Model Context Protocol. Революция в интеграции AI с данными? Смотрим на новый стандарт от Anthropic

Или как новый открытый стандарт от создателей Claude (Anthropic) значительно упрощает интеграцию AI с такими сервисами, как PostgreSQL, GitHub, Google Drive и многими другими

Недавно наткнулся на — Model Context Protocol (MCP) от Anthropiс, создателей LLM Claude. Вроде как даже open-source. Анонсировали его в ноябре, но активный рост популярности начинается только сейчас

Статистика запроса по Model Context Protocol за последние 12 мес

Выглядит так, что MCP значительно упрощает интеграцию AI с другими сервисами

Наши LLMки часто изолированы от наших данных, поскольку подключение каждого нового источника информации требовало кастомных интеграций. MCP должен решить эту проблему, став универсальным стандартом для подключения AI к любым источникам данных — Google Drive, Slack, GitHub, Git, Postgres и другим.

Я не разработчик и прям руками эту штуку еще не трогал, но потратил пару вечеров на чтение документации и изучение основных деталей нового протокола. Если найдете в тексте неточности или захотите что-то дополнить, то велкам 🫡

Model Context Protocol — это новый протокол для общения AI-модели с внешними сервисами. Сейчас и ранее, для каждой интеграции нужно вручную разбирать API сервисов, писать код и поддерживать обновления. MCP планирует убрать эти сложности

Примерная схема взаимодействия нас и сторонних сервисов. На второй картинке красную зону и сам MCP нам редактировать не надо, а только подключиться к уже готовому MCP

Мы подключаем MCP-сервер, внутри которого есть различные инструметы.
Этот сервер общается с LLM через JSON-RPC
LLM сам понимает, какие инструменты доступны именно у этого MCP-сервера
Мы не привязываемся к конкретной LLM, протокол должен одинаково хорошо работать как с GPT, так и с Claude или с любой другой LLM

🟢 Сокращение затрат на разработку
🟢 Универсальный подход к интеграции AI
🟢 Гибкость и адаптивность AI-систем к изменениям

Раньше, чтобы AI взаимодействовал с внешними сервисами, нужно было:

👨‍💻 Изучать API каждого сервиса отдельно.
🛠 Писать кастомные интеграции и постоянно их поддерживать.
⚠ Тратить много времени и сил при каждом изменении API.

Теперь же достаточно

✅ Поднять MCP-сервер — небольшую программу, которая работает постоянно, принимает JSON-RPC-запросы от AI и отправляет ответы туда же
✅ Подключить его к AI-модели
✅ И все — в теории, модель сама должна понимать, какие функции есть у этого MCP-сервера и как их можно использовать

На основе изучения GitHub проекта

Используем MCP-сервер для чтения PostgreSQL: GitHub MCP PostgreSQL.

Я спрашиваю у LLM

Какой средний чек за март?

✍ MCP получает мой запрос и переводит его в PostgreSQL нотацию

{ "jsonrpc": "2.0", "id": 1, "method": "tools/call", "params": { "tool_name": "query_postgres", "args": { "query": "SELECT AVG(order_amount) FROM orders WHERE date BETWEEN '2024-03-01' AND '2024-03-31';" } } }

📌 Ответ, который получает MCP от PostgreSQL

{ "jsonrpc": "2.0", "id": 1, "result": { "value": "123.45" } }

✅ А LLMка отвечает мне

Средний чек заказа в марте — $123.45.

Что в итоге

AI сам пишет SQL-запросы, пользователю не нужно знать SQL.
AI может автоматически делать отчёты и аналитику без аналитиков. Можно еще и MCP Grafana подключить

Используем MCP-сервер для Todoist: GitHub MCP Todoist.

Записываем голосовуху в наш ChatGPT с подключенным MCP Todoist

Напомни купить молоко завтра, это важно

✍ MCP получает мой запрос и переводит его в формат, понятный для Todoist API

{ "jsonrpc": "2.0", "id": 2, "method": "tools/call", "params": { "tool_name": "add_task", "args": { "content": "Купить молоко", "due_date": "2024-03-18", "priority": 4 } } }

📌 Ответ, который MCP-сервер получает от Todoist

{ "jsonrpc": "2.0", "id": 2, "result": { "task_id": 12345, "status": "added" } }

✅ AI отвечает мне в LLM

Я добавил задачу «Купить молоко» на 18 марта с высоким приоритетом

Что это даёт:

Можно использовать голосовую и текстовую натуральную речь для управления тасктрекером
AI превращается в полноценного менеджера задач, хотя хранится все в вашем аккаунте Todoist

Как по мне, появление MCP можно сравнить с такими же фундаментальными вещами, как USB, TCP/IP и REST. Эти технологии также позволили стандартизировать подходы к интеграциям, снизив барьер входа и сократив время разработки. Вопрос только в том, насколько общепризнанным станет этот формат

Один из самых интересных кейсов для меня на сегодня — подключение AI к базам данных и аналитическим инструментам. Любой, кто сталкивался с корпоративной аналитикой, знает, как бывает сложно получить необходимые данные или построить дашборды. Если AI сможет давать аналитику за 10 секунд вместо дней общения с аналитиками — это было бы супер пупер

Пока основное ограничение MCP как и многих новых протоколов — ограниченная поддержка сервисов (список здесь), но уже сейчас ясно, что этот стандарт может убрать барьер между LLM и реальными данными.

Model Context Protocol — интересный и важный шаг к универсальной и простой интеграции AI в бизнес и повседневные процессы.

А если вы уже пробовали MCP, то мне было бы очень интересно послушать опыт реального внедрения. Сам же я планирую протестировать это на неделе на боевом проекте

На сайте уже за 100 перевалило по разным продуктам, можете ознакомиться

AWS KB Retrieval - Retrieval from AWS Knowledge Base using Bedrock Agent Runtime
Brave Search - Web and local search using Brave's Search API
EverArt - AI image generation using various models
Everything - Reference / test server with prompts, resources, and tools
Fetch - Web content fetching and conversion for efficient LLM usage
Filesystem - Secure file operations with configurable access controls
Git - Tools to read, search, and manipulate Git repositories
GitHub - Repository management, file operations, and GitHub API integration
GitLab - GitLab API, enabling project management
Google Drive - File access and search capabilities for Google Drive
Google Maps - Location services, directions, and place details
Memory - Knowledge graph-based persistent memory system
PostgreSQL - Read-only database access with schema inspection
Puppeteer - Browser automation and web scraping
Redis - Interact with Redis key-value stores
Sentry - Retrieving and analyzing issues from Sentry.io
Sequential Thinking - Dynamic and reflective problem-solving through thought sequences
Slack - Channel management and messaging capabilities
Sqlite - Database interaction and business intelligence capabilities
Time - Time and timezone conversion capabilities