Model Context Protocol

Автор Nikolay Komissarenkoв категории Статьи
Module context protocol - https://bigdataschool.ru

Model Context Protocol (MCP) — это открытый стандарт, разработанный для унификации взаимодействия между моделями искусственного интеллекта, особенно большими языковыми моделями (LLM), и внешними инструментами. До появления MCP интеграция ИИ с внешними API была сложной. Разработчикам приходилось писать уникальный код для каждого нового инструмента. Это замедляло разработку и создавало зависимость от конкретных моделей. Model Context Protocol (MCP) решает эту проблему. Он действует как универсальный коннектор или мост.

Протокол позволяет моделям динамически и безопасно взаимодействовать с API, базами данных и другими приложениями. Проще говоря, Model Context Protocol (MCP) предоставляет общий язык. Этот язык ИИ-модели и инструменты используют для общения друг с другом. Таким образом, это значительно упрощает их совместную работу. Он стандартизирует процесс, делая системы более гибкими и масштабируемыми.

Ключевые характеристики и преимущества Model Context Protocol (MCP)

 

Model Context Protocol (MCP) обладает рядом ключевых характеристик. Они делают его мощным решением для разработчиков ИИ-приложений. Эти особенности обеспечивают гибкость, безопасность и эффективность. Кроме того, они способствуют созданию более модульной и масштабируемой экосистемы. Рассмотрим каждый аспект подробнее.

  • Стандартизированная интеграция: Основное преимущество Model Context Protocol (MCP) — это унифицированный подход. Он позволяет подключать ИИ-модели к любым внешним системам без сложной индивидуальной настройки. Это означает, что один раз созданный MCP-сервер для инструмента (например, для Google Calendar) может быть использован любой MCP-совместимой моделью.
  • Гибкость и независимость от вендора: Протокол позволяет легко переключаться между различными моделями ИИ. Разработчики могут менять поставщиков услуг, например, с Anthropic на OpenAI или локальный Llama, без перестройки всей архитектуры интеграции. Такая гибкость критически важна в быстро развивающейся области ИИ.
  • Повышенная безопасность: Model Context Protocol (MCP) спроектирован с учетом безопасности. Он позволяет хранить конфиденциальные данные, такие как ключи API и учетные данные, внутри вашей собственной инфраструктуры на MCP-сервере. Внешняя ИИ-модель получает доступ только к результатам работы инструмента, а не к секретам. Это минимизирует риски утечки данных.
  • Модульность и повторное использование: MCP способствует созданию переиспользуемых инструментов. Если для сервиса, например, для Notion, существует MCP-сервер, любое MCP-совместимое приложение может немедленно получить к нему доступ. Это создает экосистему готовых “строительных блоков”, ускоряя разработку новых приложений.
  • Простота и расширяемость: Протокол является легковесным и простым для реализации. Он не навязывает сложных зависимостей. Это позволяет разработчикам быстро создавать новые MCP-серверы для своих собственных инструментов и API.

Как функционирует Model Context Protocol (MCP)?

 

Архитектура Model Context Protocol (MCP) основана на проверенной клиент-серверной модели. Она частично вдохновлена протоколом Language Server Protocol (LSP). Это обеспечивает универсальный и надежный способ взаимодействия ИИ-приложений с внешними системами. Весь процесс можно разбить на несколько логических, последовательных шагов.

MCP-клиент (Host Application): Это приложение, в котором работает ИИ-модель (например, десктопное приложение Claude или платформа автоматизации n8n). Клиент инициирует запросы на получение информации или выполнение задач. Он управляет жизненным циклом MCP-сервера.

MCP-сервер: Это отдельная программа, которая предоставляет доступ к одному или нескольким внешним инструментам. Сервер является “оберткой” над API, базой данных или файловой системой. Он получает запросы от клиента, выполняет их и возвращает результат.

Инициализация и обмен возможностями: При запуске клиент стартует процесс MCP-сервера. Сервер отправляет клиенту список доступных инструментов и их описание (tool definitions). Этот список обычно включает имя инструмента, его описание и параметры, которые он принимает. Модель ИИ использует эти описания, чтобы понять, какие задачи она может делегировать.

 

Архитектура клиент серверной модели MCP https://n8n-school.com

 

Выполнение запроса: Когда пользователь делает запрос к модели, модель анализирует его. Она определяет, может ли какой-либо из доступных инструментов помочь. Если да, модель формирует запрос на вызов инструмента и передает его клиенту. Клиент, в свою очередь, отправляет этот запрос на MCP-сервер.

Транспортный уровень: Связь между клиентом и сервером Model Context Protocol (MCP) осуществляется через транспортный уровень. Поддерживаются два основных метода:

  • STDIO (Standard Input/Output): Используется для локальных интеграций. Клиент и сервер обмениваются данными через стандартные потоки ввода-вывода. Это простой и эффективный способ для локально запущенных инструментов.
  • HTTP+SSE (Server-Sent Events): Применяется для удаленных или сетевых подключений. HTTP используется для запросов от клиента к серверу. SSE используется для потоковой передачи ответов от сервера клиенту. Это позволяет серверу отправлять обновления в реальном времени.

Таким образом, Model Context Protocol (MCP) полностью разделяет логику работы ИИ-модели и логику работы инструментов. Это делает всю систему более устойчивой и простой в обслуживании.

 

Сценарии применения Model Context Protocol (MCP)

 

 

AI-агенты для оптимизации бизнес-процессов

Код курса
AGENT
Ближайшая дата курса
6 октября, 2025
Продолжительность
24 ак.часов
Стоимость обучения
54 000

 

 

Model Context Protocol (MCP) открывает широкие возможности для автоматизации и создания интеллектуальных систем. Ниже рассмотрены как общие сценарии, так и конкретный пример интеграции с платформами автоматизации.

Общие сценарии:

  • Автоматизация работы с файлами: Модели ИИ получают доступ к локальной файловой системе. Они могут сканировать каталоги, читать содержимое файлов и записывать новые данные.
  • Взаимодействие с веб-сервисами: Использование MCP для подключения к публичным API. Например, для поиска в интернете через Perplexity AI или для синтеза речи с помощью Eleven Labs.
  • Управление базами данных: Модели могут выполнять SQL-запросы к базам данных. Пользователь может формулировать запросы на естественном языке, а модель преобразует их в SQL.
  • Работа с Git: Автоматизация рутинных задач в GitHub. Например, создание веток, коммитов или управление pull-запросами на основе описания задачи.

 

Интеграция с платформами автоматизации (n8n, Zapier)

Платформы автоматизации, такие как n8n или Zapier, значительно выигрывают от использования Model Context Protocol (MCP). Он позволяет им стать универсальными клиентами для любых ИИ-моделей.

n8n автоматизация курсы https://n8n-school.com

Пример: Автоматическая обработка лидов в n8n с помощью MCP

Представим рабочий процесс в n8n, который автоматизирует обработку новых лидов из формы на сайте.

Триггер: Рабочий процесс запускается, когда новый пользователь заполняет форму “Запросить демо”. Форма содержит имя, email и название компании.

Обогащение данных (через MCP):

  • Узел n8n (гипотетический “MCP Tool Node”) действует как MCP-клиент.
  • Он вызывает инструмент enrichCompanyInfo, доступный через MCP-сервер. Этот сервер может быть подключен к API Clearbit или другому сервису.
  • Запрос: enrichCompanyInfo(companyName=”Example Corp”).
  • MCP-сервер возвращает подробную информацию о компании: отрасль, размер, годовой доход.

Персонализация письма (через MCP):

  • Следующий узел n8n вызывает другой инструмент draftPersonalizedEmail, доступный через MCP-сервер, который оборачивает LLM (например, Claude).
  • Запрос: draftPersonalizedEmail(userName=”John Doe”, companyInfo={…}).
  • ИИ-модель генерирует персонализированное письмо, используя обогащенные данные.

Создание задачи в CRM:

  • Получив текст письма, n8n использует свой стандартный узел для создания новой сделки и задачи в CRM (например, HubSpot или Salesforce).

Отправка письма:

  • Последний узел n8n отправляет сгенерированное письмо лиду.

Преимущество такого подхода: Администратору n8n не нужно настраивать отдельные интеграции для Clearbit и Claude. Он просто указывает адрес MCP-сервера. Если компания решит сменить LLM с Claude на Llama 3, нужно будет лишь изменить адрес сервера в одном узле n8n, а вся логика рабочего процесса останется неизменной. Это и есть сила, которую дает Model Context Protocol (MCP).

 

Код курса Даты начала курса Стоимость обучения Длительность обучения Формат обучения
AGENT
06 октября 2025
 54 000 руб. 24 ак.часов
Количество дней: 6		 Дистанционный
Регистрация

 

 

Настройка и взаимодействие с Model Context Protocol (MCP)

 

Работа с Model Context Protocol (MCP) включает в себя настройку серверов для предоставления инструментов и их подключение к клиентским приложениям. Ниже приведены примеры конфигурации и кода.

Настройка MCP-сервера часто выполняется с помощью файла конфигурации в формате JSON. Клиентское приложение читает этот файл, чтобы знать, как запускать и взаимодействовать с серверами.

 

{
  "mcpServers": {
    "file-system-server": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "."
      ],
      "transport": "stdio"
    },
    "weather-server": {
      "command": "python",
      "args": [
        "weather_server.py"
      ],
      "transport": "sse"
    }
  }
}

 

Этот пример показывает конфигурацию для запуска двух серверов: локального для файловой системы и удаленного сервера погоды.

Создание простого MCP-сервера на Python с использованием библиотеки fastmcp. Этот сервер предоставляет один инструмент get_forecast.

 

rom fastmcp import FastMCP
import uvicorn

# Создание экземпляра MCP-сервера с описанием
mcp = FastMCP(
    "SimpleWeatherServer",
    description="Сервер для получения прогноза погоды."
)

@mcp.tool()
def get_forecast(city: str):
    """
    Возвращает прогноз погоды для указанного города.
    Поддерживает только несколько городов для примера.
    """
    # Здесь должен быть код для получения реального прогноза из API
    city_lower = city.lower()
    if "москва" in city_lower:
        return {"city": city, "forecast": "Солнечно, +25C"}
    elif "лондон" in city_lower:
        return {"city": city, "forecast": "Облачно, +18C"}
    else:
        return {"error": f"Данные для города {city} недоступны"}

# Для запуска через HTTP+SSE
if __name__ == "__main__":
    print("Запуск MCP-сервера на http://127.0.0.1:8000")
    # fastmcp.run() запускает uvicorn под капотом
    mcp.run("sse", host="127.0.0.1", port=8000)

 

 Использованные источники и материалы:

 

  1.  Introduction to MCP  https://modelcontextprotocol.io/
  2.  A MCP Guide With Demo Project – https://www.datacamp.com/tutorial/mcp-model-context-protocol
  3. What Is the MCP and How It Works – https://www.descope.com/learn/post/mcp
  4.  A Complete Tutorial 4 MCP- https://medium.com/@nimritakoul01/the-model-context-protocol-mcp-a-complete-tutorial-a3abe8a7f4ef
  5. 10 MCP Use Cases Using Claude – https://www.activepieces.com/blog/10-mcp-model-context-protocol-use-cases