Model Context Protocol (MCP)
Il Model Context Protocol (MCP) è uno standard aperto che collega le applicazioni di IA a strumenti e dati tramite un'unica interfaccia. Architettura, impieghi e codice.
Il Model Context Protocol (MCP) è uno standard aperto per collegare le applicazioni di IA a strumenti esterni, fonti di dati e flussi di lavoro. Prima di MCP, ogni applicazione di IA aveva bisogno di un'integrazione personalizzata per ogni servizio utilizzato: dieci assistenti e dieci servizi potevano quindi richiedere fino a cento connettori distinti. Con MCP, un servizio viene integrato una volta come server MCP e qualsiasi applicazione compatibile con MCP può utilizzarlo. Anthropic ha introdotto il protocollo a novembre 2024 e a dicembre 2025 lo ha donato alla Agentic AI Foundation, un fondo della Linux Foundation cofondato da Anthropic, Block e OpenAI. Host come Claude, ChatGPT, VS Code, Cursor e Gemini CLI lo supportano; è diventato il modo standard con cui gli agenti di IA e i modelli linguistici di grandi dimensioni (LLM) accedono al mondo esterno.
Come funziona MCP#
La specifica MCP definisce tre ruoli che si scambiano messaggi JSON-RPC 2.0. L'host è l'applicazione di IA con cui lavora l'utente, come un chatbot, un IDE o un agente. All'interno dell'host, un client gestisce la connessione a ciascun server e ogni server espone un insieme di funzionalità. I server locali vengono eseguiti come sottoprocessi e comunicano tramite input e output standard (stdio), mentre i server remoti usano Streamable HTTP. Dalla revisione del 2026-07-28, il protocollo di base è senza stato: ogni richiesta contiene la propria versione del protocollo e le funzionalità del client, il vecchio handshake initialize e gli ID di sessione sono stati eliminati e qualsiasi istanza del server dietro un bilanciatore di carico può rispondere a qualsiasi richiesta.
I server offrono tre tipi di funzionalità:
- Strumenti: funzioni che il modello può chiamare, ciascuna descritta da un nome, una descrizione e uno schema JSON per i relativi argomenti, come
create_issueorun_query. Gli strumenti possono restituire testo, immagini o dati strutturati. - Risorse: Contesto di sola lettura identificato da URI, ad esempio file, schemi di database o estratti di log, che l'applicazione può aggiungere al contesto del modello.
- Prompt: Modelli di messaggio riutilizzabili che gli utenti selezionano esplicitamente, spesso presentati come comandi slash.
I server possono anche chiedere all'utente i dati mancanti nel corso di un'attività tramite l'elicitation. Le estensioni facoltative aggiungono altre funzionalità: Tasks gestisce operazioni di lunga durata per cui un client interroga periodicamente i risultati, mentre MCP Apps consente a uno strumento di restituire un'interfaccia interattiva, secondo l'approccio della UI generativa, che mostra grafici e moduli all'interno della conversazione.
Creare un server MCP#
L'SDK Python ufficiale di MCP trasforma una funzione Python tipizzata in uno strumento e genera il relativo schema JSON dai suggerimenti di tipo. Integrare in questo modo l'inferenza di Ultralytics YOLO26 offre a qualsiasi host MCP il rilevamento degli oggetti: lo strumento restituisce Results.summary(), un elenco con il nome della classe, il livello di confidenza e le coordinate del riquadro di ogni oggetto, su cui il modello può ragionare. In questo esempio, un client nello stesso processo individua e chiama lo strumento come farebbe un host:
import asyncio
from mcp import Client
from mcp.server.mcpserver import MCPServer
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
server = MCPServer("vision")
@server.tool()
def detect(image_url: str) -> list[dict]:
"""Detect objects in an image and return each object's class, confidence, and box."""
results = model(image_url)
return results[0].summary()
async def main():
"""Discover the server's tools and call one, as an MCP host does."""
async with Client(server) as client:
tools = await client.list_tools()
print(tools.tools[0].name, tools.tools[0].input_schema)
result = await client.call_tool("detect", {"image_url": "https://ultralytics.com/images/bus.jpg"})
print(result.structured_content)
asyncio.run(main())Il primo print mostra il nome dello strumento e lo schema di input che vede il modello dell'host, il quale richiede un argomento stringa, image_url; il secondo mostra l'elenco dei rilevamenti restituito come contenuto strutturato.
MCP a confronto con concetti correlati#
- Chiamata di funzioni: La capacità del modello di emettere una richiesta strutturata per uno strumento. MCP standardizza il modo in cui gli strumenti vengono individuati, descritti ed eseguiti nelle varie applicazioni; l'host converte le definizioni degli strumenti MCP nel formato di chiamata delle funzioni nativo del modello.
- API: Un'API REST o GraphQL serve i client di un singolo servizio. Un server MCP spesso integra una di queste API e aggiunge i nomi, le descrizioni e gli schemi necessari al modello per utilizzarla senza codice personalizzato.
- Generazione aumentata dal recupero (RAG): Tecnica che ancora le risposte ai documenti recuperati. MCP è un modo per fornire quel recupero, tramite uno strumento di ricerca o risorse allegate.
- Protocollo Agent2Agent (A2A): Collega gli agenti tra loro affinché possano delegarsi attività complete. MCP collega un agente agli strumenti e ai dati che usa direttamente.
- Competenze degli agenti: Cartelle di istruzioni e script che un agente carica nel proprio contesto quando un'attività li richiede. Le competenze insegnano all'agente come svolgere un'attività e i server MCP gli danno accesso in tempo reale ai sistemi coinvolti, quindi gli agenti usano comunemente entrambi.
Applicazioni nel mondo reale#
- Programmazione agentica: Gli agenti di programmazione si collegano a GitHub, ai sistemi di tracciamento dei problemi, ai database e ai browser tramite server MCP. Perciò, chiedendo perché non funziona un accesso, l'agente può recuperare i log degli errori, leggere il codice di autenticazione e controllare i problemi aperti in un'unica sessione.
- Assistenti aziendali: I connettori per archivi documentali, chat, sistemi di gestione dei ticket e CRM consentono a un assistente di rispondere a domande usando i dati aziendali e di registrare aggiornamenti per conto dell'utente.
- Ispezione visiva: Un agente chiama uno strumento di rilevamento su un'immagine acquisita da una telecamera, interroga un server di inventario per trovare i pezzi di ricambio quando individua un componente danneggiato e prepara un ticket di manutenzione, trasformando una singola inferenza in un flusso di automazione completo.
- Analisi dei dati: I server di database espongono strumenti di interrogazione in sola lettura, così gli analisti possono fare domande in linguaggio naturale e ottenere risposte calcolate su tabelle aggiornate.
Considerazioni sulla sicurezza#
Uno strumento MCP può eseguire codice arbitrario con le credenziali dell'utente, quindi ogni connessione amplia sia ciò che può fare il modello, sia ciò a cui può accedere un aggressore. I risultati degli strumenti e le risorse possono contenere prompt injection, ovvero testo che cerca di indurre il modello a chiamare altri strumenti o a divulgare dati; un server malevolo può inoltre nascondere istruzioni nelle descrizioni dei propri strumenti, in un attacco noto come avvelenamento degli strumenti. I server remoti autenticano gli utenti con autorizzazioni basate su OAuth e gli host prudenti limitano ogni server ai permessi necessari, eseguono i server locali in sandbox e aggiungono misure di sicurezza, come richieste di approvazione prima delle azioni sensibili. La specifica impone agli host di ottenere il consenso esplicito dell'utente prima di invocare qualsiasi strumento e di considerare non attendibili le descrizioni degli strumenti, a meno che non provengano da un server attendibile.










