Обзор на Model Context Protocol (MCP) от Anthropic

Когда вы строите рабочие процессы, для которых нужны несколько SaaS-инструментов, легко запутаться. Особенно, если вы также работаете с ИИ-моделями. MCP (Model Context Protocol) предлагает более удобный и универсальный подход к работе с данными.

В этой статье вы узнаете, что такое MCP и как он помогает моделям искусственного интеллекта взаимодействовать с другими инструментами. Все ― без разработчиков и необходимости под каждый сервис писать API.  

Что такое MCP

MCP — это протокол, который позволяет ИИ-агентам не только отвечать на запросы пользователей, но и выполнять реальные действия во внешних системах через определённый API-интерфейс.

«MCP предоставляет универсальный, открытый стандарт для подключения ИИ-систем к источникам данных, заменяя разрозненные интеграции единым протоколом. Это упрощает и повышает надёжность доступа ИИ к нужным данным».
— Из презентации Model Context Protocol, Anthropic

MCP разработан компанией Anthropic, создателями Claude AI. Протокол распространяется как open-source: его может использовать, адаптировать или дорабатывать любой желающий.

Почему об MCP все говорят

Представьте, что вы стартап, который использует искусственный интеллект, чтобы оценивать лиды, генерировать письма и синхронизировать данные клиенов в CRM.

Чтобы связать ИИ с вашими инструментами, вам нужны разные API. Например, если ИИ-агент встроен в ваш CRM, ему нужны отдельные API для почтового сервиса, базы данных и мессенджера. Добавляете новый инструмент — нужен ещё один API. Если он недоступен — приходится писать самому или использовать платформу интеграции.
Для нетехнических пользователей это ограничение. Даже для технических специалистов такое разнообразие создает сложности.

И тут появляется MCP. Он вводит общий протокол, по которому модели получают данные, понимают окружение и взаимодействуют с инструментами. Один протокол вместо разных связок.

Его можно представить как универсальный пульт управления — достаточно нажать нужную кнопку. С ним проще добавлять новые функции и инструменты, меньше ошибок и быстрее запуск.

Как это работает 

Технология MCP работает на базе двух компонентов:

• MCP Server — сервер, который определяет доступные API-запросы, какие методы и параметры для них нужны. Может быть разработан кем угодно и размещён где угодно. В конфигурации задаются инструкции — их используют агенты, когда подключается к сервису.

В GitHub-репозитории вы найдёте MCP-серверы, которые доступны на данный момент, например для Slack, Google Drive и Notion.

• MCP Client отвечает за связь между пользователем и сервером. Обычно встраивается в ИИ-агента, например, такую услугу предоставляет Cursor. Сейчас Cursor — один из немногих агентов с поддержкой MCP, но наверняка это скоро изменится.

Пример:

1. Пользователь вводит команду, например: «создать задачу в YouTrack».

2. Агент обрабатывает запрос, определяет нужный инструмент (YouTrack) и действие (создать задачу).

3. Агент находит подходящий API и параметры на MCP-сервере.

4. Формируется API-запрос, MCP-сервер его выполняет и возвращает результат агенту.

Практические кейсы

Пока MCP — молодая технология, но вот как ее можно будет применять в будущем:

Автоматизация продаж

• Создание лида из чата. MCP распознаёт намерение, извлекает данные и создаёт карточку лида с кратким резюме переписки.

Автоматизация для разработчиков

• В среде вроде Cursor разработчик пишет: «отправить PR на ревью». MCP выполняет действие и публикует комментарий в GitHub.

Маркетинг

• Координация контента. Сообщение в Slack: «запланируй пост о продукте на пятницу в LinkedIn» — MCP делает публикацию по шаблону.

Поддержка клиентов

• Запрос: «открыть тикет на возврат» — MCP создаёт кейс, классифицирует проблему и направляет в нужную очередь.

• После окончания диалога создаёт краткое резюме и прикрепляет к тикету.

HR

• «Оформить нового сотрудника: Анна Петрова, с 1 мая» — MCP запускает процесс: создаёт почту, выдаёт доступ, отправляет welcome-письмо.

• «Отпуск с 10 по 15 мая» — MCP регистрирует запрос, проверяет конфликты в календаре и уведомляет менеджера.

Преимущества MCP

• Доступность для нетехнарей. Не нужно писать код, чтобы подключать инструменты.

• Гибкость. Подходит для любых сценариев — от простых интеграций до сложных агентных моделей.

• Удобство. Особенно важно для no-code платформ — пользователь отправляет промпт, а модель выполняет все, что нужно.

Недостатки MCP

• Одна команда за раз. Пока нельзя задать условную логику или многошаговые процессы. Зато с этим могут помочьiPaaS платформы.

• Нет повторяющихся действий. Для автоматизации «каждые 24 часа» всё ещё нужен iPaaS.

• Ограниченная сложность. ИИ может неправильно интерпретировать контекст, и разбираться, где ошибка, будет сложно, поскольку ИИ, по сути, ― черный ящик.

• Безопасность. Нет логов доступа или ограничений на то, сколько токенов можно использовать модели. Из-за этого затраты планировать сложнее.

Что в итоге

ИИ на рынке SaaS-интеграций развивается стремительно. Но без общего стандарта множество разных API и коннекторов создают хаос. MCP это меняет. Он предлагает универсальный способ связать модели, приложения и данные.