Explication des serveurs MCP : outils, ressources, commandes et moments où il convient d’ajouter un gateway.
Une explication en langage simple des serveurs MCP : comment l’hôte, le client et le serveur se connectent, en quoi MCP diffère d’une API, ce que l’on peut faire avec, et quand un gateway est utile.
Un serveur MCP est un programme compact qui permet à un modèle d’IA d’accéder à des outils et à des données qu’il ne pourrait pas atteindre seul. Imaginez un pont : grâce au Model Context Protocol, un standard partagé, un modèle peut lire des fichiers, interroger une base de données ou appeler une API, sans qu’il soit nécessaire de créer de nouveaux intermédiaires pour chaque combinaison. Ce serveur peut être un script sur un ordinateur portable ou un service cloud.
L’acronyme semble plus intimidant que l’idée qu’il représente. Il mérite néanmoins d’être bien compris, car MCP devient rapidement la voie par défaut par laquelle les agents d’IA interagissent avec le monde extérieur.
Qu’est-ce que le serveur, en réalité ?
Un serveur offre trois types de fonctionnalités : des actions que le modèle peut exécuter, des informations qu’il peut lire, et des modèles qu’il peut réutiliser. Une fois connecté, le modèle demande ce qui est disponible et travaille en fonction de la réponse. En bref, le serveur est un adaptateur standard qui relie un modèle d’IA à un système externe.
Le mot « serveur » induit en erreur les gens. Rien ne nécessite un matériel dédié dans un datacenter ; un serveur pour le système de fichiers local peut être un petit script sur une machine personnelle. Ce nom vient du fait qu’il répond aux demandes, tout comme le serveur de développement lancé avec npm run dev. Il s’agit d’un petit programme qui répond aux questions.
En d’autres termes, le serveur est tout ce qui se trouve à l’extrémité de la connexion, capable d’effectuer des tâches réelles comme lire un fichier ou interroger une base de données, et capable de décrire ces tâches de manière que un modèle puisse les interpréter.
Origine de MCP
Le Model Context Protocol est une norme ouverte permettant de relier les modèles d’IA à des outils et des données externes. Anthropic l’a publié en novembre 2024, et en l’espace d’un an, il est passé d’une idée de niche à quelque chose que Claude, ChatGPT, Cursor et VS Code prennent tous en charge.
Cela a résolu un problème simple et agaçant. Avant MCP, pour fournir un outil à une intelligence artificielle, il fallait rédiger manuellement l’intégration à chaque fois. Un chatbot de recherche sur les documents d’une entreprise, avec des embeddings et une fonction de recherche reliés manuellement, représente une seule source de données et une intégration entièrement personnalisée. Si l’on répète ce processus pour GitHub, puis Slack, puis une base de données, puis un autre modèle exigeant une structure de données différente, l’éscalabilité s’arrête. Tout le monde devait reconstruire les mêmes connecteurs.
La documentation officielle compare MCP à un port USB-C pour l’intelligence artificielle : une seule forme de connecteur, permettant à n’importe quel appareil de se connecter à n’importe quel autre. Un serveur construit une seule fois fonctionne avec tous les clients qui parlent ce protocole. Cela explique la vitesse d’adoption, puisqu’un grand nombre d’intégrations ponctuelles a été remplacé par une norme unique partagée.
Comment les éléments s’assemblent
Trois rôles sont impliqués : l’hôte, le client et le serveur.
- L’hôte est l’application que l’utilisateur utilise réellement, par exemple Claude Desktop ou Cursor.
- Pour chaque serveur auquel il souhaite se connecter, l’hôte crée un client qui maintient une connexion dédiée à ce serveur spécifique.
- Les messages sont transmis sous forme de JSON-RPC 2.0, un format simple et bien compris, ce qui constitue un avantage dans ce contexte.
Un serveur peut offrir trois types de fonctionnalités, dont il est utile de connaître les noms :
- Outils : opérations que le modèle peut déclencher, comme ouvrir un fichier, exécuter une requête ou soumettre un problème sur GitHub.
- Ressources : données que le modèle lit pour obtenir du contexte, telles que le texte d’un document ou le schéma d’une base de données. La lecture n’a aucun effet secondaire.
- Indications : modèles réutilisables pour des tâches fréquentes, permettant au modèle d’éviter de devoir démarrer à zéro.
Le flux est court. Le client se connecte, demande au serveur de lister ses ressources via une requête tools/list, puis exécute l’un des éléments avec une requête tools/call. En JSON, la requête de découverte a cette forme :
// "What can you do?"
{ "jsonrpc": "2.0", "id": 1, "method": "tools/list" }
Et la suite qui invoque un outil se présente comme ceci :
// "Okay, do this one."
{
"jsonrpc": "2.0",
"id": 2,
"method": "tools/call",
"params": {
"name": "get_weather",
"arguments": { "city": "Kolkata" }
}
}
Un autre point important à connaître dès le début : les serveurs fonctionnent soit localement, soit à distance. Un serveur local communique via stdio, c’est-à-dire l’entrée et la sortie standard, permettant ainsi à deux programmes sur la même machine d’échanger du texte sans recourir au réseau. Un serveur distant communique via HTTP, ce qui lui permet d’exister n’importe où et de servir de nombreux clients en même temps. Le protocole est identique dans les deux cas, et c’est là toute l’idée.
MCP contre une API classique
On pose constamment cette question, donc la réponse directe est qu’un serveur MCP repose généralement sur une API ordinaire. Il ne la remplace pas. Ce qui diffère, c’est le public visé.
Une API classique s’adresse à un développeur qui a lu la documentation et a enregistré par cœur les appels exacts à effectuer. Elle part du principe que les points d’entrée sont connus à l’avance. Un serveur MCP, quant à lui, s’adresse à un modèle qui arrive sans aucune information préalable, demande ce qui existe et décide lui-même quel outil utiliser. Le truc réside dans la découverte en temps de exécution, et une API ordinaire ne la permet pas.
En pratique, la plupart des serveurs MCP ne sont que des enveloppes simplifiées autour d’une API que le développeur aurait pu appeler directement. MCP offre une manière uniforme de décrire les outils, permettant ainsi à n’importe quel modèle de les découvrir et de les utiliser sans qu’un humain doive configurer chaque appel. L’API effectue la tâche, tandis que le serveur la rend lisible pour une intelligence artificielle.
Que pouvez-vous faire avec un MCP ?
Plus que la plupart des gens ne l’imaginent, les matières premières sont probablement déjà disponibles. Exemples typiques : un serveur permet à un modèle de travailler avec des fichiers locaux, un autre gère les problèmes et les demandes de fusion sur GitHub, un troisième interroge Postgres, et un quatrième lit et envoie des messages sur Slack. Anthropic propose une collection d’implémentations de référence sur GitHub, et les fournisseurs publient de plus en plus un serveur officiel pour leur propre produit.
La plupart des gens découvrent leur premier serveur grâce à un agent de codage comme Claude Code. En associant un serveur à un agent de codage ou à une application de chat desktop, celui-ci peut soudainement accéder à des fichiers, rechercher sur le web ou ouvrir une demande de fusion sans avoir à copier-coller. Ces outils apparaissent simplement comme de nouvelles capacités dont le modèle dispose.
Le schéma ne change jamais : trouver un serveur adapté au système concerné, le pointer vers le client, et le modèle acquiert une nouvelle compétence. Une seule installation de serveur ne prend que cinq minutes, et voir un agent modifier un fichier réel sur le disque pour la première fois donne presque l’impression de magie.
Quand un gateway devient utile
Commençons par être honnêtes : avec un ou deux serveurs MCP, un gateway est inutile, car il résout un problème qui n’existe pas encore. Passez directement à des expérimentations.
Lorsque le nombre de serveurs augmente, disons à dix serveurs connectés à plusieurs agents, trois problèmes apparaissent rapidement.
- Encombrement du contexte : chaque requête affiche toute la liste d’outils de chaque serveur dans la fenêtre du modèle. Avec 150 outils ou plus, la majeure partie des ressources est consacrée à la lecture du menu.
- Credenciaux dispersés. Chaque serveur possède ses propres clés et mécanismes d’authentification, répartis dans des fichiers de configuration sans endroit unique pour les mettre à jour.
C’est ce qu’on appelle la prolifération d’outils, ce qui transforme une configuration ordonnée en une source de problèmes. Un passerelle résout ce problème en se situant au milieu, un peu comme un boîtier de distribution électrique : au lieu de dix câbles dans dix prises, l’agent se connecte une seule fois, et la passerelle s’occupe du reste.
Bifrost, une passerelle d’IA open source de Maxim AI, est l’un des produits capables de remplir ce rôle en regroupant tous les serveurs derrière une seule interface. Sa solution au problème des tokens est une fonction appelée Mode Code. Habituellement, le modèle doit relire chaque description d’outil avec chaque demande afin de connaître le menu disponible. En Mode Code, la demande comprend quatre outils génériques et le modèle génère du code pour localiser et exécuter ce dont il a besoin sur demande. Selon les propres benchmarks du fournisseur, cela permet une réduction des tokens d’entrée allant jusqu’à 92,8 %, ce qui suffit à réduire significativement les coûts. La réduction des coûts au niveau de la passerelle repose sur la même logique que le cache sémantique.
Un gateway centralise également les aspects de sécurité. Les clés API sont regroupées plutôt que dispersées dans des fichiers de configuration. Le filtrage des outils par clé ainsi que les budgets permettent à un administrateur de choisir quels outils chaque agent peut utiliser et de fixer des plafonds de dépenses. Les outils ne s’exécutent pas automatiquement à moins que cela ne soit explicitement activé, ce qui est important car l’utilisation silencieuse et non approuvée d’outils par un agent crée des problèmes inévitables.
Où commencer
Aucune spécification complexe ni de code élaboré n’est requis. Une fois que l’acronyme n’effraie plus, l’idée est simple : un connecteur standard qui permet à une intelligence artificielle d’accéder à des outils externes.
Pour essayer aujourd’hui, choisissez une application déjà en usage, comme Claude Desktop, Cursor ou Claude Code. Ensuite, prenez un serveur prédéfini, par exemple celui basé sur le système de fichiers ou GitHub, et ajoutez-le au fichier de configuration, ce qui prend environ cinq minutes. Une fois qu’il est en marche, donnez au modèle une instruction concrète, comme examiner un dossier local ou vérifier un répertoire. Dès que l’agent sort de sa boîte de chat et interagit avec un fichier réel, le protocole se met en action.
Gardez la première tentative simple. Un gateway et des mécanismes de routage sophistiqués sont inutiles pour un ou deux serveurs. Testez d’abord avec un seul, voyez comment ça se passe, et n’ajoutez un gateway que lorsque vous avez une dizaine de serveurs en service et que les frais liés aux tokens commencent à augmenter.
Réponses rapides
Qu’est-ce qu’un serveur MCP, en bref ? C’est un petit programme qui offre à un modèle d’IA des outils et des données via un standard commun, permettant ainsi au modèle de lire des fichiers, d’exécuter des requêtes de base de données ou d’appeler des API sans avoir besoin de solutions sur mesure.
En quoi le client et le serveur diffèrent-ils ? Ce sont les deux extrémités d’un même lien. Les serveurs fournissent les fonctionnalités ; un client, généré par une application telle que Claude Desktop, se connecte à un serveur pour en utiliser les capacités. Une application peut exécuter plusieurs clients, un pour chaque serveur.
Les serveurs sont-ils sûrs ? Cela dépend de la manière dont ils sont gérés. Un serveur local fiable présente peu de risques. Les problèmes surviennent lorsque de nombreux serveurs non vérifiés conservent leurs propres identifiants, tandis que des agents exécutent des outils sans surveillance ; c’est pourquoi désactiver l’exécution automatique et utiliser un pare-feu de filtrage s’avère très utile à grande échelle.
Comment en construire un ? Choisissez un SDK officiel, déclarez quelques outils ainsi que leurs entrées, puis servez-les via stdio ou HTTP. Commencez par un ou deux outils qui fonctionnent avec un client déjà en usage, puis développez progressivement, plutôt que de tenter de gérer toute une API d’un coup.
Lectures complémentaires
- Notes pratiques : Protocole Contexte du Modèle (MCP) expliqué : un guide pour débutants — Guide pas à pas des Notes pratiques : Protocole Contexte du Modèle (MCP) expliqué : un guide pour débutants, incluant des contrats, des vérifications et des emplacements de code prêts à l’emploi pour les équipes qui utilisent ce modèle.
- Créer votre premier agent LangChain avec LangGraph en 2026 — Créez un agent LangChain étape par étape à l’aide de LangGraph, avec des outils, une gestion de la mémoire et un suivi des actions, évitez quatre erreurs fréquentes, et découvrez comment un service d’assistance de bootcamp l’a utilisé.