مجموعه آیکون کامل است که از برخی اما نه همه آن آیکون ها استفاده می کند. اگر از یک هوش مصنوعی مانند کلود یا جمینی بخواهید فقط نمادهایی را که استفاده می شود صادر کند، نمی تواند این کار را انجام دهد. قادر به تعامل با فایل های Penpot نیست. با این حال، یک سرور Penpot MCP می تواند. میتواند تعداد زیادی از عملیاتها را تحت قوانین و مجوزهای تعیینشده انجام دهد، بهویژه که Penpot دارای یک API گسترده است و حتی بیشتر به دلیل منبع باز بودن آن. وظیفه هوش مصنوعی این است که هدف شما را درک کند، عملیات مناسب را برای سرور MCP انتخاب کند (در این مورد یک صادرات) و هر پارامتری (به عنوان مثال، نمادهایی که استفاده می شود) را منتقل کند. سپس سرور MCP این را به یک درخواست API ساختاریافته ترجمه کرده و آن را اجرا می کند. فکر کردن به هوش مصنوعی به عنوان سروری در رستورانی که سفارش شما را می گیرد، سرور MCP را هم به عنوان منو و هم آشپز، و درخواست API را به عنوان یک پای پیتزای داغ در یک بشقاب گرم (امیدوارم) می تواند مفید باشد. چرا سرورهای MCP، دقیقا؟ خوب، Penpot قادر به درک مقصود شما نیست زیرا یک LLM نیست و همچنین به LLM های شخص ثالث اجازه نمی دهد تا برای امنیت و حریم خصوصی داده های Penpot شما با فایل های Penpot شما تعامل داشته باشند. اگرچه سرورهای Penpot MCP به عنوان یک پل امن عمل میکنند، اما هدف هوش مصنوعی را با استفاده از فایلها و دادههای Penpot به عنوان زمینه به درخواستهای API تبدیل میکنند. حتی بهتر از آن این است که از آنجایی که Penpot یک رویکرد طراحی بهعنوان کد بیان میکند، طرحها را میتوان به صورت برنامهنویسی ایجاد، ویرایش و در سطح دانهای تجزیه و تحلیل کرد. در مقایسه با آنچه دیگر سرورهای MCP ارائه میدهند، متنیتر، خاصتر و در نتیجه قدرتمندتر است، و بسیار متفکرتر از جریان کاری هوش مصنوعی «شرح → ایجاد» است که فکر نمیکنم هیچکس واقعاً آن را بخواهد. کاغذ سفید هوش مصنوعی Penpot این را رویکرد بد و رویکرد «تبدیل به کد» را رویکرد زشت توصیف میکند، در حالی که سرورهای MCP تصفیهشدهتر و سازگارتر هستند. ویژگی ها و جزئیات فنی قبل از اینکه به سراغ موارد استفاده برویم، در اینجا برخی از ویژگی ها و جزئیات فنی آورده شده است که نحوه عملکرد سرورهای Penpot MCP را بیشتر توضیح می دهد:
مطابق با استانداردهای MCP؛ با Penpot API برای داده های طراحی بلادرنگ ادغام می شود. شامل Python SDK، REST API، سیستم پلاگین و ابزارهای CLI. با هر دستیار هوش مصنوعی مجهز به MCP (کلود در کد VS، کلود در مکان نما، کلود دسکتاپ و غیره) کار می کند. از اشتراکگذاری زمینه طراحی با مدلهای هوش مصنوعی پشتیبانی میکند و به آنها اجازه میدهد اجزا را ببینند و درک کنند. ارتباط با Penpot را با استفاده از زبان طبیعی تسهیل می کند.
پس سرورهای MCP چه چیزی را میتوانند در Penpot انجام دهیم و آزمایشهای موجود قبلاً به چه چیزی رسیدهاند؟ بیایید نگاهی بیندازیم. موارد استفاده از سرور Penpot MCP اگر فقط میخواهید به کارهایی که سرورهای Penpot MCP میتوانند انجام دهند پرش کنید، Penpot چند نسخه نمایشی MCP دارد که در Google Drive ذخیره شدهاند که ارزش تماشای آنها را ندارند. پابلو روئیز-موزکوئیز، مدیر عامل Penpot اشاره کرد که ویدیوهای 03، 04، 06، 08 و 12 مورد علاقه آنها هستند. یک راه حتی سریعتر برای خلاصه کردن سرورهای MCP، تماشای رونمایی از Penpot Fest 2025 است. در غیر این صورت، بیایید نگاهی به برخی از نمونه های دقیق تری که Penpot در ویترین عمومی خود نشان داده است بیندازیم. طراحی به کد و بازگشت دوباره (و بیشتر) با توجه به آنچه قبلاً در مورد نحوه بیان طرحهای Penpot به صورت کد گفتم، این بدان معناست که از سرورهای MCP میتوان برای تبدیل طرح به کد با استفاده از هوش مصنوعی استفاده کرد، اما همچنین میتوان از کد به طراحی، طراحی به مستندسازی، مستندسازی برای طراحی عناصر سیستم، طراحی به کد دوباره بر اساس سیستم طراحی مذکور و سپس اجزای کاملاً جدید بر اساس سیستم طراحی مذکور استفاده کرد. سورئال به نظر می رسد، اما نسخه ی نمایشی زیر این تغییرپذیری را نشان می دهد، و نه از دستورالعمل های مبهم، بلکه از انتخاب های قبلی طراحی، صرف نظر از نحوه بیان آنها (طراحی، کد، یا مستندات) است. هیچ شگفتی وجود ندارد - اینها صرفاً تصمیماتی هستند که به هر حال بر اساس تصمیمات قبلی می گرفتید و به سرعت اجرا می شدند. در دمو، Juan de la Cruz García، طراح در Penpot، بدون اصطکاک برخی از اجزای ساده را به اسناد، عناصر سیستم طراحی، کد، اجزای جدید و حتی یک پروژه کامل Storybook مانند یک قطعه Play-Doh تبدیل میکند: طراحی به کد، طراحی/ اعتبارسنجی کد، و عملیات ساده در نسخه نمایشی مشابه زیر، Dominik Jain، یکی از بنیانگذاران Oraios AI، یک برنامه وب Node.js را بر اساس طراحی قبل از بهروزرسانی سبکهای ظاهری ایجاد میکند، نامها و شناسهها را در حافظه ذخیره میکند تا از ترجمه نرمافزار طراحی به کد قبل از بررسی سازگاری آن اطمینان حاصل کند.در کنار شکل انتخاب شده در Penpot نظر دهید و سپس یک خط خطی در Penpot را با یک جزء تطبیق داده شده جایگزین کنید. در اینجا اتفاقات زیادی می افتد، اما می توانید دقیقاً آنچه را که Dominik در Claude Desktop تایپ می کند و همچنین پاسخ های Claude مشاهده کنید، و بسیار قوی است: به هر حال، نسخه آزمایشی قبلی از Claude در VS Code استفاده می کرد، بنابراین باید توجه داشته باشم که سرورهای Penpot MCP LLM-agnostic هستند. پشته فناوری شما کاملاً به شما بستگی دارد. IvanTheGeek موفق شد سرور MCP خود را با JetBrains Rider IDE و Junie AI راه اندازی کند. موارد استفاده بیشتر یک برد Penpot را به HTML معنایی آماده تولید و CSS مدولار ترجمه کنید در حالی که از هر نشانه طراحی Penpot استفاده می کنید (به یاد داشته باشید که طرح های Penpot قبلاً به صورت کد بیان شده اند، بنابراین این یک عکس در تاریکی نیست): یک نمونه اولیه وب تعاملی بدون تغییر HTML موجود ایجاد کنید: همانطور که قبلا نشان داده شد، با استفاده از طراحی موجود و/یا عناصر سیستم طراحی، یک خط خط را به یک جزء تبدیل کنید: مستندات سیستم طراحی را از یک فایل Penpot ایجاد کنید: و در اینجا چند مورد استفاده دیگر از Penpot و انجمن آورده شده است:
صادرات پیشرفته، جستجوی عناصر طراحی با استفاده از زبان طبیعی، با استفاده از زبان طبیعی داده ها را از API های خارجی بکشید، Penpot را به راحتی به سایر ابزارهای خارجی متصل کنید ذخیره وظایف تکراری در حافظه و اجرای آنها، تست رگرسیون بصری، سازگاری طراحی و بررسی افزونگی، تجزیه و تحلیل و بازخورد دسترسی و قابلیت استفاده، بررسی انطباق سیستم طراحی، بررسی انطباق با دستورالعمل (برند، محتوا، و غیره)، نظارت بر پذیرش و استفاده با تجزیه و تحلیل طراحی، به طور خودکار اسناد را با طراحی هماهنگ نگه دارید، سازماندهی فایل طراحی (به عنوان مثال، برچسب گذاری/رده بندی).
اساساً، سرورهای Penpot MCP به لطف کارآمدی و سهولت کلاینت LLM/LLM انتخابی شما، راه را به تعداد بی نهایت گردش کار هدایت می کنند، اما بدون اینکه داده های شما را در معرض آن قرار دهند. برای چه کاری از سرورهای MCP استفاده می کنید؟ سرورهای Penpot MCP حتی در مرحله بتا نیستند، اما این یک آزمایش فعال است که می توانید بخشی از آن باشید. کاربران Penpot قبلاً کاوش موارد استفاده برای سرورهای MCP را آغاز کردهاند، اما Penpot میخواهد موارد بیشتری را ببیند. برای اطمینان از اینکه نسل بعدی ابزارهای طراحی نیازهای طراحان، توسعه دهندگان و به طور کلی تیم های محصول را برآورده می کند، باید به طور جمعی و مشترک ساخته شوند، به خصوص در مورد هوش مصنوعی. توجه: Penpot به دنبال آزمایشکنندگان بتا است که مشتاق کاوش، آزمایش و کمک به اصلاح سرور MCP Penpot هستند. برای پیوستن به support@penpot.app با موضوع "مسی پی داوطلب آزمون بتا" بنویسید. آیا کاری وجود دارد که فکر می کنید سرورهای Penpot MCP می توانند انجام دهند که ابزارهای فعلی قادر به انجام آن به اندازه کافی خوب، به اندازه کافی سریع نیستند یا اصلاً قادر به انجام آن نیستند؟ شما میتوانید نحوه راهاندازی یک سرور Penpot MCP را همینجا بیاموزید و همین امروز شروع به سرهمکردن کنید، یا اگر مغزتان در حال حاضر با ایدهها سر و صدا میکند، Penpot از شما میخواهد که به بحث بپیوندید، بازخورد خود را به اشتراک بگذارید و در مورد موارد استفاده خود صحبت کنید. از طرف دیگر، بخش نظرات درست در زیر نیز مکان بدی برای شروع نیست!
