Весной 2024 года Anthropic представила Model Context Protocol (MCP) — открытый протокол для подключения инструментов к большим языковым моделям. С тех пор вокруг MCP сформировалось активное сообщество, появились десятки реализаций серверов и клиентов, а сам протокол стал одним из самых обсуждаемых нововведений в области агентов. Но что именно решает MCP, для каких сценариев он подходит, а где пока остаётся сырым — разбираемся с опорой на официальные источники, примеры из практики и дискуссии в сообществе.
Почему стандарт для инструментов стал необходимым
Современные AI-агенты работают не только за счёт генерации текста — они выполняют код, обращаются к базам данных, вызывают API, читают файлы. Для этого модели используют механизм function calling: LLM генерирует JSON с именем функции и параметрами, а среда выполнения обрабатывает вызов. Однако каждая интеграция требует написания кастомного кода: спецификации функций, описание схемы, обработка ошибок, маршрутизация. При масштабировании агента до десятков инструментов поддержка превращается в головную боль.
MCP предлагает единый протокол на основе клиент-серверной архитектуры. Агент (клиент) подключается к любому MCP-серверу, который предоставляет список доступных инструментов и их схемы. Всё, что нужно разработчику — написать или использовать готовый сервер, а клиентское взаимодействие стандартизировано. Это снижает связность и упрощает добавление новых инструментов.
Что показывают официальные источники и сообщество
Официальная документация Anthropic (modelcontextprotocol.io) описывает MCP как протокол, состоящий из трёх основных компонентов: транспорт (например, STDIO или SSE), спецификация JSON-RPC и набор стандартных методов (tools/list, tools/call, resources/list и др.). В репозитории MCP на GitHub уже есть примеры серверов для файловой системы, PostgreSQL, Slack, GitHub и других популярных сервисов.
Сообщество отреагировало быстро. Один из самых цитируемых материалов — пост Саймона Уиллисона (Simon Willison, создатель Datasette), где он подробно разбирает реализацию MCP-сервера для SQLite и показывает, как протокол упрощает интеграцию с LLM. В комментариях на Reddit/r/machinelearning, правда, отмечается, что документация местами неполна, а реализация клиента на Python имеет баги при работе с асинхронными вызовами.
Практический сценарий: MCP-сервер для базы данных
Представьте, что нужно дать агенту доступ к PostgreSQL. Без MCP вам пришлось бы описать функции `select_query`, `execute_update`, `list_tables` и т.д., указать их схемы, добавить подключение к БД, обработать ошибки. С MCP вы запускаете готовый сервер `@modelcontextprotocol/server-postgres`, который понимает все стандартные методы. Агент получает список инструментов автоматически, вызывает их через единый интерфейс, а сервер берёт на себя SQL-запросы и возврат результатов.
Вот как выглядит минимальная конфигурация клиента (на Python с использованием библиотеки `mcp`):
python
from mcp import ClientSession, StdioServerParameters
запуск сервера PostgreSQL
params = StdioServerParameters(
command=”python”,
args=[“-m”, “mcp_server_postgres”, “–db”, “postgresql://user:pass@localhost/db”]
)
async with ClientSession(params) as session:
tools = await session.list_tools()
result = await session.call_tool(“query”, {“query”: “SELECT * FROM users LIMIT 5”})
Этот код (адаптированный из примера в документации MCP) демонстрирует главное преимущество: разработчику не нужно писать спецификации функций — они передаются протоколом.
Сравнение MCP с традиционным function calling
Чтобы понять, когда MCP оправдан, а когда — избыточен, полезно сравнить оба подхода.
| Параметр | Function calling (нативный) | MCP |
|---|---|---|
| Описание инструментов | Вручную в коде или в системном промпте | Автоматически через протокол |
| Добавление нового инструмента | Правка кода агента, перезапуск | Запуск нового сервера, клиент подхватывает |
| Поддержка аргументов | Статическая схема в JSON Schema | Динамическая, через методы tools/list |
| Надёжность | Зависит от реализации среды | Зависит от сервера, но протокол унифицирует обработку ошибок |
| Сложность для одного инструмента | Низкая | Избыточная (нужен сервер + клиент) |
| Сложность для 10+ инструментов | Высокая (связный код) | Средняя (разделение серверов) |
Протокол особенно полезен там, где инструменты меняются часто или где агент должен работать с разными наборами сервисов в зависимости от контекста. Однако для простого сценария «один агент — один API» MCP добавляет лишнюю прослойку.
Ограничения и спорные моменты
MCP — молодой стандарт, и сообщество указывает на несколько проблем.
Первое — производительность. Каждый вызов инструмента проходит через протокол JSON-RPC, что добавляет накладные расходы. В бенчмарках, опубликованных в обсуждении на Hacker News, латентность вызова MCP-сервера через STDIO примерно на 20-30% выше, чем прямой вызов функции Python. Для критичных по времени сценариев (например, быстрые вычисления) это может быть неприемлемо.
Второе — безопасность. MCP не определяет механизм аутентификации или авторизации. Сервер может быть запущен с правами, которые агент будет использовать неосторожно. В репозитории MCP есть документ о безопасности, но он описывает скорее общие рекомендации, чем готовый протокол.
Третье — совместимость моделей. На данный момент MCP-клиенты реализованы в основном для Claude, но несколько экспериментальных реализаций для GPT-4 и Gemini (например, MCP client for OpenAI) не являются официальными и могут работать с перебоями.
Что можно попробовать уже сегодня
Для разработчиков, желающих оценить MCP, нет ничего проще, чем запустить готовый сервер и подключить к нему Claude Desktop или любой другой клиент, поддерживающий протокол. Anthropic предлагает набор официальных серверов для файловой системы, Git, GitHub, PostgreSQL, SQLite и других. Достаточно установить их через pip и запустить:
bash
pip install mcp-server-filesystem
mcp-server-filesystem /path/to/dir
Затем в Claude Desktop перейти в настройки > Features > Developer mode и ввести команду запуска сервера. После этого можно давать модели команды, работающие с файлами напрямую.
Полезно также изучить пример создания собственного MCP-сервера на Python или TypeScript. Это займёт около часа и даёт чёткое понимание, подходит ли протокол для ваших задач.
Итог: стандарт с потенциалом, но не серебряная пуля
MCP решает реальную проблему — стандартизацию интеграции инструментов в агентов. Он особенно полезен в экосистемах с большим числом сервисов, где каждый инструмент требует отдельной настройки. Однако протокол пока сыроват: есть вопросы к производительности, безопасности и совместимости. Для простых сценариев традиционный function calling остаётся более простым и быстрым решением.
Разработчикам, работающим с агентами в 2025 году, стоит следить за развитием MCP, тестировать его на своих кейсах и участвовать в обсуждениях. Следующие полгода покажут, станет ли он де-факто стандартом или останется нишевой технологией.