Model Context Protocol (MCP)
Протокол контекста модели (MCP) — открытый стандарт, который связывает приложения ИИ с инструментами и данными через единый интерфейс. Разбираем архитектуру, применение и код.
Протокол контекста модели (MCP) — открытый стандарт для подключения AI-приложений к внешним инструментам, источникам данных и рабочим процессам. До появления MCP каждому AI-приложению требовалась собственная интеграция для каждой используемой службы, поэтому десять ассистентов и десять служб могли потребовать до ста отдельных коннекторов. С MCP службу достаточно один раз обернуть в MCP-сервер, после чего ее сможет использовать любое приложение, совместимое с MCP. Anthropic представила протокол в ноябре 2024 года, а в декабре 2025 года передала его Agentic AI Foundation — фонду при Linux Foundation, который Anthropic основала совместно с Block и OpenAI. Его поддерживают такие хосты, как Claude, ChatGPT, VS Code, Cursor и Gemini CLI. Протокол стал стандартным способом, с помощью которого AI-агенты и большие языковые модели (LLMs) взаимодействуют с внешним миром.
Как работает MCP#
Спецификация MCP определяет три роли, обменивающиеся сообщениями JSON-RPC 2.0. Хост — это AI-приложение, в котором работает пользователь, например чат-бот, IDE или агент. Внутри хоста отдельный клиент управляет подключением к каждому серверу, а каждый сервер предоставляет набор возможностей. Локальные серверы запускаются как дочерние процессы и обмениваются данными через стандартные потоки ввода и вывода (stdio), а удаленные серверы используют Streamable HTTP. Начиная с редакции от 2026-07-28, основной протокол не хранит состояние: каждый запрос содержит собственную версию протокола и возможности клиента, прежнее рукопожатие initialize и идентификаторы сессий упразднены, а любой экземпляр сервера за балансировщиком нагрузки может обработать любой запрос.
Серверы предоставляют три типа возможностей:
- Инструменты: Функции, которые может вызывать модель. Каждая описывается именем, описанием и JSON Schema аргументов, например
create_issueилиrun_query. Инструменты могут возвращать текст, изображения или структурированные данные. - Ресурсы: Контекст только для чтения, обозначенный URI, например файлы, схемы баз данных или фрагменты журналов, которые приложение может добавить в контекст модели.
- Промпты: Многоразовые шаблоны сообщений, которые пользователь выбирает явно и которые часто доступны в виде слэш-команд.
Серверы также могут запросить у пользователя недостающие данные прямо во время выполнения задачи с помощью механизма elicitation. Дополнительные расширения добавляют другие возможности: Tasks управляет длительными операциями, результаты которых клиент периодически запрашивает, а MCP Apps позволяет инструменту возвращать интерактивный интерфейс — подход к генеративному интерфейсу, который отображает диаграммы и формы прямо в диалоге.
Создание MCP-сервера#
Официальный Python SDK для MCP превращает типизированную функцию Python в инструмент и генерирует для нее схему JSON на основе аннотаций типов. Если таким образом обернуть предсказание Ultralytics YOLO26, любой хост MCP получит возможность выполнять детекцию объектов: инструмент возвращает Results.summary() — список с названием класса, уверенностью и координатами рамки для каждого объекта, над которым модель может рассуждать. Ниже внутрипроцессный клиент обнаруживает инструмент и вызывает его так же, как это сделал бы хост:
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())В первом print указаны имя инструмента и схема входных данных, которую видит модель хоста и согласно которой требуется один строковый аргумент — image_url. Во втором показан список детекций, возвращенный в виде структурированного содержимого.
MCP и смежные понятия#
- Вызов функций: Способность модели формировать структурированный запрос к инструменту. MCP стандартизирует обнаружение, описание и выполнение инструментов в разных приложениях, а хост преобразует определения инструментов MCP в собственный формат вызова функций модели.
- API: REST API или GraphQL API обслуживает клиентов одной службы. MCP-сервер часто оборачивает такой API и добавляет имена, описания и схемы, которые нужны модели, чтобы использовать API без специального кода.
- Генерация с дополненной поиском выдачей (RAG): Метод, позволяющий обосновывать ответы найденными документами. MCP — один из способов предоставить такую информацию через инструмент поиска или подключенные ресурсы.
- Протокол Agent2Agent (A2A): Соединяет агентов друг с другом, чтобы они могли делегировать целые задачи. MCP связывает агента с инструментами и данными, которыми он пользуется напрямую.
- Навыки агентов: Папки с инструкциями и скриптами, которые агент загружает в свой контекст, когда этого требует задача. Навыки учат агента выполнять задачи, а MCP-серверы предоставляют ему оперативный доступ к задействованным системам, поэтому агенты часто используют и то и другое.
Примеры применения в реальных условиях#
- Агентное программирование: Агенты для программирования подключаются к GitHub, системам отслеживания задач, базам данных и браузерам через MCP-серверы. Поэтому, если спросить, почему не работает вход в систему, агент сможет за один сеанс получить журналы ошибок, прочитать код аутентификации и проверить открытые задачи.
- Корпоративные ассистенты: Коннекторы к хранилищам документов, чатам, системам обработки заявок и CRM позволяют ассистенту отвечать на вопросы по данным компании и от имени пользователя вносить обновления.
- Визуальный контроль: Агент запускает инструмент детекции для изображения с камеры, при обнаружении поврежденной детали запрашивает у сервера инвентаризации запасные части и создает черновик заявки на техническое обслуживание. Так одно предсказание превращается в полноценный процесс автоматизации.
- Анализ данных: Серверы баз данных предоставляют инструменты запросов только для чтения, поэтому аналитики могут задавать вопросы обычным языком и получать ответы, вычисленные по актуальным таблицам.
Вопросы безопасности#
Инструмент MCP может выполнять произвольный код с учетными данными пользователя, поэтому каждое подключение расширяет возможности модели и доступ злоумышленников. Результаты работы инструментов и ресурсы могут содержать промпт-инъекции — текст, который пытается заставить модель вызвать другие инструменты или раскрыть данные. Вредоносный сервер может скрывать инструкции в описаниях собственных инструментов; такая атака называется отравлением инструментов. Удаленные серверы аутентифицируют пользователей с помощью авторизации на основе OAuth, а надежные хосты ограничивают каждый сервер необходимыми ему разрешениями, запускают локальные серверы в песочницах и добавляют защитные механизмы, например запросы подтверждения перед выполнением важных действий. Спецификация требует, чтобы хосты получали явное согласие пользователя перед вызовом любого инструмента и считали описания инструментов ненадежными, если они поступили не с доверенного сервера.










