🛠️ Учебный пример: MCP-сервер для сайта курсов
Рассмотрим учебный стенд, демонстрирующий MCP в действии. Его компоненты:
1. Firebase (База данных)
1. Firebase (База данных)
Хранит данные в облаке в реальном времени.
Хранит данные в облаке в реальном времени.
В примере есть две коллекции: "Продукты" (курсы, ц
В примере есть две коллекции: "Продукты" (курсы, цены, остатки мест) и
"Заказы" (статусы, клиенты).
2. Python-файл (MCP-сервер)
Это и есть MCP-сервер — обычный файл с кодом.
Он читает и записывает данные в Firebase.
Предоставляет AI-агенту доступ через 6 инструментов (функций), например:
get_all_products
get_discount_code
Каждый инструмент имеет текстовое описание (в тройных кавычках), которое
AI читает, чтобы понять его назначение.
3. ☁️ Railway (Хостинг)
Бесплатная платформа для развертывания.
Нужна, чтобы Python-сервер всегда был доступен в интернете по
конкретному URL-адресу.
4. HTML-страница
Обычный лендинг курсов.
Через JavaScript получает данные напрямую из Firebase и отображает их.
Как подключить MCP-сервер к Claude?
1. Разместите файл MCP-сервера на хостинге (например, Railway) и получите его
публичный URL.
2. В интерфейсе Claude зайдите в Connectors → Add Custom Connector.
3. Вставьте URL вашего сервера (часто требуется добавить /mcp в конец).
4. Дайте коннектору имя (например, "Курсы").
5. Claude автоматически обнаружит все доступные инструменты (те самые 6
функций).
Пример работы:
Запрос 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.
Обратная связь: Если в базе данных (Firebase) вручную изменить число
свободных мест с 12 на 5, то на следующий запрос Claude покажет уже
обновленную цифру.
⚖️ MCP vs. CLI: Плюсы, минусы и токены
⚠️ 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.
Умножьте на количество инструментов (в примере — 6).
CLI (Command Line Interface) — альтернативный подход:
Вы даете агенту конкретную команду с параметрами для выполнения здесь и
сейчас.
Намного дешевле для простых, повторяющихся задач. Исследования показывают
разницу в 30+ раз по расходу токенов на одну задачу.
Когда что использовать?
Выбирайте MCP, если:
Нужна гибкость (агент сам решает, какой инструмент и когда вызвать).
Задача динамическая и сложная ("разберись в ситуации").
Хотите универсальность (один сервер работает со всеми агентами,
поддерживающими MCP).
Выбирайте CLI, если:
Задача простая и повторяющаяся ("выполни эту команду").
Критичны скорость и низкая стоимость выполнения.
Совет: 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.
Выводы и рекомендации
MCP — это мощный стандарт для интеграции AI-агентов с внешним миром,
который упрощает жизнь разработчикам.
Создать свой MCP-сервер с нуля несложно (Python-файл + хостинг).
CLI и MCP — не конкуренты, а разные инструменты для разных задач.
Для быстрого старта в создании MCP-серверов можно использовать готовые
инструменты, например, skill "MCP Builder" от Composio HQ (доступен для
Claude).
