В мире искусственного интеллекта наступает новая эра — эра агентов, способных не просто генерировать текст, но и активно взаимодействовать с внешним миром. Ключевым стандартом в этой области становится Model Context Protocol (MCP), открытый протокол, который позволяет безопасно подключать ИИ-модели к вашим базам данных, локальным файлам и сторонним сервисам.
🛠️ Что такое MCP и почему это важно 1:49
Model Context Protocol (MCP) — это набор стандартизированных правил, которые позволяют ИИ-агентам (таким как GitHub Copilot, Claude Desktop или Gemini) интеллектуально взаимодействовать с внешними данными и функциями . По сути, это способ научить нейросеть пользоваться вашими собственными инструментами так, как это делали бы вы сами.
Как отмечает автор курса Карлос Леон, на сегодняшний день существует два основных типа реализации MCP-серверов:
- Standard Input/Output (STDIO): используется для локального развертывания. ИИ-агент взаимодействует с сервером как с отдельным процессом, запущенным на вашем компьютере .
- HTTP Stream (SSE): предназначен для удаленных подключений и продакшн-решений. Это позволяет внешним приложениям (например, ChatGPT или Mistral) подключаться к серверам MCP через интернет .
Примеры использования уже включают в себя управление ветками через GitHub MCP или чтение и отправку сообщений в WhatsApp .
🏗️ Создание первого MCP-сервера: Магия функций 4:44
Для разработки MCP-серверов на Python существуют две основные библиотеки: fastmcp (для создания серверов с нуля) и fastapi-mcp (для преобразования существующих API в формат MCP) .
Процесс создания базового сервера на базе fastmcp выглядит удивительно просто:
- Устанавливается библиотека через
pip install fastmcp. - Создается объект MCP с уникальным именем (например, «calculator»).
- Функции Python помечаются декоратором
@mcp.tool().
Критически важная деталь: при написании функций для MCP-сервера док-строки (docstrings) перестают быть просто комментариями для разработчиков . По словам Карлоса Леона, агент (модель) читает эти описания, чтобы понять, что именно делает инструмент и когда его следует вызывать. Если вы не опишете функцию, агент просто не поймет, как ее использовать .
В рамках примера был создан стандартный набор операций: умножение, сложение, вычитание и деление. При этом библиотека автоматически генерирует схему (schema), которую ИИ-агент использует для валидации аргументов .
🌐 От API к MCP: Переход на HTTP-рельсы 14:00
Второй сценарий предполагает использование библиотеки fastapi-mcp. Это актуально для компаний, у которых уже есть готовые API (например, на FastAPI), и они хотят сделать их доступными для ИИ-агентов .
Карлос демонстрирует, как превратить обычное веб-приложение в MCP-сервер:
- Сначала создается стандартное API с эндпоинтами (например,
/multiply,/add) . - Затем с помощью одной команды
MCP(app)приложение оборачивается в протокол . - Далее выполняется «монтирование» сервера (
mcp.mount()), что делает его видимым для инструментов тестирования .
Для проверки работоспособности используется MCP Inspector . Это специальный интерфейс, который позволяет вручную подключаться к серверу, просматривать список доступных инструментов и тестировать их выполнение без написания клиентского кода. При использовании HTTP-транспорта важно указывать правильный адрес (например, http://localhost:8000/mcp) .
📡 Реальный кейс: Поиск по RSS-лентам и YouTube 32:47
Более сложный и практический пример — создание сервера для поиска контента в реальном времени. Карлос Леон показывает, как использовать библиотеку feedparser для извлечения данных из RSS-лент сайта freeCodeCamp и их YouTube-канала .
Алгоритм работы такого инструмента:
- Агент принимает поисковый запрос (query) .
- Python-скрипт обращается к XML-файлу RSS-ленты .
- Скрипт фильтрует заголовки и описания на наличие ключевого слова и возвращает список заголовков и URL.
Это позволяет агенту отвечать на вопросы вроде: «Найди последние курсы по Python на freeCodeCamp». Вместо того чтобы галлюцинировать или использовать устаревшие данные обучения, модель обращается к живому источнику данных через MCP .
Для YouTube-канала процедура аналогична, но требует ID канала для формирования ссылки на RSS-фид . Леон также добавил «секретное сообщение» — инструмент, который просто возвращает строку текста, демонстрируя возможность передачи любых внутренних данных компании агенту .
💻 Интеграция с редакторами кода 50:00
Чтобы использовать созданный сервер в повседневной работе, его необходимо подключить к среде разработки. В Visual Studio Code это делается через конфигурационный файл mcp.json .
В конфигурации указываются:
- Тип сервера (название).
- Команда для запуска (путь к интерпретатору Python).
- Аргументы (путь к файлу сервера) .
Важный нюанс: если вы используете виртуальное окружение, в поле command необходимо указывать полный путь к исполняемому файлу Python внутри папки venv, иначе VS Code не сможет запустить зависимости . После настройки в панели GitHub Copilot появляется иконка доступных MCP-серверов. Теперь можно попросить ИИ: «Используй мой калькулятор, чтобы перемножить эти числа», и агент выполнит код локально .
☁️ Деплой и будущее протокола 1:02:36
В завершение курса Карлос демонстрирует процесс деплоя на платформу Fast MCP Cloud (находящуюся в стадии бета-тестирования) . Для успешного развертывания необходимо:
- Создать репозиторий на GitHub.
- Подготовить файл
requirements.txtсо всеми зависимостями (fastmcp,feedparser) . - Указать точку входа (main file) в настройках облака.
После деплоя сервер становится доступен по публичному URL. Его можно подключить к продвинутым ИИ-интерфейсам, таким как Mistral Chat (через Custom Connectors) . Это открывает возможности для создания полноценного бизнеса на базе «оберток» (wrappers) над MCP-серверами — аналога GPT Store, но с гораздо более глубокой интеграцией в инфраструктуру пользователя .
По мнению автора, MCP — это «трендовая тема», которая быстро развивается, и сейчас лучшее время, чтобы начать экспериментировать с собственными реализациями .
