Wyjaśnienie MCP: Dlaczego udostępnianie możliwości jest lepsze od stałych punktów końcowych dla agentów.
Co to jest MCP i dlaczego jest ważne: klienci i serwery Model Context Protocol, w jaki sposób różni się od stałej API oraz co Figma i Render pokazują na temat agentów AI.
Prędzej czy później każdy programista natyka się na trzy litery MCP. Spróbuj Supabase, Figma lub niemal każdego innego narzędzia dla programistów – okazuje się, że wszystkie one oferują własny MCP. Zwykłą reakcją jest przytaknięcie, bez faktycznego zrozumienia, co ten termin obejmuje i w jaki sposób ma pomóc. Oto wyjaśnienie w prostym języku.
Niewielki przykład pokazuje efekt działania MCP. Dla jednej aplikacji trzeba było stworzyć stronę startową, wychodząc od projektu w Figma. Asystent AI zasugerował połączenie z serwerem MCP Figma. Po takim połączeniu strona została przygotowana w ciągu kilku minut, bez konieczności ręcznego pisania kodu układu. Interesujące pytania brzmią: czym jest MCP i dlaczego zmienia sytuację?
Jak zawsze funkcjonowały serwery tła
Gdy projektuje się konwencjonalną API, jej cel jest już znany. Klient chce listę produktów, a usługa pobiera dokładnie to, być może za pomocą instrukcji SELECT * FROM products lub wywołania repositoria, takiego jak productRepository.find(), gdy używany jest ORM. Koniec punktu dostępu jest dostosowany do jednego określonego celu i nie ma w nim nic otwartego.
Taka jest cena tradycyjnych API. Klient wie, czego chce, a programista buduje rozwiązanie dostosowane wyłącznie do tego wymagania. Intencja jest ustalona jeszcze przed napisaniem pierwszej linijki kodu tego punktu dostępu.
Co zmieniła sztuczna inteligencja
Ludzie nie są już jedynymi, którzy korzystają z aplikacji. Agenci sztucznej inteligencji również muszą z niej korzystać, co rodzi oczywiste pytanie: dlaczego po prostu nie pozwolić im korzystać z istniejących API, tak jak robi to każdy klient skierowany do ludzi?
Problem polega na tym, że API zakłada znany przypadek użycia. W przypadku agentów deweloper często nie może z góry określić, co chce zrobić. Dlatego zamiast kolejnego sztywnego, wąskiego punktu końcowego, MCP ma na celu otwarcie szerszych części aplikacji, aby sztuczna inteligencja mogła je badać i wykorzystywać w razie potrzeby.
Definicja
MCP, czyli Model Context Protocol, to otwarty standard wprowadzony przez Anthropic. Opisuje wspólny sposób, w jaki aplikacje oparte na sztucznej inteligencji, takie jak Claude, mogą łączyć się z zewnętrznymi narzędziami, źródłami danych i systemami. Jest to protokół, konwencja, której przestrzegają wszyscy agenty, a nie konkretny produkt czy integracja. Każdy może na jego podstawie coś tworzyć.
W praktyce dzieli się to na klienta i serwer. Aplikacja lub usługa taka jak Figma lub Render udostępnia serwer MCP. Aplikacja AI, np. Claude, pełni rolę klienta MCP i łączy się z nim. Serwer określa, co jest dostępne, a klient to odkrywa i wykorzystuje.
Część serwerowa opiera się na kilku kluczowych elementach:
- Narzędziach, które agent może wywołać.
- Zasobach, które może odczytać.
- Wskazówkach, które można ponownie wykorzystać, dzięki czemu agent nie musi zgadywać, jak podejść do typowej zadania.
Część klientowa ma swój własny element zwany roots, który określa granice dostępu serwera. Każdy agent, który rozumie MCP, już zna wszystkie te elementy, dlatego łączenie się odbywa się w sposób „podłącz i działaj”, zamiast wymagać za każdym razem indywidualnej integracji.
Korzyść z punktu widzenia bezpieczeństwa
MCP przyczynia się również do zwiększenia bezpieczeństwa. Agent nadal ma dostęp do twoich danych, choć tylko pośrednio. Serwer jest jedynym komponentem, który komunikuje się z bazą danych, i oferuje wyłącznie te funkcje, które zostały zdefiniowane. Agent nie może sam wykonywać zapytań ani widzieć schematu. Wchodzi w interakcję z stworzonym interfejsem, podczas gdy serwer wykonuje za niego rzeczywistą pracę. Abstrakcja może być stopniowana według potrzeb, dzięki czemu agent wie niewiele o wewnętrznej implementacji.
Wszystko to działa na wierzchu istniejących API i nie zastępuje ich. MCP otacza je standardową, łatwo dostępną interfejsem, do którego może się połączyć i który może zrozumieć każdy agent AI. Główna różnica w porównaniu z zwykłym API polega na tym, że nikt z góry nie decyduje, co dokładnie może robić klient. Udostępniany jest szerszy zakres dostępnych funkcji – czy to narzędzi, zasobów, czy danych – a agent sam decyduje, jak je wykorzystać w danej sytuacji.
Gdy agent się połączy, odkrywa dostępne możliwości i analizuje je, aby wykonać zadanie, dzięki czemu nie trzeba ręcznie programować każdej akcji, której agent mógłby kiedykolwiek potrzebować.
Przykład z Figma i Claude
Historia strony docelowej to najjaśniejszy sposób, aby zobaczyć, co się zmieniło. W przypadku pracy nad interfejsem użytkownika i stylizacją standardową procedurą jest korzystanie ze screenshotów: zapisuje się projekt, przekazuje go agentowi, a następnie odbywa się wymiana informacji, podczas której wskazuje się, co zostało przeoczone, przybliża się szczegóły i wyjaśnia intencje. Ludzkie oko dostrzega rzeczy, których agent patrzący na płaski obraz nie może tak dokładnie ocenić.
Tym razem pierwszy krok był inny. Agentowi podano cel i poproszono go o najlepszy sposób jego osiągnięcia, na co zaproponował MCP w Figma. To ogólnie dobra praktyka. Sztuczna inteligencja jest silnikiem predykcyjnym, a jakość jej odpowiedzi w dużej mierze zależy od kontekstu, jaki otrzymuje. Często opłaca się zapytać samą sztuczną inteligencję o najlepsze podejście, zamiast ograniczać się do już znanych metod. Ich ograniczanie marnuje jej zalety, szczególnie gdy zadanie jest nieznane. W tym przypadku rekomendacją było właśnie MCP.
Następnie Figma MCP zostało skonfigurowane lokalnie, a Claude połączono z nim. Po uwierzytelnieniu dane projektowe stały się dostępne, dzięki czemu Claude mógł bezpośrednio przeczytać rzeczywisty projekt i nie było potrzeby skrínów. Przechodził przez projekt etap po etapie, dzielił pracę na plan i go realizował. Wynik był prawie gotowy – niemal całkowicie realizowany za jednym razem i niemal doskonały.
W rzeczywistości MCP dało agencie te same „oczy”, które ma człowiek. Nikt nie musiał pełnić roli pośrednika, tłumacząc to, co jest widoczne w projekcie, na coś, co agencja może wykorzystać, ponieważ agencja mogła sama spojrzeć na projekt.
Dlaczego dostawcy powinni się tym przejmować
Przypadek Figma dotyczył korzystania z serwera kogoś innego. Rzuca on również pytanie o stworzenie takiego serwera dla aplikacji, aby agencje oraz osoby za nimi mogły robić więcej, niż pierwotnie planowano.
Render, platforma do wdrażania aplikacji, dostarcza przykład. Jego serwer MCP udostępnia logi wdrażania, metryki usług takie jak wydajność CPU, pamięć i czas oczekiwania na żądania, a nawet dostęp tylko do odczytu do bazy danych Postgres. Zwykle wszystko to wymaga logowania się na panel sterowania Render. Gdy serwer MCP jest podłączony, ktoś może poprosić agenta o stworzenie spersonalizowanego panelu ze statystykami wdrażania, zaznaczenie nagłego wzrostu liczby logów błędów lub śledzenie zużycia zasobów w czasie. Render nie musiał przewidywać takiego panelu ani dostarczać dla niego API. Serwer ujawnia podstawowe możliwości, a agent łączy je w to, co jest potrzebne.
Oto sedno sprawy. Programista może założyć, że klienci chcą funkcji ABC, podczas gdy w rzeczywistości pragną XYZ. Jeśli istnieją tylko stałe API, użytkownicy są ograniczeni do tego, co programista uznał za stosowne do zaoferowania. MCP odwraca tę sytuację – nie ogranicza ani agenta, ani użytkownika za nim, do tego, co zostało z góry zdefiniowane. Określa on, co aplikacja potrafi robić, pozostawiając decyzję o tym, co należy stworzyć, agencie, podobnie jak serwer Render pozostawia decyzję dotyczącą panelu sterowania użytkownikowi.
Zamiast panelu sterowania użytkownika z kilkoma zaprojektowanymi widokami, użytkownik może poprosić agenta o całkowicie spersonalizowany widok, a agent może go stworzyć, ponieważ widzi, co jest możliwe w ramach aplikacji. Komunikat skierowany do użytkowników zmienia się z listy ustalonych możliwości korzystania z aplikacji na opis tego, co aplikacja potrafi robić, przy czym to użytkownicy decydują o tym, czego potrzebują.
Ponieważ MCP jest standardem, jego zastosowanie wykracza daleko poza pojedynczą aplikację i agenta. Każdy agent obsługujący MCP może połączyć się z dowolną aplikacją, która go udostępnia, korzystając z tego samego protokołu. Dlatego też stanowi prawdziwą zmianę, a nie tylko udogodnienie.
Zmiana sposobu myślenia
MCP to nie tylko interfejsy API dla sztucznej inteligencji. To zmiana postawy – od tworzenia rozwiązań dla konkretnych, znanych przypadków użycia ku udostępnianiu możliwości i pozwalaniu sztucznej inteligencji, kierowanej kontekstem, na decydowanie o tym, jak nimi skorzystać. Jest to również bezpieczniejszy sposób na umożliwienie agentom interakcji z aplikacją, ponieważ nigdy nie mają one bezpośredniego dostępu do bazy danych ani do jej wewnętrznych elementów. Widzą jedynie wybrany interfejs, a rzeczywłą pracę wykonuje serwer MCP.
Każdy, kto tworzy coś, z czym mogą mieć do czynienia agenci sztucznej inteligencji, powinien rozumieć tę granicę: co jest z góry zdefiniowane, a co jest możliwe do zrealizowania.
Podobne materiały
- MCP z perspektywy programisty: hosty, klienci, serwery i wywołania narzędzi — Dlaczego modele językowe potrzebują protokołu dla narzędzi, jak host, klient i serwer MCP dzielą pracę oraz jak pojedyncze żądanie przemieszcza się od użytkownika do narzędzia i z powrotem.
- Wyjaśnienie serwerów MCP: narzędzia, zasoby, prompty i kiedy warto dodać bramkę — Proste wyjaśnienie serwerów MCP: jak łączą się host, klient i serwer, w czym MCP różni się od API, co można z nim zrobić oraz kiedy bramka jest przydatna.