MCP du point de vue d’un développeur : hôtes, clients, serveurs et appels aux outils
Pourquoi les LLM ont besoin d’un protocole pour les outils, comment l’hôte, le client et le serveur MCP divisent le travail, et comment une seule demande se déplace de l’utilisateur à un outil puis revient.
Sources: What and Why MCP?
L’IA est devenue une partie intégrante du travail de développement logiciel. Les assistants génèrent du code, détectent les erreurs, analysent les données et automatisent les tâches, redéfinissant ainsi la manière dont les développeurs créent des applications. Pourtant, une question fondamentale reste : comment un modèle peut-il interagir de manière sûre et efficace avec les outils, les données et les systèmes sur lesquels les développeurs comptent chaque jour ? Le Model Context Protocol, ou MCP, en est une réponse.
Ce qui suit examine le MCP du point de vue d’un développeur : ce qu’est un serveur MCP et pourquoi il existe, comment ses composants s’assemblent, comment un modèle accède à des outils externes via ce protocole, et quel impact il a sur l’éscalabilité, la maintenabilité et la productivité.
Pourquoi le MCP existe
Commencez par la situation actuelle. Vous pouvez accéder à des modèles de langage puissants tels que ceux d’OpenAI, Llama de Meta, DeepSeek, Gemini de Google et Claude d’Anthropic via un navigateur ou une application. Ils répondent aux questions, écrivent du texte et du code, résument des documents et créent même des images.
Concentrez-vous sur une capacité de base : la production d’une réponse textuelle. Supposons que vous demandiez à un modèle de langage quelles sont les meilleures hôtels de Colombo. Il peut fournir une réponse utile en s’appuyant sur les connaissances qu’il possède, mais deux limites apparaissent rapidement.
Limitation numéro un : connaissances obsolètes
Les connaissances d’un modèle reflètent ses données d’entraînement ainsi que toute information ou outil supplémentaire qui lui a été fourni. Sans accès à des sources en temps réel extérieures, il peut ne pas connaître les prix actuels des hôtels, la disponibilité des chambres, les horaires des vols ou les établissements récemment ouverts.
Limitation numéro deux : incapacité à agir
Celui-ci va plus loin. Un modèle peut rédiger une réponse, mais il ne peut pas agir automatiquement dans le monde réel. Si vous lui demandez d’envoyer un e-mail à votre manager, il rédigera le message, mais il ne pourra pas le envoyer à moins d’être connecté à un service de messagerie disposant des permissions nécessaires. Si vous lui demandez de créer un ticket Jira pour un bug, il pourra rédiger le titre et la description, mais créer le ticket nécessite un accès à Jira. Il en va de même pour réserver un hôtel, interroger une base de données, interagir avec les systèmes de l’entreprise ou appeler une API.
Alors, comment combler cette lacune ?
Les agents d’IA comme première étape
La réponse habituelle est l’agent : un LLM connecté à des outils externes et autorisé à choisir quel outil utiliser pour chaque étape et quand l’appeler. Prenons l’exemple d’un assistant de voyage. Un utilisateur lui demande de planifier un voyage à Paris pour le mois prochain : il doit choisir un bon hôtel, le réserver et suggérer des endroits intéressants à proximité.
Ce texte cache une série de tâches. L’agent pourrait devoir :
- rechercher des hôtels disponibles
- examiner les détails, les prix et la disponibilité
- finaliser une réservation
- trouver des attractions à proximité de l’hôtel
- obtenir des données de localisation et de carte
- envoyer un e-mail de confirmation
Cela nécessite des ressources externes. Le LLM contribue à la compréhension et au raisonnement, tandis que les outils fournissent les capacités nécessaires pour mener à bien ces actions.
L’explosion de l’intégration
Imaginons maintenant que l’agent doive travailler avec 20, 50 ou même des centaines d’outils et de services. Chacun d’eux peut avoir sa propre API, sa méthode d’authentification, ses formats de demande et de réponse ainsi que son code d’intégration. Si chaque application d’IA doit écrire un connecteur personnalisé pour chaque outil, l’architecture devient rapidement très complexe.
C’est là que MCP comble le vide. Il offre aux applications d’IA un moyen standard de communiquer avec des outils externes, des sources de données et des services. Au lieu d’une intégration différente pour chaque application et chaque outil, il existe un protocole commun qui relie les modèles aux capacités extérieures.
Les trois types de capacités serveur
Un serveur peut offrir trois choses différentes, et les distinguer éclaire beaucoup du vocabulaire utilisé :
- Les outils sont des actions que le modèle peut demander, comme rechercher des hôtels ou créer un billet. Ils peuvent modifier quelque chose dans le monde extérieur.
- Les ressources sont des éléments de données que l’application peut lire pour obtenir du contexte, tels qu’un fichier, un enregistrement de base de données ou un document.
- Les prompts sont des modèles réutilisables qui aident à structurer l’interaction avec le modèle.
La plupart des exemples introductifs se concentrent sur les outils, car ils résolvent directement le problème du « incapacité d’agir », mais les ressources et les prompts deviennent importants lorsque l’application a besoin de contexte plutôt que de commandes.
Comment fonctionne MCP
Avec cette motivation claire, examinons une application basée sur MCP. Trois composants sont essentiels, et bien que leurs noms soient similaires, chacun a sa propre fonction.
- Le hôte MCP est l’application d’IA avec laquelle l’utilisateur interagit, par exemple un IDE doté d’IA intégrée, une application de bureau ou un chatbot basé sur un LLM. Il gère l’interaction globale avec l’IA, y compris la conversation avec l’utilisateur et les connexions aux serveurs MCP.
- Le client MCP se trouve à l’intérieur de l’hôte et s’occupe de la communication avec un serveur MCP. L’hôte est ce que voit l’utilisateur, tandis que le client est la partie à l’intérieur qui utilise le protocole MCP.
Que se passe-t-il au démarrage
Lorsque l’application se connecte à un serveur, le client ouvre une connexion et initialise la communication. Les deux parties échangent des informations sur la version du protocole et les fonctionnalités prises en charge. Les serveurs locaux peuvent communiquer via stdio, tandis que les serveurs distants peuvent utiliser Streamable HTTP.
Lorsque la connexion est établie, le client découvre ce que le serveur propose. Un serveur d’hôtel peut par exemple exposer des outils tels que search_hotels, check_availability et make_booking, chacun accompagné d’une description ainsi que des détails sur les entrées attendues. L’application d’IA transmet ensuite ces définitions au LLM.
Une demande traçable
Supposons que l’utilisateur tape : « Trouvez-moi un hôtel à Colombo ce week-end. » Le LLM reçoit ce message ainsi que les descriptions des outils disponibles. À partir de cette demande et de ces descriptions, il en déduit que search_hotels est le choix approprié et génère les paramètres nécessaires, tels que la localisation et les dates.
Le modèle ne lance pas l’outil lui-même. L’hôte transmet la demande d’outil au client MCP, qui la renvoie au serveur approprié via le protocole. Le serveur exécute l’outil réel, qui peut appeler une API d’hôtel, interroger une base de données ou se connecter à un autre système externe. Tous ces détails restent cachés derrière le serveur.
Lorsque l’outil a terminé, le résultat est renvoyé via le serveur et le client vers l’application d’IA, qui le transforme en réponse finale. Si la demande comporte plusieurs étapes, le modèle continue, en déterminant s’un autre outil est nécessaire.
Une demande telle que « Trouver un hôtel, le réserver et m’envoyer un e-mail de confirmation » peut nécessiter plusieurs appels en séquence : une recherche d’hôtel, une vérification de disponibilité, la réservation, puis un outil d’envoi d’e-mails. La sortie de chaque étape peut alimenter la suivante.
L’idée en une phrase
Le LLM décide de ce qui doit être fait, le client MCP communique avec le serveur MCP, et le serveur utilise les outils appropriés pour effectuer le travail. Le parcours complet se déroule comme suit :
Utilisateur, puis hôte MCP, puis LLM, puis client MCP, puis serveur MCP, puis outil, et enfin retour vers l’utilisateur via le serveur, le client et le LLM.
C’est cette division du travail qui donne sa valeur à MCP. Le modèle se concentre sur la compréhension et le raisonnement, tandis que MCP offre à l’application un moyen standard pour découvrir et utiliser des capacités externes.
Messages et permissions
En dessous, le client et le serveur échangent des messages structurés, et MCP s’appuie sur JSON-RPC 2.0 à cette fin. Une requête indique une méthode, comme la liste des outils ou leur exécution, et la réponse contient soit un résultat soit une erreur. Comme l’hôte se situe entre le modèle et chaque serveur, c’est également l’endroit idéal pour appliquer les permissions. Un hôte bien conçu peut demander à l’utilisateur d’approuver une réservation ou un e-mail avant d’envoyer la requête, et peut limiter quels serveurs une conversation donnée peut contacter. Le protocole standardise les mécanismes de communication, mais les décisions relatives à la confiance restent du ressort de l’application et de son utilisateur ; par conséquent, les serveurs doivent être traités comme n’importe quel autre morceau de code capable d’agir en votre nom.
Pourquoi les développeurs devraient s’en soucier
Un protocole partagé change la manière dont les systèmes alimentés par l’IA sont construits :
- Moins de tâches répétitives. Un outil exposé une seule fois via un serveur MCP peut être utilisé par n’importe quelle application compatible MCP, sans avoir à être réintégré à chaque fois.
- Meilleure maintenabilité. Les détails des outils, tels que l’authentification et les formats de requête, restent du côté du serveur, de sorte que les applications n’ont pas besoin d’être modifiées lorsque ces détails évoluent.
- Éscalabilité facilitée. Ajouter un outil signifie ajouter un serveur et permettre aux clients de le découvrir, plutôt que de réécrire l’application.
- Séparation plus claire. Le modèle gère les calculs, le client assure la communication et le serveur exécute les actions ; chaque composant peut être testé et remplacé indépendamment.
Où cela mène-t-il ?
Les LLM peuvent réfléchir et générer du contenu, mais ils ne peuvent pas accéder seuls à tous les systèmes externes. Les agents leur fournissent des outils, et MCP offre une méthode standard pour relier ces outils aux applications d’IA. Le modèle raisonne, le client communique, le serveur expose ses capacités et les outils effectuent le travail réel.
Une question reste en suspens : qu’est-ce qui passe exactement entre le client et le serveur ? Y répondre signifie examiner le protocole lui-même, la manière dont les messages sont échangés, comment les outils sont découverts et quel rôle joue JSON-RPC. En bref : un modèle peut réfléchir, un outil peut agir, et MCP les aide à communiquer.
Lectures complémentaires
- Lorsqu’un agent IA dispose de 1 000 outils MCP : sélection, contexte et compétences — Relier des agents à de nombreux serveurs MCP provoque une explosion d’outils, un contexte surchargé et de mauvaises choix. Pourquoi la découverte, les compétences et les passerelles peuvent être plus importants que l’accès brut.
- Notes pratiques : Utilisation de k6 et Grafana MCP pour des tests de performance pilotés par l’IA — Guide pas à pas des Notes pratiques : Utilisation de k6 et Grafana MCP pour des tests de performance pilotés par l’IA : contrats, vérifications et emplacements de code prêts à l’emploi pour les équipes qui adoptent ce modèle.