AI: MCP


URLs
Icon for https://youtu.be/0wkln7EJd7c
Как подготовить MCP, чтобы решать задачи, а не создавать проблемы. Константин Доронин. AI Dev 2025
Icon for https://youtu.be/kQmXtrmQ5Zg?si=7zw9P15Pn65cEHmi
Building Agents with Model Context Protocol - Full Workshop with Mahesh Murag of Anthropic
Icon for https://youtu.be/scYbc9zRark?si=QnvC0uVs2AgN-6Lr
Пример использования MCP с AI-агентами. Изучаем протокол, пишем свой MCP-сервер.
Icon for https://youtu.be/ADweG009qg0?si=sbrJkXLoxSw9BBM7
Что за MCP, зачем он бизнесу и какой бизнес можно на нём построить
Icon for https://youtu.be/KFgwXXWT7sQ?si=NddKPwnKGHRm9SqB
ИИ-агенты — вот что действительно изменит разработку. Пишем ИИ-агент на Python, LangChain и GigaChat
Icon for https://www.anthropic.com/engineering/advanced-tool-use
Introducing advanced tool use on the Claude Developer Platform

Model Context Protocol (MCP) — это открытый стандарт, предложенный Anthropic, который позволяет LLM взаимодействовать с внешними системами через единый интерфейс. Аналог API, адаптированный для использования агентами.
MCP стандартизирует подключение ИИ к реальным данным и действиям, устраняя необходимость в индивидуальных интеграциях для каждого сервиса.
graph LR
subgraph "AI applications"
A1[Chat interface<br/>Claude Desktop, LibreChat]
A2[IDEs and code editors<br/>Claude Code, Goose]
A3[Other AI applications<br/>5ire, Superinterface]
end
subgraph "MCP"
M[MCP Standardized protocol]
end
subgraph "Data sources and tools"
D1[Data and file systems<br/>PostgreSQL, SQLite, GDrive]
D2[Development tools<br/>Git, Sentry, etc.]
D3[Productivity tools<br/>Slack, Google Maps, etc.]
end
A1 <--> M
A2 <--> M
A3 <--> M
M <--> D1
M <--> D2
M <--> D3


Ключевые компоненты:

  • Хост (Host) — среда (Claude Desktop, VS Code), которая управляет клиентами и координирует взаимодействие.
  • Клиент (Client) — AI-приложения или агенты, которые подключаются к серверам для получения контекста или выполнения действий.
  • Сервер (Server) — программы, предоставляющие доступ к конкретным инструментам или данным (API GitHub, Astra DB).
  • Tool: доступ к внешним функциям и данным
  • Prompt: управление поведением AI-агента
  • Resource: предоставляет данные клиенту


Зачем:

  • Решает проблему M×N интеграций: Вместо создания отдельных плагинов для каждой комбинации модели и сервиса MCP предлагает единый протокол.
  • Актуальный API: Клиент самостоятельно получит от Сервера всю свежую информацию о доступном API.
  • Доступ к актуальным данным: LLM могут запрашивать информацию в реальном времени.
Пример: погода, корпоративные документы.
  • Автоматизация сложных задач: Агенты ИИ могут выполнять многошаговые workflows.
Пример: данные из CRM → отправить email → обновить тикет.


Достоинства:

  • Стандартизация: Единый протокол для всех интеграций, снижающий затраты на разработку.
  • Безопасность: Локальный-first подход, запросы подтверждаются пользователем.
  • Гибкость: Поддержка любых языков программирования для серверов.
  • Динамическое обнаружение инструментов: Модели автоматически находят доступные серверы и их функции.


Подводные камни:

  • Необходимость разработки серверов: Для подключения каждого нового сервиса всё равно требуется создать MCP-сервер.
  • Зависимость от качества данных: если внешние данные неточны, ответы ИИ тоже будут ошибочными.
  • Сложность отладки: Интеграции требуют мониторинга логов и проверки совместимости.
  • Устаревание: Риск устаревания из-за быстрого развития AI.


Проблемы:

  • Инструменты МСР-серверов забивают контекст. Некоторые — даже значительно.
  • Решение:  Claude Tool Search  с подгрузкой mcp on-demand.
  • Решение: использовать  🔨⁠⁠AI: Skills⁠  вместо MCP.
  • Решение: использовать CLI-интеграции с сервисами.
  • Нет гарантий качества результата.
  • Инструменты могут быть не адаптированы под LLM.
  • Простой API может вернуть избыточную для AI информацию и "убить" контекст.
  • МСР должен фильтровать данные на стороне сервера и возвращать LLM только ту информацию, которая релевантна для задачи.