MCP: как AI подключается к внешнему миру

Языковые модели умеют генерировать текст, писать код и анализировать данные. Но попросите ChatGPT прочитать файл с вашего диска или отправить сообщение в Slack — и он разведёт руками. LLM живут в изоляции: у них нет доступа к вашим данным, инструментам и сервисам. Model Context Protocol (MCP) решает именно эту проблему — он даёт AI стандартный способ подключения к внешнему миру.

В этой статье разберём, что такое MCP, как устроена его архитектура, какие задачи он решает и почему за полтора года существования стал отраслевым стандартом, который поддерживают Anthropic, OpenAI, Google и Microsoft.

Проблема: каждая интеграция — с нуля

До появления MCP каждый разработчик, который хотел подключить LLM к внешнему сервису, писал собственный «мост». Нужен доступ к GitHub? Пишем адаптер. К базе данных? Ещё один адаптер. К файловой системе? Третий. У каждого AI-провайдера — свой формат вызова функций (function calling), свои ограничения, свой API.

Ситуация напоминала мир до USB: у каждого устройства — свой разъём, свой кабель, свой протокол. MCP стал тем самым «USB-портом» для AI.

Результат — фрагментация. Тысячи одноразовых интеграций, которые ломаются при обновлении модели, не переносятся между провайдерами и требуют постоянной поддержки.

Что такое MCP и как он устроен

Model Context Protocol (MCP) — открытый протокол, представленный Anthropic в ноябре 2024 года. Он стандартизирует способ взаимодействия LLM-приложений с внешними данными, инструментами и сервисами.

MCP использует клиент-серверную архитектуру поверх JSON-RPC 2.0:

graph LR
    U[Пользователь] --> H[Host-приложение
Claude Desktop, IDE, агент]
    H --> C1[MCP-клиент]
    H --> C2[MCP-клиент]
    H --> C3[MCP-клиент]
    C1 --> S1[MCP-сервер
GitHub]
    C2 --> S2[MCP-сервер
PostgreSQL]
    C3 --> S3[MCP-сервер
Файловая система]
    S1 --> D1[(GitHub API)]
    S2 --> D2[(База данных)]
    S3 --> D3[(Локальные файлы)]

Три ключевых компонента:

• Host — приложение, в котором работает LLM (Claude Desktop, VS Code с Copilot, кастомный агент). Управляет жизненным циклом подключений.
• MCP-клиент — модуль внутри хоста, который устанавливает соединение «один к одному» с конкретным MCP-сервером.
• MCP-сервер — лёгкая программа, которая предоставляет доступ к конкретному сервису или источнику данных через стандартный протокол.

Три примитива MCP

Протокол определяет три базовых примитива — это «строительные блоки», из которых собирается любая интеграция:

Tools — самый мощный примитив. Модель автоматически обнаруживает доступные инструменты, понимает их описание и решает, какой вызвать для решения задачи пользователя. Это именно то, что делает AI-агентов по-настоящему автономными.

Как это работает на практике

Разберём конкретный сценарий. Допустим, разработчик спрашивает Claude: «Найди все открытые баги с меткой critical в нашем репозитории и создай сводку».

Вот что происходит под капотом:

1. Обнаружение — клиент при подключении запрашивает у MCP-сервера GitHub список доступных инструментов (tools/list).
2. Выбор — модель анализирует запрос и решает вызвать инструмент search_issues с параметрами label:critical, state:open.
3. Выполнение — MCP-сервер выполняет запрос к GitHub API и возвращает результат.
4. Обработка — модель получает данные, формирует сводку и отвечает пользователю.

{
  "jsonrpc": "2.0",
  "method": "tools/call",
  "params": {
    "name": "search_issues",
    "arguments": {
      "query": "label:critical state:open",
      "repo": "myorg/myproject"
    }
  },
  "id": 1
}

Всё это происходит в рамках одного диалога — пользователь просто задаёт вопрос на естественном языке, а MCP обеспечивает «мост» между моделью и реальным сервисом.

Экосистема: серверы, клиенты, кто это использует

Популярные MCP-серверы

По состоянию на апрель 2026 года в экосистеме более 5 000 MCP-серверов. Вот ключевые категории:

Официальные reference-серверы от Anthropic доступны на GitHub и лицензированы под MIT.

Кто поддерживает MCP

Принятие протокола крупнейшими игроками произошло стремительно:

• Март 2025 — OpenAI добавил поддержку MCP в Agents SDK, Responses API и десктопный ChatGPT
• Апрель 2025 — Google DeepMind подтвердил поддержку MCP в Gemini
• Май 2025 — Microsoft анонсировал интеграцию MCP в Windows 11 на Build 2025
• Декабрь 2025 — Anthropic передал MCP в Agentic AI Foundation (AAIF) под управлением Linux Foundation. Соучредители — Anthropic, Block и OpenAI; поддержка от Google, Microsoft, AWS, Cloudflare и Bloomberg

К марту 2026 года MCP SDK набрал более 97 миллионов установок в месяц. Протокол перестал быть экспериментом одной компании — это отраслевой стандарт.

Как написать свой MCP-сервер

Создать MCP-сервер проще, чем кажется. Официальные SDK доступны для Python и TypeScript. Вот минимальный пример на Python:

from mcp.server import Server
from mcp.types import Tool, TextContent

server = Server("my-weather-server")

@server.tool()
async def get_weather(city: str) -> list[TextContent]:
    """Получить текущую погоду для указанного города."""
    # Здесь вызов реального API погоды
    weather_data = await fetch_weather_api(city)
    return [TextContent(
        type="text",
        text=f"Погода в {city}: {weather_data['temp']}°C, {weather_data['description']}"
    )]

if __name__ == "__main__":
    server.run()

Этого достаточно, чтобы любой MCP-совместимый клиент (Claude Desktop, Cursor, VS Code) мог обнаружить инструмент get_weather и вызывать его по запросу пользователя.

Транспорт

MCP поддерживает два основных транспорта:

• stdio — сервер запускается как дочерний процесс, общение через stdin/stdout. Идеален для локальных инструментов.
• HTTP + SSE (Streamable HTTP) — сервер работает как HTTP-endpoint. Подходит для удалённых серверов и продакшн-деплоя.

В спецификации от ноября 2025 года также добавлена поддержка асинхронных операций и stateless-режима, что критично для масштабирования в enterprise-сценариях.

Зачем это нужно: сценарии применения

MCP меняет подход к построению AI-систем. Вот ключевые сценарии:

AI-агенты для разработки. Cursor, Windsurf, Claude Code используют MCP для доступа к файловой системе, Git, терминалу и внешним API. Агент не просто генерирует код — он читает проект, запускает тесты, создаёт коммиты.

Корпоративные ассистенты. Подключение LLM к внутренним системам компании: CRM, базы знаний, тикет-системы. Вместо «выгрузи данные и вставь в промпт» — прямой доступ через MCP.

Автоматизация рабочих процессов. Цепочки из нескольких MCP-серверов: агент читает письма (Gmail-сервер), создаёт задачи (Linear-сервер), уведомляет команду (Slack-сервер) — всё в рамках одного диалога.

Аналитика данных. Подключение к базам данных позволяет задавать вопросы на естественном языке и получать ответы, основанные на реальных данных, без написания SQL вручную.

graph TD
    A[Пользователь: Подготовь отчёт по продажам] --> B[AI-агент]
    B --> C[MCP: PostgreSQL
Запрос данных о продажах]
    B --> D[MCP: Google Sheets
Создание таблицы]
    B --> E[MCP: Slack
Отправка отчёта в канал]
    C --> B
    D --> B
    E --> F[Отчёт доставлен]

Что дальше: роадмап 2026

Протокол активно развивается. Согласно официальному роадмапу на 2026 год, ключевые направления:

• Авторизация и аутентификация — стандартизированный механизм OAuth 2.1 для безопасного подключения к удалённым серверам
• Реестр серверов — официальный каталог проверенных MCP-серверов с метаданными и рейтингами
• Мультимодальность — передача изображений, аудио и видео через MCP
• Agent-to-agent коммуникация — возможность для AI-агентов взаимодействовать друг с другом через MCP

Передача протокола в Linux Foundation гарантирует, что MCP останется открытым стандартом и не станет инструментом vendor lock-in.

Заключение

MCP решил фундаментальную проблему AI-индустрии: отсутствие стандартного способа подключения моделей к внешнему миру. Вместо тысяч одноразовых интеграций — единый протокол с тремя чёткими примитивами (Tools, Resources, Prompts), клиент-серверной архитектурой и поддержкой всех ключевых игроков рынка.

Для разработчика MCP означает: написал сервер один раз — он работает с Claude, ChatGPT, Gemini и любым другим MCP-совместимым клиентом. Для бизнеса: AI-агенты получают контролируемый доступ к корпоративным системам без самописных мостов. Для индустрии: общий фундамент, на котором строится следующее поколение AI-приложений.

Если вы строите что-то с использованием LLM и вам нужен доступ к внешним данным или инструментам — MCP уже не опция, а стандарт.