MCP: когда инструментов много, а протокол один

Вы строили AI-агента. Подключали его к базе данных, к API погоды, к файловой системе. Писали обертку за оберткой. Каждый инструмент требовал свой формат запроса, свою обработку ошибок, свою логику. В итоге получался монстр из кода, который только вы могли понять. Знакомо?

Anthropic посмотрела на этот хаос и сказала: «Хватит». Так появился Model Context Protocol (MCP). Не очередной фреймворк, а стандарт. Как USB для инструментов ИИ. Если ваша модель — это компьютер, то MCP — это разъем, в который вы подключаете мышь, клавиатуру и внешний жесткий диск.

💡

MCP — это открытый протокол, который позволяет LLM (например, Claude) безопасно взаимодействовать с внешними ресурсами: базами данных, API, файлами. Он стандартизирует способ объявления инструментов (tools) и предоставления контекста (context).

Из чего сделан MCP? Разбираем по косточкам

Представьте MCP как трехсторонний договор между клиентом, сервером и моделью. Каждая сторона знает свои обязанности.

MCP-сервер — это ваш код. Он объявляет, какие инструменты доступны («прочитать файл», «выполнить SQL-запрос»). И предоставляет контекст по запросу.
MCP-клиент — это приложение, которое работает с моделью (например, Claude Desktop, LM Studio или OpenWebUI). Он подключается к серверу и передает модели список инструментов.
Модель (Claude) — решает, когда и какой инструмент вызвать. Она не исполняет код. Она только просит клиента: «Эй, вызови-ка инструмент „search_products“ с параметром query=„яблоки“».

Клиент получает запрос от модели, передает его серверу, получает результат и отдает обратно модели. Модель продолжает думать. Вся эта коммуникация идет через стандартизированный JSON-RPC протокол. Никакой магии.

Важное отличие от function calling: модель НЕ получает код инструментов. Только их описание (имя, параметры). Исполнение происходит на стороне сервера, который вы контролируете. Это безопаснее.

MCP против всех: зачем он, если есть LangChain и function calling?

Откроем секрет. MCP не заменяет LangChain, LlamaIndex или встроенный function calling у GPT. Он решает другую проблему — проблему поставки инструментов.

Подход	Что делает?	Где исполняется инструмент?	Главная боль
Function Calling (OpenAI)	Модель выбирает функцию из списка, которую должен вызвать разработчик.	На вашем сервере, после получения ответа от API.	Жесткая привязка к модели OpenAI. Нет стандарта для описания функций.
LangChain Tools	Фреймворк предоставляет обертки для тысяч инструментов, цепочки вызовов.	В процессе работы вашего Python-скрипта.	Вес. Сложность кастомизации. Вы зависите от обновлений фреймворка.
MCP (Anthropic)	Стандартный протокол для объявления инструментов и поставки контекста.	На отдельном MCP-сервере, который вы запускаете.	Нужно писать свой сервер (хотя это проще, чем кажется).

MCP — это протокол, а не фреймворк. Вы можете написать сервер на Python, TypeScript, Go, Rust. Подключить его к Claude Desktop, и все инструменты появятся в интерфейсе. Без дополнительного кода. Это как написать драйвер для принтера — после этого любая программа может печатать.

Пишем свой MCP-сервер за 5 минут

Хватит теории. Давайте создадим сервер, который умеет искать файлы в системе и читать их. Тот самый «внешний жесткий диск» для Claude.

1 Устанавливаем SDK

pip install mcp

2 Код сервера (server.py)

import anyio
from mcp.server import Server, NotificationOptions
import mcp.server.models as models
from pathlib import Path

# Создаем сервер
server = Server("filesystem-server")

# Объявляем инструмент для поиска файлов
@server.list_tools()
async def list_tools() -> list[models.Tool]:
    return [
        models.Tool(
            name="find_files",
            description="Ищет файлы по названию в указанной директории",
            inputSchema={
                "type": "object",
                "properties": {
                    "directory": {"type": "string", "description": "Путь для поиска"},
                    "pattern": {"type": "string", "description": "Шаблон имени файла (например, *.txt)"}
                },
                "required": ["directory", "pattern"]
            }
        ),
        models.Tool(
            name="read_file",
            description="Читает содержимое текстового файла",
            inputSchema={
                "type": "object",
                "properties": {
                    "path": {"type": "string", "description": "Полный путь к файлу"}
                },
                "required": ["path"]
            }
        )
    ]

# Реализуем инструмент find_files
@server.call_tool()
async def call_tool(name: str, arguments: dict) -> list[models.TextContent]:
    if name == "find_files":
        directory = Path(arguments["directory"])
        pattern = arguments["pattern"]
        if not directory.exists():
            return [models.TextContent(type="text", text=f"Директория {directory} не найдена")]
        files = list(directory.rglob(pattern))
        if not files:
            return [models.TextContent(type="text", text="Файлы не найдены")]
        file_list = "\n".join(str(f) for f in files[:10])  # Ограничим вывод
        return [models.TextContent(type="text", text=file_list)]
    elif name == "read_file":
        file_path = Path(arguments["path"])
        if not file_path.exists():
            return [models.TextContent(type="text", text=f"Файл {file_path} не найден")]
        content = file_path.read_text(encoding="utf-8", errors="ignore")
        return [models.TextContent(type="text", text=content[:5000])]  # Первые 5000 символов
    else:
        raise ValueError(f"Неизвестный инструмент: {name}")

async def main():
    async with server.run_stdio() as transport:
        await transport.wait_closed()

if __name__ == "__main__":
    anyio.run(main)

Запускаем сервер:

python server.py

Теперь в Claude Desktop заходим в настройки → Developer → Configure MCP Servers. Добавляем новый сервер типа «stdio» и указываем команду для запуска нашего Python-скрипта. Перезапускаем Claude. Готово. В чате у Claude появятся новые инструменты find_files и read_file.

💡

Для отладки MCP-серверов используйте Syrin — первый дебаггер для MCP. Он покажет все вызовы и ответы в реальном времени.

Реальный пример: агент для анализа логов

Представьте, что вам нужно анализировать логи сервера. Вручную это скучно. Напишем MCP-сервер, который умеет читать логи и искать в них ошибки.

@server.list_tools()
async def list_tools() -> list[models.Tool]:
    return [
        models.Tool(
            name="fetch_logs",
            description="Получает логи за последние N часов",
            inputSchema={
                "type": "object",
                "properties": {
                    "hours": {"type": "integer", "description": "Количество часов"},
                    "service": {"type": "string", "description": "Имя сервиса (опционально)"}
                },
                "required": ["hours"]
            }
        ),
        models.Tool(
            name="analyze_errors",
            description="Анализирует логи и возвращает статистику по ошибкам",
            inputSchema={
                "type": "object",
                "properties": {
                    "log_text": {"type": "string", "description": "Текст логов для анализа"}
                },
                "required": ["log_text"]
            }
        )
    ]

Реализация fetch_logs может подключаться к вашей системе мониторинга (например, через Elasticsearch API). analyze_errors может использовать простую эвристику или даже вызывать другую модель для классификации. Ключевой момент: Claude видит эти два инструмента и может построить цепочку: «Сначала получи логи за 24 часа, затем проанализируй ошибки». Вы не пишете скрипт для этой цепочки. Вы просто даете инструменты, а модель сама решает, как их комбинировать.

Будьте осторожны с безопасностью. MCP-сервер исполняется на вашей машине с вашими правами. Не давайте инструмент «выполнить произвольную команду в shell». Прочтите статью о скрытых угрозах MCP в продакшене.

Кому нужен MCP прямо сейчас?

MCP — не панацея. Он блестяще решает конкретные задачи.

Разработчики внутренних инструментов для компании. У вас есть база данных сотрудников, API биллинга, система тикетов. Вы хотите дать менеджерам возможность задавать вопросы естественным языком («Сколько клиентов привлек отдел маркетинга в прошлом квартале?»). MCP позволяет быстро подключить эти источники к Claude без написания отдельного фронтенда.
Создатели кастомных AI-агентов для автоматизации. Агент, который мониторит почту, извлекает задачи, создает тикеты в Jira. Каждый шаг — инструмент MCP. Вы получаете стандартный способ расширения функциональности.
Энтузиасты, которые хотят подключить Claude к своим данным. Ваша локальная коллекция документов, заметок в Obsidian, база рецептов. MCP-сервер превращает их в контекст для модели.

Если же вам нужна разовая интеграция с одним API, возможно, проще использовать function calling OpenAI. Если вы строите сложную многошаговую оркестрацию с условиями и циклами, возможно, Ray или LangChain подойдут лучше.

Что будет дальше с MCP?

Anthropic сделала MCP открытым. Уже появляются инструменты вокруг него. MCP Chat Studio v2 — это Postman для тестирования MCP-серверов. MCP Tool Registry помогает управлять инструментами. Экосистема растет.

Мой прогноз: MCP станет стандартом де-факто для подключения инструментов к LLM в корпоративной среде. Потому что он простой, безопасный и независимый от модели. Через год мы будем скачивать MCP-серверы для Salesforce, GitHub, Slack как плагины. И подключать их к любой модели, которая поддерживает протокол.

Совет напоследок: начните с одного инструмента. Не пытайтесь охватить все ваши API. Напишите сервер, который отвечает на вопрос «Какая погода в Москве?». Подключите его к Claude Desktop. Увидите, как модель вызывает ваш инструмент. Это момент «вау». После него вы уже не сможете работать по-старому.

Model Context Protocol (MCP) от Anthropic: полное руководство по интеграции инструментов в агентские пайплайны