Что такое MCP и зачем создавать сервер

Проблема: AI-инструменты слепы

Вы используете Claude Code или Cursor для написания кода. Отлично генерировать функции, объяснять алгоритмы и рефакторить. Но он не видит ваши Jira-задачи. Не знает, что задеплоено в production. Не может запросить базу данных, чтобы проверить, применилась ли миграция. Ваш AI-ассистент мощный, но слеп ко всему, что важно в вашем конкретном рабочем процессе.

До MCP каждый AI-инструмент строил собственную систему интеграций. У Cursor были плагины. У ChatGPT — GPT Actions. У Claude — tool use. Ничто из этого не взаимодействовало друг с другом. Если вы создавали интеграцию для одного инструмента, её приходилось пересоздавать для каждого другого. Это была эпоха до USB — у каждого устройства был свой кабель.

MCP = USB-C для AI

Model Context Protocol (MCP) — открытый стандарт, созданный Anthropic, который определяет, как AI-инструменты подключаются к внешним системам. Представьте его как USB-C — один универсальный разъём, работающий везде. Вы создаёте один MCP-сервер, и он работает с Claude Code, Cursor, Windsurf, Copilot и любым другим инструментом, поддерживающим протокол.

Архитектура проста: MCP-клиент (AI-инструмент) подключается к MCP-серверу (вашему коду) по стандартному протоколу. Сервер открывает доступ к вашим данным и действиям через три примитива. Клиент обнаруживает, что доступно, и использует это для помощи пользователю.

┌─────────────────┐         ┌─────────────────┐
│   AI Tool        │         │  Your MCP Server │
│  (Claude Code,   │◄───────►│  (your code)     │
│   Cursor, etc.)  │  MCP    │                  │
│                  │ Protocol│  ┌─────────────┐ │
│  MCP Client      │         │  │ Resources   │ │
│                  │         │  │ Tools       │ │
│                  │         │  │ Prompts     │ │
└─────────────────┘         │  └─────────────┘ │
                            │                  │
                            │  ┌─────────────┐ │
                            │  │ Your DB     │ │
                            │  │ Your API    │ │
                            │  │ Your Infra  │ │
                            │  └─────────────┘ │
                            └─────────────────┘

Три примитива: Resources, Tools, Prompts

MCP-серверы открывают функциональность ровно через три примитива. Понимание этих примитивов — ключ к проектированию хорошего сервера.

Resources — данные только для чтения

Resources позволяют AI читать данные из ваших систем. Они похожи на GET-эндпоинты в REST API — AI может смотреть на них, но не может ничего изменить. Resource может быть записью в базе данных, конфигурационным файлом, статусом деплоя или документацией API. Каждый resource имеет URI вида myapp://users/123 или myapp://deployments/production.

Tools — действия с побочными эффектами

Tools позволяют AI выполнять действия. Создать Jira-задачу. Задеплоить на staging. Выполнить запрос к базе данных. Отправить сообщение в Slack. Каждый вызов tool требует одобрения пользователя — AI предлагает действие, пользователь подтверждает его. Это механизм безопасности, который делает MCP пригодным для использования в production.

Prompts — переиспользуемые шаблоны

Prompts — заранее написанные шаблоны, которые помогают AI взаимодействовать с вашей системой. Думайте о них как о slash-командах — /deploy, /debug, /summarize-tickets. Они объединяют инструкции с аргументами для создания контекстно-насыщенных взаимодействий. Они опциональны, но невероятно полезны для стандартизации типичных рабочих процессов.

// Resources: AI reads data
server.resource("deployment-status", "myapp://deploy/status", async () => {
  const status = await getDeploymentStatus();
  return { contents: [{ uri: "myapp://deploy/status", text: JSON.stringify(status) }] };
});

// Tools: AI performs actions (with user approval)
server.tool("create-ticket", { title: z.string(), priority: z.enum(["low", "medium", "high"]) }, async ({ title, priority }) => {
  const ticket = await jira.createIssue({ title, priority });
  return { content: [{ type: "text", text: `Created ticket ${ticket.key}` }] };
});

// Prompts: reusable templates
server.prompt("debug-error", { error_message: z.string() }, ({ error_message }) => ({
  messages: [{ role: "user", content: { type: "text", text: `Debug this error from our production logs: ${error_message}` } }]
}));

Транспорт: как клиент и сервер общаются

MCP поддерживает два транспортных механизма. stdio — наиболее распространённый: клиент запускает сервер как дочерний процесс и общается через стандартный ввод/вывод. Именно его используют Claude Code и Cursor для локальных MCP-серверов. Streamable HTTP (и более старый SSE-транспорт) используется для удалённых серверов — клиент подключается по HTTP. Это полезно для общих командных серверов или облачных MCP-сервисов.

// Claude Code config (~/.claude/mcp.json) — stdio transport
{
  "mcpServers": {
    "my-app": {
      "command": "node",
      "args": ["./build/index.js"],
      "env": {
        "DATABASE_URL": "postgresql://localhost:5432/mydb"
      }
    }
  }
}

// Cursor config (.cursor/mcp.json) — same format
{
  "mcpServers": {
    "my-app": {
      "command": "npx",
      "args": ["-y", "my-mcp-server"]
    }
  }
}

Кто принял MCP

MCP начался в Anthropic, но был принят всей индустрией. Claude Code, Cursor, Windsurf, Copilot и многие другие инструменты поддерживают его как клиенты. На стороне серверов существуют официальные MCP-серверы для GitHub, Slack, Linear, Google Drive, PostgreSQL и десятков других сервисов. OpenAI и Google оба объявили о поддержке MCP. Это стремительно становится стандартом — не просто протоколом одной компании.

Реальные MCP-серверы

• Linear MCP — AI читает задачи, создаёт тикеты, обновляет статус
• Slack MCP — AI читает каналы, отправляет сообщения, ищет по истории
• PostgreSQL MCP — AI напрямую запрашивает вашу базу данных (только чтение или чтение/запись)
• Kubernetes MCP — AI проверяет статус подов, читает логи, масштабирует деплойменты
• GitHub MCP — AI читает PR, создаёт issues, проверяет статус CI
• Sentry MCP — AI читает отчёты об ошибках, трейсы и данные о производительности

Что вы создадите в этом курсе

К концу курса у вас будет production-ready MCP-сервер для вашего приложения. Он откроет вашу базу данных как просматриваемые resources, позволит AI выполнять типичные действия через tools и предоставит шаблоны prompts для рабочих процессов команды. Вы будете знать, как его защитить, задеплоить и распространить в команде.