MCP (Model Context Protocol): создание коннектора

Что такое MCP-сервер

MCP (Model Context Protocol) — это стандарт, который предоставляет AI-агенту (как Claude) инструменты для работы с вашими данными. Вместо того, чтобы описывать одни и те же функции для каждого приложения, вы создаёте MCP-сервер один раз, и он работает везде.

Представьте, что у вас в кафе есть посетитель (Claude), который хочет заказать блюдо. Вместо того, чтобы ходить на кухню самому, он зовёт официанта (MCP-сервер). Официант знает все блюда (инструменты), может принять заказ и выполнить его. Именно эту роль играет MCP-сервер между Claude и вашей системой.

Ключевая идея: MCP — это протокол, который позволяет AI-агенту безопасно и эффективно работать с вашими данными и сервисами через стандартный интерфейс.

Архитектура примера: магазин курсов

Давайте разберём конкретный пример с магазином курсов, который демонстрирует MCP в действии. Система состоит из четырёх компонентов:

1. Firebase (база данных) — хранит данные в облаке в реальном времени. В примере две коллекции: «Продукты» (курсы, цены, остатки мест) и «Заказы» (статусы, клиенты).
2. Python-файл (MCP-сервер) — это обычный файл с кодом, который читает и записывает данные в Firebase. Предоставляет AI-агенту доступ через 6 инструментов (функций), например get_all_products, get_discount_code и другие. Каждый инструмент имеет текстовое описание, которое Claude читает, чтобы понять его назначение.
3. Railway (облачный хостинг) — бесплатная платформа для развёртывания Python-сервера. Нужна, чтобы сервер всегда был доступен в интернете по конкретному URL-адресу.
4. HTML-страница — обычный лендинг курсов, который через JavaScript получает данные напрямую из Firebase и отображает их пользователям.

Совет: Каждый компонент отвечает за свою задачу, но все вместе они создают систему, где AI может взаимодействовать с данными магазина в реальном времени.

Пошаговая интеграция с Claude

Подключение MCP-сервера к Claude — процесс из 5 простых шагов:

1. Разместите файл MCP-сервера на хостинге (например, Railway) и получите его публичный URL.
2. В интерфейсе Claude зайдите в раздел Connectors → Add Custom Connector.
3. Вставьте URL вашего сервера (часто требуется добавить /mcp в конец адреса).
4. Дайте коннектору имя (например, «Курсы»).
5. Claude автоматически обнаружит все доступные инструменты (те самые 6 функций из Python-кода).

После этого Claude может использовать эти инструменты в своих ответах, обращаясь к вашему серверу за данными.

Практический пример работы

Запрос пользователя к Claude:

«Какие курсы есть в магазине и покажи с ценами и остатками мест?»

Действие Claude: Вызывает инструмент get_all_products через MCP-коннектор, получает актуальные данные из Firebase и формирует ответ.

Живой результат: Если в базе данных вручную изменить число свободных мест с 12 на 5, то на следующий запрос Claude покажет уже обновлённую цифру. Это демонстрирует, что MCP работает с живыми данными в реальном времени.

Важно: MCP позволяет Claude видеть актуальные данные, а не работать со статичными описаниями. Это делает взаимодействие более полезным и правдивым.

MCP против CLI: когда что использовать

MCP и CLI (Command Line Interface) — два разных подхода к интеграции AI-агентов с внешними системами. Каждый имеет свои преимущества и недостатки.

CLI (Command Line Interface) — это когда вы даёте агенту конкретную команду с параметрами для выполнения. Он просто выполняет то, что вы ему сказали.

MCP — это когда вы предоставляете агенту набор инструментов и описания того, что они делают. Агент сам решает, какой инструмент использовать и когда.

Когда выбирать MCP:

• Нужна гибкость — агент сам решает, какой инструмент и когда вызвать.
• Задача динамическая и сложная (например, «разберись в ситуации и предложи решение»).
• Хотите универсальность — один сервер работает со всеми агентами.

Когда выбирать CLI:

• Задача простая и повторяющаяся («выполни эту команду»).
• Критичны скорость и низкая стоимость выполнения.

Токены и оптимизация расходов

Главный недостаток MCP — высокое потребление токенов. При каждом подключении коннектора Claude заранее загружает в контекст описания всех его инструментов. Один хорошо описанный инструмент — это 200–500 токенов. Если у вас 6 инструментов, это минимум 1200–3000 токенов на пустое место.

Исследования показывают разницу в 30 и более раз по расходу токенов между MCP и CLI на одну и ту же задачу. Это не шутка — это вещественный бюджет, который расходуется на описания и схемы.

Совет разработчика: Хороший разработчик считает токены — это индикатор эффективности. Если агент тратит 70% контекста на схемы инструментов, что-то не так. Держите активными только нужные здесь и сейчас коннекторы.

Как оптимизировать:

• Активируйте только те коннекторы, которые нужны для конкретной задачи.
• Пишите лаконичные описания инструментов (без лишних слов).
• Если задача простая, используйте CLI вместо MCP.
• Мониторьте расход токенов и анализируйте, как он распределяется между инструментами.

Выводы и следующие шаги

MCP — это мощный стандарт для интеграции AI-агентов с внешним миром. Он упрощает жизнь разработчикам, позволяя описать инструменты один раз и использовать их везде.

Ключевые выводы:

• Создать свой MCP-сервер с нуля несложно: нужен Python-файл и облачный хостинг (например, Railway).
• Интеграция с Claude занимает буквально 5 шагов через Custom Connector.
• CLI и MCP — не конкуренты, а разные инструменты для разных задач. Выбирайте в зависимости от требований: гибкость vs скорость/стоимость.
• Токены — это вещественный расход. Считайте их и оптимизируйте использование коннекторов.

Для быстрого старта в создании MCP-серверов можно использовать готовые инструменты, например, «MCP Builder» от Composio HQ (доступен для Claude). Это ускорит разработку и избавит вас от рутины.

Экспериментируйте, считайте токены и выбирайте подход, который работает именно для вашей задачи. MCP открывает большие возможности — используйте их с умом.