MCP с точки зрения разработчика: хосты, клиенты, серверы и вызовы инструментов
Почему большие языковые модели нуждаются в протоколе для инструментов, как хост, клиент и сервер MCP делят между собой задачи, и как один запрос перемещается от пользователя к инструменту и обратно.
Источники: What and Why MCP?
Искусственный интеллект стал обычной частью работы с программным обеспечением. Ассистенты генерируют код, находят ошибки, анализируют данные и автоматизируют рутинные задачи, тем самым изменив подход разработчиков к созданию программ. Однако остается основной вопрос: как модели могут безопасно и эффективно взаимодействовать с инструментами, данными и системами, от которых зависят разработчики каждый день? Одним из ответов является протокол контекста модели, или MCP.
Далее рассматривается MCP с точки зрения разработчика: что такое сервер MCP и зачем он существует, как взаимодействуют его компоненты, как модели через протокол обращаются к внешним инструментам, и как это способствует масштабируемости, обслуживаемости и производительности.
Почему существует MCP
Начните с ситуации сегодня. Вы можете получить доступ к мощным большим языковым моделям от OpenAI, Llama от Meta, DeepSeek, Gemini от Google и Claude от Anthropic через браузер или приложение. Они отвечают на вопросы, пишут тексты и код, делают краткие извлечения из документов и даже создают изображения.
Сосредоточьтесь на одной базовой способности — формировании текстового ответа. Предположим, вы спросите ИИ о лучших отелях в Коломбо. Он может дать полезный ответ, основанный на имеющихся у него знаниях, но быстро проявляются два ограничения.
Первое ограничение: устаревшие знания
Знания модели отражают данные ее обучения, а также любую дополнительную информацию или инструменты, которые ей были предоставлены. Без связи с внешними, актуальными источниками она может не знать текущих цен на отели, наличия номеров, расписания рейсов или мест, открывшихся недавно.
Второе ограничение: отсутствие возможности действовать
Этот аспект имеет более глубокие последствия. Модель может сформировать ответ, но она не может автоматически выполнять действия в реальном мире. Если попросить её отправить письмо вашему руководителю, она напишет текст сообщения, но не сможет его отправить, если только не будет подключена к сервису электронной почты с соответствующими правами. Если попросить её создать заявку в Jira на найденный баг, она сможет составить заголовок и описание, но для создания заявки потребуется доступ к Jira. То же самое касается бронирования отеля, запроса данных из базы, взаимодействия с корпоративными системами или вызова API.
Так как же преодолеть этот разрыв?
Искусственные интеллектуальные агенты как первый шаг
Обычным первым решением являются агенты — большие языковые модели, соединённые с внешними инструментами и имеющие возможность выбирать, какой инструмент подходит для определённого шага и когда его использовать. Возьмём, к примеру, путешественнического ассистента. Пользователь просит его спланировать поездку в Париж на следующий месяц: выбрать хороший отель, забронировать его и порекомендовать интересные места поблизости.
В этом предложении скрыт ряд задач. Агенту, возможно, потребуется:
- найти доступные отели
- проанализировать детали, цены и наличие мест
- завершить бронирование
- найти достопримечательности рядом с отелем
- получить данные о местоположении и картах
- отправить подтверждающее письмо
Для выполнения этих задач требуются внешние ресурсы. Языки больших моделей способствуют пониманию и логическим рассуждениям, тогда как инструменты обеспечивают возможности для их реализации.
Взрывная интеграция
Теперь представьте, что агенту необходимо работать с 20, 50 или сотнями инструментов и сервисов. Каждый из них может иметь собственный API, метод аутентификации, форматы запросов и ответов, а также код для интеграции. Если каждое ИИ-приложение будет писать собственный соединитель для каждого инструмента, архитектура быстро станет запутанной.
Именно этот пробел и заполняет MCP. Он предоставляет приложениям ИИ стандартный способ взаимодействия с внешними инструментами, источниками данных и сервисами. Вместо отдельной интеграции для каждого приложения и каждого инструмента существует единый протокол, соединяющий модели с внешними возможностями.
Три вида возможностей сервера
Сервер может предлагать три разных вида ресурсов, и различие между ними помогает прояснить большую часть терминологии:
- Инструменты — это действия, которые может запрашивать модель, такие как поиск отелей или оформление билета. Они могут изменять что-то во внешнем мире.
- Ресурсы — это фрагменты данных, которые приложение может читать для получения контекста, такие как файл, запись в базе данных или документ.
- Запросы — это повторно используемые шаблоны, которые помогают структурировать взаимодействие с моделью.
Большинство вводных примеров сосредоточены на инструментах, поскольку они напрямую решают проблему «невозможности действовать», но ресурсы и подсказки становятся важными, когда приложению требуется контекст, а не команды.
Как работает MCP
Когда мотивация становится ясной, давайте рассмотрим приложение на основе MCP. Важны три компонента, и хотя их названия похожи, у каждого своя функция.
- Хост MCP — это приложение ИИ, с которым взаимодействует пользователь, например IDE с встроенным ИИ, десктопное приложение или чат-бот, построенный на LLM. Он управляет всем взаимодействием с ИИ, включая диалог с пользователем и соединения с серверами MCP.
- Клиент MCP находится внутри хоста и отвечает за общение с сервером MCP. Хост — это то, что видит пользователь, а клиент — это его внутренняя часть, которая использует протокол MCP.
Что происходит при запуске
Когда приложение подключается к серверу, клиент устанавливает соединение и инициализирует обмен данными. Обе стороны обмениваются информацией о версии протокола и поддерживаемых возможностях. Локальные серверы могут взаимодействовать через стандартный ввод-вывод, а удаленные серверы — с использованием Streamable HTTP.
Как только соединение готово, клиент выясняет, что предлагает сервер. Сервер отеля может предоставлять инструменты с именами search_hotels, check_availability и make_booking, каждый из которых сопровождается описанием и указанием необходимых параметров входных данных. Затем приложение ИИ передает эти определения в LLM.
Одна заявка, проанализированная
Предположим, пользователь вводит: «Найдите мне отель в Коломбо на эти выходные». ЯЗЫК получает это сообщение вместе с описаниями доступных инструментов. Исходя из заявки и этих описаний, он делает вывод, что search_hotels — подходящий вариант, и формирует необходимые параметры, такие как местоположение и даты.
Модель сама не запускает инструмент. Хост передаёт запрос к инструменту клиенту MCP, который, в свою очередь, направляет его на соответствующий сервер с использованием протокола. Сервер выполняет реальный инструмент, который может обращаться к API отелей, запрашивать данные из базы данных или взаимодействовать с другими внешними системами. Все эти детали остаются скрытыми за сервером.
Когда инструмент выполняет свою задачу, результат возвращается через сервер и клиент к приложению ИИ, после чего большая языковая модель преобразует его в окончательный ответ. Если запрос включает несколько этапов, модель продолжает работу, определяя, требуется ли ещё какой-либо инструмент.
Запрос вроде «Найти отель, забронировать его и отправить мне подтверждающее письмо» может потребовать нескольких последовательных вызовов: поиска отеля, проверки наличия мест, бронирования и, наконец, использования инструмента для отправки электронного письма. Результат каждого этапа может служить входными данными для следующего.
Идея в одной строке
Большая языковая модель определяет, что необходимо сделать, клиент MCP взаимодействует с сервером MCP, а сервер использует соответствующие инструменты для выполнения работы. Весь путь выглядит следующим образом:
Пользователь → хост MCP → большая языковая модель → клиент MCP → сервер MCP → инструмент, затем обратно через сервер, клиент и большую языковую модель к пользователю.
Именно такое разделение труда и обеспечивает ценность MCP. Модель сосредотачивается на понимании и рассуждениях, в то время как MCP предоставляет приложению стандартный способ обнаружения и использования внешних возможностей.
Сообщения и разрешения
Под спудом клиент и сервер обмениваются структурированными сообщениями, причем MCP использует для этого JSON-RPC 2.0. В запросе указывается метод, например, список инструментов или его вызов, а в ответе передаётся либо результат, либо ошибка. Поскольку хост находится между моделью и каждым сервером, он также является естественным местом для контроля прав доступа. Хорошо спроектированный хост может попросить пользователя одобрить бронирование или электронное письмо перед отправкой запроса, а также ограничить список серверов, с которыми может вестись определённое общение. Протокол стандартизирует внутренние механизмы, но решения о доверии по-прежнему принимаются приложением и его пользователем, поэтому к серверам следует относиться как к любому другому фрагменту кода, способному действовать от вашего имени.
Почему это важно для разработчиков
Общий протокол меняет способ создания систем на основе ИИ:
- Меньше повторяющейся работы. Инструмент, предоставленный один раз через сервер MCP, может использоваться любым приложением, поддерживающим MCP, без необходимости его повторной интеграции каждый раз.
- Лучшая возможность технического обслуживания. Детали работы инструмента, такие как механизмы аутентификации и форматы запросов, остаются на стороне сервера, поэтому приложениям не нужно меняться при изменении этих деталей.
- Проще масштабирование. Для добавления нового инструмента достаточно добавить сервер и позволить клиентам его обнаружить, вместо того чтобы переписывать само приложение.
- Четкее разделение функций. Модель отвечает за логику, клиент — за обмен данными, а сервер — за выполнение действий; каждая часть может тестироваться и заменяться отдельно.
Как будет развиваться ситуация дальше
ГИИ могут мыслить и генерировать контент, но они не могут самостоятельно взаимодействовать со всеми внешними системами. Агенты предоставляют им инструменты, а MCP обеспечивает стандартный способ подключения этих инструментов к приложениям ИИ. Модель осуществляет логические рассуждения, клиент обменивается данными, сервер открывает доступ к возможностям, а инструменты выполняют фактическую работу.
Остается один открытый вопрос: что именно передаётся между клиентом и сервером? Чтобы ответить на него, необходимо изучить сам протокол, способ обмена сообщениями, механизм обнаружения инструментов и роль JSON-RPC во всей структуре. Кратко говоря: модель может мыслить, инструмент может действовать, а MCP помогает им взаимодействовать.
Связанные материалы
- Когда у ИИ-агента 1 000 инструментов MCP: выбор, контекст и навыки — Подключение агентов к большому количеству серверов MCP приводит к избытку инструментов, перегруженному контексту и некорректному выбору. Почему процессы поиска, работы с навыками и использование шлюзов могут быть важнее простого доступа.
- Практические рекомендации: использование k6 и Grafana MCP для тестирования производительности с применением ИИ — Подробное руководство по применению k6 и Grafana MCP в процессе тестирования производительности с использованием ИИ: контракты, проверки и готовые блоки кода для команд, внедряющих эту практику.