Главная / Статьи

Объяснение серверов MCP: инструменты, ресурсы, команды и когда стоит добавить шлюз.

Простое объяснение серверов MCP: как подключаются хост, клиент и сервер, в чем отличие MCP от API, что можно с ним делать и когда целесообразно использовать шлюз.

Издатель: REACTAPP.TOP9 мин чтения2044 слов

Источники: What Is an MCP Server? A Beginner’s Guide

Сервер MCP — это компактная программа, которая позволяет ИИ-модели получать доступ к инструментам и данным, к которым она сама не могла бы обратиться. Представьте себе мост: с помощью протокола Model Context Protocol, общего стандарта, модель может читать файлы, запрашивать данные из базы данных или вызывать API, без необходимости написания нового кода для каждой комбинации. Сервер может быть скриптом на ноутбуке или облачным сервисом.

Аббревиатура звучит более пугающе, чем сама идея. Тем не менее она требует чёткого понимания, поскольку MCP быстро становится стандартным способом, с помощью которого ИИ-агенты взаимодействуют с внешним миром.

Что на самом деле является сервером

Сервер предоставляет три вида возможностей: действия, которые может выполнять модель, информацию, которую она может читать, и шаблоны, которые она может повторно использовать. После подключения модель запрашивает, что доступно, и работает с полученными ответами. Короче говоря, сервер — это стандартный адаптер, соединяющий ИИ с внешней системой.

Слово «сервер» вводит людей в заблуждение. Для его работы совсем не обязательны специализированные аппаратные средства в центре обработки данных; сервер для локальной файловой системы может быть простым скриптом на персональном компьютере. Название происходит от того, что он обрабатывает запросы, точно так же, как сервер разработки, запускаемый командой npm run dev. Это небольшая программа, которая отвечает на вопросы.

Другими словами, сервер — это то, что находится на другом конце соединения, способное выполнять реальную работу, такую как чтение файла или запрос к базе данных, и способное описать эту работу в формате, который может понять модель.

Происхождение MCP

Model Context Protocol — это открытый стандарт для связи ИИ-моделей с внешними инструментами и данными. Anthropic опубликовала его в ноябре 2024 года, и в течение года он превратился из нишевой идеи в технологию, которую поддерживают Claude, ChatGPT, Cursor и VS Code.

Это решило довольно назойливую проблему. До появления MCP для предоставления ИИ инструмента каждый раз приходилось вручную писать код интеграции. Чат-бот для поиска документов компании с использованием эмбеддингов и механизмов поиска, настроенных вручную, представлял собой один источник данных и одну полностью индивидуальную интеграцию. Если повторить это для GitHub, затем Slack, затем базы данных, а потом ещё одной модели, требующей другой структуры данных, масштабирование становится невозможным. Все заново создавали одинаковые соединители.

Официальная документация сравнивает MCP с портом USB-C для ИИ: один формат разъёма, и любое устройство может подключаться к любому другому. Сервер, созданный один раз, работает со всеми клиентами, поддерживающими этот протокол. Это объясняет быструю адоптацию, поскольку множество одноразовых интеграций превратилось в единый общий стандарт.

Как все элементы взаимодействуют

Участвуют три роли: хост, клиент и сервер.

  • Хост — это приложение, которое фактически использует человек, например Claude Desktop или Cursor.
  • Для каждого сервера, к которому он хочет подключиться, хост создаёт отдельный клиент, который поддерживает специальное соединение с этим сервером.
  • Сообщения передаются в формате JSON-RPC 2.0 — простом и понятном формате, что является здесь преимуществом.

Сервер может предоставлять три вида возможностей, и их стоит знать по названию:

  • Инструменты: операции, которые может выполнять модель, например открытие файла, выполнение запроса или создание задачи в GitHub.
  • Ресурсы: материалы, которые модель читает для понимания контекста, такие как текст документа или схема базы данных. Чтение не имеет побочных эффектов.
  • Шаблоны запросов: повторно используемые шаблоны для часто выполняемых задач, что позволяет модели не запускаться заново с нуля.

Логика работы проста. Клиент подключается, запрашивает у сервера список имеющихся ресурсов с помощью запроса tools/list, затем выполняет один из этих ресурсов с помощью запроса tools/call. В формате JSON запрос на обнаружение выглядит следующим образом:

// "What can you do?"
{ "jsonrpc": "2.0", "id": 1, "method": "tools/list" }

А последующий запрос к инструменту выглядит так:

// "Okay, do this one."
{
  "jsonrpc": "2.0",
  "id": 2,
  "method": "tools/call",
  "params": {
    "name": "get_weather",
    "arguments": { "city": "Kolkata" }
  }
}

Ещё один важный момент с самого начала: серверы работают в одном из двух мест. Локальный сервер обменивается данными через stdio, то есть через стандартный ввод и вывод, поэтому два программы на одной машине могут передавать текст друг другу без участия сети. Удалённый сервер обменивается данными через HTTP, поэтому он может находиться где угодно и обслуживать множество клиентов одновременно. Протокол в обоих случаях одинаков, и именно в этом заключается суть.

MCP против обычного API

Люди постоянно задают этот вопрос, поэтому прямой ответ заключается в том, что сервер MCP обычно работает поверх обычного API. Он не заменяет его. Разница заключается в целевом пользователе.

Обычный API предназначен для разработчика, который ознакомился с документацией и заранее задал точные параметры запросов. Он предполагает, что конечные точки известны заранее. Сервер MCP предназначен для модели, которая прибывает без какой-либо предварительной информации, спрашивает, что существует, и сама решает, какой инструмент использовать. Секрет заключается в возможности обнаружения информации во время выполнения, чего не обеспечивает обычный API.

На практике большинство серверов MCP представляют собой простые обертки над API, к которому разработчик мог бы обратиться напрямую. MCP предоставляет унифицированный способ описания инструментов, благодаря чему любая модель может их обнаруживать и использовать, без необходимости вручную настраивать каждый запрос. API выполняет задачу, а сервер делает её понятной для ИИ.

Что можно сделать с его помощью

Это превышает ожидания большинства людей, и сырье, скорее всего, уже имеется в наличии. Типичные примеры: один сервер позволяет модели работать с локальными файлами, другой обрабатывает задачи и запросы на слияние в GitHub, третий выполняет запросы к базе данных Postgres, четвертый читает и отправляет сообщения в Slack. Anthropic хранит набор эталонных реализаций на GitHub, а поставщики всё чаще публикуют официальные серверы для своих продуктов.

Большинство людей познакомляются со своим первым сервером через инструменты для программирования, такие как Claude Code. Прикрепив сервер к такому инструменту или к приложению для чата на рабочем столе, можно мгновенно работать с файлами, искать информацию в Интернете или открывать запросы на слияние без необходимости копирования и вставки. Эти инструменты просто становятся новыми возможностями, которыми может пользоваться модель.

Паттерн никогда не меняется: находится сервер для важной системы, клиент настраивается на него, и модель приобретает новую навык. Настройка одного сервера занимает пять минут, а видеть, как агент впервые редактирует реальный файл на диске, кажется почти волшебством.

Когда гейтвейт становится полезным

Начнем с честности. При наличии одного-двух серверов MCP гейтвейт не нужен, так как он решает проблему, которая ещё не возникла. Можно сразу перейти к экспериментам.

Когда количество серверов увеличивается, скажем, до десяти, подключенных к нескольким агентам, быстро возникают три проблемы.

  • Чрезмерное количество контекста: каждый запрос загружает в окно модели полный список инструментов всех серверов. При наличии 150 и более инструментов большая часть ресурсов уходит на чтение меню.
  • Разрозненные учетные данные. У каждого сервера свои ключи и механизмы аутентификации, расположенные в файлах конфигурации, без единого места для их обновления.
  • Отсутствует единая политика. Не указано, кто может звонить кому и каковы лимиты на расходы.
  • Это приводит к чрезмерному количеству инструментов, превращая упорядоченную систему в источник проблем. Шлюз решает эту проблему, находясь посередине, подобно розеточному блоку: вместо десяти кабелей, входящих в десять розеток, агент подключается всего один раз, а шлюз обрабатывает остальное.

    Bifrost — это гейтвейй ИИ с открытым исходным кодом от компании Maxim AI, который может выполнять эту функцию, объединяя все серверы в один конечный пункт доступа. Решением компании проблемы токенов является функция под названием Code Mode. Обычно модели необходимо перечитывать описание каждого инструмента при каждом запросе, чтобы ознакомиться с меню. В режиме Code Mode запрос содержит четыре универсальных инструмента, и модель сама пишет код для поиска и запуска необходимого функционала по требованию. Согласно собственным тестам разработчиков, это позволяет сократить количество входных токенов на 92,8%, что значительно снижает расходы. Сокращение затрат на уровне гейтвейя основано на той же логике, что и семантическое кэширование.

    Шлюз также обеспечивает централизованный контроль за безопасностью. Ключи API хранятся вместе, а не разбросаны по файлам конфигурации. Фильтрация инструментов по ключам и настройка бюджетов позволяют администратору определять, какой агент получит какие инструменты, и устанавливать лимиты расходов. Инструменты не выполняются автоматически, если это не указано явно, что важно, поскольку тихое, незапрошенное использование инструментов агентом может привести к проблемам.

    С чего начать

    Не требуются сложные спецификации или код. Как только аббревиатура перестанет пугать, суть становится простой: это стандартный интерфейс, позволяющий ИИ использовать внешние инструменты.

    Чтобы попробовать это сегодня, выберите уже используемое приложение, такое как Claude Desktop, Cursor или Claude Code. Затем возьмите готовый сервер — например, тот, что работает с файловой системой или GitHub — и добавьте его в файл конфигурации, на что уйдёт примерно пять минут. Как только он запустится, дайте модели реальный запрос, например, на проверку локальной папки или репозитория. В тот момент, когда агент выйдет за пределы своего чат-окна и воспользуется реальным файлом, протокол начнёт работать.

    Сохраняйте первую попытку простой. Шлюз и сложная маршрутизация — это избыточно для одного-двух серверов. Попробуйте работать с одним, посмотрите, как это работает, и добавляйте шлюз только тогда, когда будет десяток серверов, а счёт за токены начнёт расти.

    Краткие ответы

    Что такое сервер MCP в краткости? Это небольшая программа, предоставляющая ИИ-модели инструменты и данные через общий стандарт, что позволяет модели читать файлы, выполнять запросы к базам данных или вызывать API без необходимости в специальных промежуточных компонентах.

    В чём разница между клиентом и сервером? Это два конца одной связи. Серверы обеспечивают необходимые возможности; клиент, создаваемый таким приложением, как Claude Desktop, подключается к серверу и использует эти возможности. Одно приложение может запускать несколько клиентов — по одному на каждый сервер.

    Безопасны ли серверы? Это зависит от способа их работы. Доверенный локальный сервер представляет небольшую опасность. Проблемы возникают, когда множество непроверенных серверов хранят собственные учетные данные, в то время как агенты выполняют инструменты без присмотра; именно поэтому отключение автоматического выполнения и использование фильтрующего шлюза оправданы в масштабном использовании.

    Как создать такой сервер? Выберите официальный SDK, определите несколько инструментов вместе с их входными данными и предоставляйте их через stdio или HTTP. Начните с одного-двух инструментов, работающих с уже существующим клиентом, затем расширяйте функционал, вместо того чтобы пытаться сразу обернуть весь API.

    Связанные материалы

  • Безопасный поиск в Postgres с помощью ИИ: серверы MCP, настройка и лучшие практики — Как сервер PostgreSQL MCP позволяет Claude Code или Cursor читать актуальные схемы, а также сравнение CrystalDBA, Supabase и архивного референс-сервера, плюс рекомендации по безопасности.
  • Рендеринг с серверной стороны приложения React 18 с использованием Express и Babel — Как преобразовать проект Create React App в приложение с рендерингом с серверной стороны с помощью Express, hydrateRoot, renderToString и MemoryRouter, а также как с этим справляются Remix и Gatsby.
  • Что означает новый план развития MCP для серверов торговых исследований — Новый план развития MCP сосредотачивается на идентификации, долгосрочных задачах, постепенном открытии информации и контрактах на результаты. Что нужно серверу торговых исследований помимо длинного списка инструментов.
  • Практические заметки: я создал сервер MCP для Kubernetes с 453 пройденными тестами. Затем я — Пошаговое руководство по практическим заметкам: я создал сервер MCP для Kubernetes с 453 пройденными тестами. Затем я: контракты, проверки и готовые блоки кода для команд, использующих эту модель.
  • Практические заметки: Microsoft создала сервер Playwright MCP. Затем сказала вам… — Подробное руководство по практическим заметкам: Microsoft создала сервер Playwright MCP. Затем сказала вам…: контракты, проверки и готовые блоки кода для команд, использующих эту схему.
  • Объяснение MCP: почему предоставление возможностей лучше фиксированных конечных точек для агентов — Что такое протокол Model Context Protocol, как клиенты и серверы делят работу, почему он отличается от обычного API и что показывают Figma и Render по этой теме.
  • Защита инструментов MCP с возможностью записи: семь уровней защиты помимо токена — почему токен MCP не предоставляет разрешения на запись в последующих операциях, и семь уровней контроля, разделение учетных данных, проверка точности запроса и правила повторных попыток, которые это обеспечивают.