Обзор на Model Context Protocol (MCP) от Anthropic

На заре появления LLM пользователям приходилось просто копировать свой код в текстовое окно, чтобы ИИ могла его обработать. Естественно, такой подход быстро всех утомил, и разработчики начали искать свои способы загрузки данных в модель. У этого подхода была серьезная проблема — каждому приходилось изобретать велосипед заново. Именно поэтому появился протокол MCP (Model Context Protocol) — универсальный способ дать искусственному интеллекту доступ к нужным данным, неважно где они хранятся — на компьютере пользователя или же в интернете.

Как это работает?

Протокол состоит из трех главных частей:

• Хост — это приложения с ИИ внутри (например, Claude Desktop или другие среды разработки), которые хотят получить доступ к данным

• Клиентская часть — находится внутри такой программы и держит связь с сервером

• Серверная часть — предоставляет доступ к данным, инструментам и шаблонам запросов

Как устроена серверная часть

Если вы уже работали с инструментами для ИИ, то вам будет несложно разобраться. Давайте посмотрим на пример — сервер для поиска через Brave Search.

Внутри программа сервера определяет инструменты, к которым у него есть доступ, и сообщает об их доступности клиенту.

server.setRequestHandler(ListToolsRequestSchema, async () => ({   tools: [WEB_SEARCH_TOOL, LOCAL_SEARCH_TOOL], }));

Например, инструмент для веб-поиска (WEB_SEARCH_TOOL) описывается так:

{     name: "brave_web_search",     description: "Поиск в интернете через Brave Search. Подходит для поиска новостей, статей и любой информации в сети. " +         "Используйте для получения свежей информации или когда нужно найти разные источники по теме. " +         "Умеет выдавать результаты постранично и фильтровать контент. " +         "За раз можно получить до 20 результатов. ",     inputSchema: {         type: "object",         properties: {             query: {                 type: "string",                 description: "Что искать (до 400 символов или 50 слов)"             },             count: {                 type: "number",                 description: "Сколько результатов показать (от 1 до 20, обычно 10)",                 default: 10             },             offset: {                 type: "number",                 description: "С какого результата начать (до 9, обычно с первого)",                 default: 0             },         },         required: ["query"],     }, }

Насколько я могу судить, этот формат похож на то, как работают инструменты в Anthropic Claude Tool Use или OpenAI Function Calling.

Дальше создается обработчик запросов:

server.setRequestHandler(CallToolRequestSchema, async (request) => {   // ... }); 

Когда приходит запрос, обработчик смотрит, какой инструмент нужен, и вызывает соответствующую функцию:

case "brave_web_search": {     if (!isBraveWebSearchArgs(args)) {         throw new Error("Неправильные параметры для поиска");     }     const { query, count = 10 } = args;     const results = await performWebSearch(query, count);     return {         content: [{             type: "text",             text: results         }],         isError: false,     }; }

Каждый такой сервер работает как отдельная программа, имеет свой адрес (например, tool://brave_web_search/brave_web_search) и общается с клиентами через JSON-RPC. Запустить сервер Brave Search можно простой командой:

Сначала нужно получить бесплатный ключ API: просто зарегистрируйтесь в Brave.

$ export BRAVE_API_KEY=your-api-key $ npx -y @modelcontextprotocol/server-brave-search

Как работает клиентская часть

Для начала клиент должен знать, к какому серверу подключаться:

const transport = new StdioClientTransport({     command: "tool://brave_web_search/brave_web_search" });

Затем устанавливаем соединение:

await client.connect(transport);

При подключении происходит «рукопожатие» — клиент и сервер договариваются о том, как они будут работать:

• Клиент сообщает, какую версию протокола использует и что умеет делать

• Сервер отвечает своими возможностями и версией протокола

• Клиент подтверждает, что всё понял

• После этого можно начинать обмен данными

Теперь клиент может отправлять запросы:

const resources = await client.request(     { method: "brave_web_search" },     BraveWebSearchResultSchema );

В протоколе есть четыре типа сообщений:

• Запросы — когда нужен ответ

• Уведомления — просто сообщить что-то, ответ не нужен

• Результаты — успешные ответы на запросы

• Ошибки — когда что-то пошло не так

Как передаются данные

Протокол MCP умеет работать двумя способами:

• Через стандартный ввод/вывод

  • Самый простой способ для программ на одном компьютере

  • Работает как обычный обмен текстом между программами

• Через HTTP с Server-Sent Events (SSE)

  • Сервер отправляет данные клиенту через SSE

  • Клиент общается с сервером через обычные HTTP POST-запросы

В обоих случаях для передачи данных используется формат JSON-RPC 2.0 — простой и надёжный способ удалённого вызова функций.

Как работает Хост

Программа-хост — это то приложение, которое решает, к каким серверам подключаться и когда. Её главная задача — понять, что умеет делать каждый сервер, и придумать, как с их помощью решить задачу пользователя.

Надо сказать, что эта часть протокола описана довольно расплывчато. Насколько я понимаю, предполагается, что каждый разработчик сам решает, как именно его приложение будет выбирать и использовать серверы. Если интересно, я рассказывал об этом подробнее в статье «Как научить ИИ пользоваться инструментами«.

Что уже есть в открытом доступе

Готовые библиотеки для разработчиков:

• TypeScript

• Python

Готовые серверы:

• Filesystem — безопасный доступ к файлам с гибкими настройками прав

• GitHub — работа с репозиториями и API GitHub

• Google Drive — поиск и доступ к файлам

• PostgreSQL — чтение из базы данных с анализом её структуры

• Slack — управление каналами и отправка сообщений

• Memory — система долговременной памяти на основе графов знаний

• Puppeteer — автоматизация браузера и сбор данных с веб-страниц

• Brave Search — поиск в интернете и на компьютере через API Brave

• Google Maps — всё для работы с картами: поиск мест, построение маршрутов и подробная информация о местах

• Fetch — загрузка веб-страниц в формате, удобном для обработки ИИ

Серверы от сообщества:

• MCP YouTube — скачивает субтитры с YouTube через yt-dlp

Кто уже использует MCP

Протокол уже взяли на вооружение несколько известных проектов:

• Sourcegraph Cody: использует для улучшения контекста при работе с кодом

• Zed Editor: расширяет возможности для разработчиков

Пример от Sourcegraph Cody

В их блоге есть отличный пример:

Cody подключается к базе PostgreSQL, смотрит её схему и на основе этого пишет запрос Prisma.

Пример от Zed Editor

А вот что пишут в своем блоге разработчики Zed:

Они сделали расширение для PostgreSQL, которое сразу даёт модели ИИ информацию о структуре базы данных. Теперь, когда пользователь просит написать запрос, ИИ точно знает, какие таблицы и столбцы есть в базе и какие у них типы данных.

В блоге Sourcegraph также есть пример построения линейной интеграции с TypeScript и MCP.

Тестируем MCP в Claude Desktop

Давайте попробуем запустить MCP — проще всего это сделать через приложение Claude Desktop.

Сначала нужно настроить приложение. Откройте любым текстовым редактором файл конфигурации:
~/Library/Application Support/Claude/claude_desktop_config.json

Важно: этого файла скорее всего у вас нет, его нужно создать. И не перепутайте с файлом ~/Library/Application Support/Claude/config.json — это совсем другой файл, его не трогаем.

Добавьте в файл такие настройки:

{     "mcpServers": {         "brave_search": {             "command": "npx",             "args": ["@modelcontextprotocol/server-brave-search"],             "env": {                 "BRAVE_API_KEY": "ваш-ключ-api"             }         }     } } 

Этой записью мы говорим приложению:

• Есть сервер MCP под названием brave_search

• Запускать его нужно командой npx @modelcontextprotocol/server-brave-search

• Для работы ему нужен ваш ключ API от Brave

Сохраните файл и перезапустите Claude Desktop.

Теперь можно попросить приложение что-нибудь поискать в интернете. Например, напишите «поищи в интернете информацию о glama.ai».

При первом запросе приложение спросит разрешение на использование MCP — это диалоговое окно с запросом прав.

Нажмите «Разрешить для этого чата» (Allow for This Chat), и Claude Desktop начнёт поиск через сервер Brave Search.

Есть ли альтернативы?

Да, есть несколько проектов с открытым исходным кодом, которые решают те же задачи:

• Web Applets — открытая спецификация и набор инструментов для создания приложений, с которыми могут работать ИИ-ассистенты

Что дальше?

Я думаю, что MCP станет по-настоящему популярным только когда появится поддержка HTTP. Но уже можно представить будущее, где в таких приложениях как Glama или Claude Desktop появится что-то вроде магазина MCP-серверов — пользователи смогут просто подключать нужные сервисы к своим рабочим процессам.

Первые впечатления

Хотя MCP позиционируется как открытый стандарт, пока что он больше заточен под работу с Claude от Anthropic. Есть и другие проблемы:

• Нет чёткой документации по совместимости с другими провайдерами ИИ (AWS Bedrock, Google Vertex AI)

• Настройка серверов в Claude Desktop делается вручную, нет удобных инструментов

• Приходится давать разрешение на использование MCP каждый раз при запуске приложения

Поэтому можно сделать вывод, что до полноценного стандарта еще далеко…

Лично я думаю, что победителем в этой гонке станет Computer Use — он сможет решить все те задачи, которые пытается решить MCP, и даже больше. Поэтому, шансов стать новым стандартом у него гораздо больше.