MCP — Model Context Protocol 2026: как Anthropic меняет интеграции с AI

Что такое MCP простыми словами

MCP — это открытый стандарт, который Anthropic запустила в конце 2024 года. К началу 2026 его поддерживают практически все серьёзные AI-клиенты (Claude Desktop, Claude Code, Cursor, Windsurf, Continue, Zed и другие), а количество готовых MCP-серверов перевалило за тысячу. Я взялся писать про MCP на русском, потому что заметил: про него уже год говорят в англоязычной разработке, а в рунете до сих пор тишина. Восполняю пробел.

Самая короткая аналогия — «USB-C для AI». Раньше у каждого устройства был свой кабель: micro-USB, mini-USB, Lightning, проприетарный шнур от Sony. Чтобы зарядить N устройств M кабелями, нужны были N×M комбинаций. USB-C решил это: один разъём — и любой кабель подходит к любому устройству. MCP делает то же для интеграций AI: один стандарт подключения — любая модель работает с любым инструментом.

Технически MCP — это спецификация протокола поверх JSON-RPC 2.0. Клиент (AI-приложение типа Claude Desktop) поднимает соединение с сервером (программа, которая знает, как делать что-то конкретное — читать файлы, запрашивать БД, искать в Google). Через это соединение клиент узнаёт, какие tools, resources и prompts доступны, и может их вызывать в процессе работы с пользователем.

Главное, что нужно понять про MCP: это не библиотека, не фреймворк, не SDK. Это спецификация. Любой может написать MCP-сервер на любом языке — Python, TypeScript, Go, Rust, что угодно. Любое AI-приложение может стать MCP-клиентом. Совместимость — за счёт следования стандарту.

Проблема, которую решает MCP

До MCP интеграция AI с внешним миром выглядела примерно так. Хотите, чтобы ваш чат-бот на GPT-4 умел отправлять email? Пишете обвязку: function calling в формате OpenAI, обработчик функций, токены аутентификации, обработка ошибок. Хотите ту же фичу в Claude? Переписываете под Claude API (формат tools другой). Хотите в локальной Llama через LangChain? Третий вариант. Если завтра появится новая модель — четвёртый.

На другой стороне — производители «инструментов» (Slack, Notion, Linear, GitHub). Чтобы их сервис работал с AI, они должны делать собственные интеграции под каждую модель и каждый фреймворк. Slack пишет интеграцию для LangChain, отдельно — для LlamaIndex, отдельно — для Cursor IDE, отдельно — для собственного AI-помощника. И каждый раз заново.

Это классическая N×M-проблема в IT: при N клиентах и M сервисах нужно поддерживать N×M интеграций. Архитектурное решение N×M — это стандартизация формата: появляется единая «розетка», клиент должен говорить с ней по стандарту, сервис — тоже. Интеграций становится N+M.

MCP делает именно это. Anthropic выпустила спецификацию и эталонные реализации. Дальше начинается сетевой эффект: чем больше клиентов поддерживают MCP, тем выгоднее производителям инструментов писать MCP-сервер, а не специфичную интеграцию. К 2026 этот эффект уже сработал — MCP стал де-факто стандартом.

Архитектура MCP — что под капотом

MCP состоит из трёх логических ролей:

• Host (хост). Это пользовательское AI-приложение, в котором сидит человек: Claude Desktop, Cursor IDE, Claude Code, Windsurf. Хост принимает на себя задачу управления подключениями к MCP-серверам.
• Client (клиент). Внутри хоста живёт «клиент» — компонент, который держит одно соединение с одним MCP-сервером. Если у вас в Claude Desktop подключено 5 MCP-серверов — это 5 клиентов внутри хоста.
• Server (сервер). Программа, которая реализует MCP-протокол и предоставляет конкретные ресурсы/инструменты. Например, mcp-server-filesystem — отдаёт доступ к файлам; mcp-server-postgres — отдаёт SQL-запросы.

Соединение между клиентом и сервером — это JSON-RPC поверх одного из двух транспортов:

• stdio — клиент запускает сервер как дочерний процесс, общается через stdin/stdout. Самый частый сценарий в 2026, потому что просто и безопасно: сервер существует пока запущен хост.
• SSE (Server-Sent Events) — для удалённых серверов через HTTPS. В 2026 появилась нормальная поддержка, раньше работало в основном локально.

Схематично связка выглядит так:

┌─────────────────────────┐
│  Host (Claude Desktop)  │
│                         │
│  ┌──────────────────┐   │     stdio       ┌──────────────────────┐
│  │  MCP Client #1   │◄──┼─────────────────┤  mcp-server-filesys  │
│  └──────────────────┘   │                 └──────────────────────┘
│                         │
│  ┌──────────────────┐   │     stdio       ┌──────────────────────┐
│  │  MCP Client #2   │◄──┼─────────────────┤  mcp-server-postgres │
│  └──────────────────┘   │                 └──────────────────────┘
│                         │
│  ┌──────────────────┐   │     SSE/HTTPS   ┌──────────────────────┐
│  │  MCP Client #3   │◄──┼─────────────────┤  remote-mcp-server   │
│  └──────────────────┘   │                 └──────────────────────┘
└─────────────────────────┘

Хост сам ничего не «знает» про конкретные инструменты — он только держит соединения и проксирует вызовы в LLM. Когда модель в процессе диалога решает, что нужно вызвать инструмент (например, «прочитать файл README.md»), хост находит подходящий клиент, передаёт ему вызов, получает результат и возвращает модели.

4 типа capabilities — что может MCP-сервер

MCP-сервер может предоставлять четыре типа сущностей:

1. Resources

Resources — это данные, которые можно «прочитать»: файлы, документы, записи в БД, страницы веба. Сервер декларирует доступные ресурсы (например, список файлов в папке), хост показывает их пользователю, пользователь выбирает, какие подключить к контексту, модель получает их содержимое в качестве справочного материала.

Пример: mcp-server-filesystem на папке ~/notes отдаёт каждый файл как resource. Пользователь в Claude Desktop может включить несколько файлов в контекст диалога, и модель будет их видеть.

2. Tools

Tools — это функции, которые модель может вызвать. Сервер декларирует доступные tools (имя, описание, схема параметров), модель в процессе диалога решает их вызывать.

Пример: mcp-server-github предоставляет tools list_issues, create_pr, search_code. Пользователь говорит «найди issue про logging, добавь к нему комментарий "in progress"» — модель сама вызывает нужные tools.

3. Prompts

Prompts — это переиспользуемые шаблоны промптов, которые сервер предоставляет хосту. Часто параметризованные. Например, mcp-server-codereview может отдавать промпт review_pr, который пользователь вызывает через /review_pr 123 в чате.

4. Sampling

Сэмплинг — это «реверс» tools: не модель просит сервер что-то сделать, а сервер просит хоста запустить LLM-completion. Используется редко, в основном в продвинутых сценариях, где MCP-сервер сам строит сложный agent loop и периодически зовёт модель.

Готовые MCP-серверы в 2026

К началу 2026 года в реестре MCP больше тысячи серверов. Привожу те, которые я реально использую сам или ставил клиентам.

Файлы и код

• filesystem — доступ к файлам в заданных папках. Самый базовый сервер.
• github — issues, pull requests, поиск по коду, репозитории.
• gitlab — то же для GitLab.
• git — локальная работа с git: log, diff, blame.

Базы данных

• postgres — SQL-запросы, схема, метаданные.
• mysql — то же для MySQL.
• mongodb — для документной БД.
• sqlite — для локальных БД.
• clickhouse — для аналитических задач.

Коммуникации

• slack — чтение/отправка сообщений в каналы.
• gmail — чтение/отправка писем.
• telegram-bot-mcp — для российской аудитории, через Bot API.
• discord — для Discord-сообществ.

Веб

• brave-search — веб-поиск через Brave Search API.
• fetch — простой HTTP-клиент для GET-запросов.
• puppeteer / playwright — автоматизация браузера.
• tavily — поиск с упором на AI-friendly результаты.

Память и контекст

• memory — долгосрочная память для агентов в формате knowledge graph.
• obsidian — интеграция с заметками в Obsidian.
• notion — чтение/запись в Notion.

SaaS-интеграции

• stripe — платежи и подписки.
• linear — таск-трекер.
• jira — для тех, кто не убежал на Linear.
• sentry — error monitoring.
• cloudflare — управление DNS, Workers, R2.

В русском сегменте начинают появляться MCP-серверы под локальные сервисы: интеграции с 1С, Битрикс24, amoCRM, банковскими API. Качество разное, выбирать по reviews. На своих проектах я часто пишу custom MCP-сервер именно потому, что хочется тонкого контроля над разрешёнными операциями (особенно когда речь идёт о 1С с ПД или CRM с клиентской базой).

Как поднять свой MCP-сервер

Главное, что нужно понять — MCP-сервер это не «огромный фреймворк». Это маленькая программа, которая на запрос «дай список tools» возвращает JSON, а на запрос «вызови tool с такими параметрами» — исполняет код и возвращает результат. Можно написать с нуля, но в 2026 есть готовые SDK на Python, TypeScript, Go, Rust — берут на себя протокольную часть.

Минимальный MCP-сервер на TypeScript, который предоставляет один tool — получить текущее время:

// npm install @modelcontextprotocol/sdk
import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import {
  CallToolRequestSchema,
  ListToolsRequestSchema,
} from "@modelcontextprotocol/sdk/types.js";

const server = new Server(
  { name: "time-server", version: "1.0.0" },
  { capabilities: { tools: {} } },
);

// Декларируем, какие tools мы предоставляем
server.setRequestHandler(ListToolsRequestSchema, async () => ({
  tools: [
    {
      name: "get_current_time",
      description: "Получить текущее время в заданной таймзоне",
      inputSchema: {
        type: "object",
        properties: {
          timezone: {
            type: "string",
            description: "IANA timezone, например 'Europe/Moscow'",
          },
        },
        required: ["timezone"],
      },
    },
  ],
}));

// Обрабатываем вызов tool
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  if (request.params.name === "get_current_time") {
    const tz = (request.params.arguments as { timezone: string }).timezone;
    const now = new Date().toLocaleString("ru-RU", { timeZone: tz });
    return {
      content: [{ type: "text", text: \`Текущее время в \${tz}: \${now}\` }],
    };
  }
  throw new Error("Unknown tool");
});

// Запускаем через stdio
const transport = new StdioServerTransport();
await server.connect(transport);

Подключение к Claude Desktop сводится к одной строчке в ~/Library/Application Support/Claude/claude_desktop_config.json:

{
  "mcpServers": {
    "time": {
      "command": "node",
      "args": ["/path/to/time-server/dist/index.js"]
    }
  }
}

Перезапускаете Claude Desktop, видите в индикаторе подключённых MCP-серверов «time», и в диалоге можете попросить «сколько сейчас времени в Токио?» — Claude вызовет ваш tool и ответит. Всё, у вас работает MCP-сервер.

Аналогичный SDK есть на Python — пакет mcp. Структура кода практически 1-в-1. На Go — пакет mcp-go, чуть менее зрелый, но рабочий.

Где использовать MCP — клиенты 2026

Перечисляю клиенты, в которых MCP реально работает в начале 2026 года:

• Claude Desktop — нативная поддержка с момента запуска MCP. Самая зрелая интеграция, эталонная реализация хоста от Anthropic.
• Claude Code — CLI-агент от Anthropic. MCP включается через claude mcp add, отдельные конфигурации на проект.
• Cursor IDE — поддержка с 2025. Конфигурация через ~/.cursor/mcp.json или на уровне проекта.
• Windsurf (Codeium) — конкурент Cursor, MCP-поддержка добавлена в 2025.
• Continue.dev — open-source-плагин для VSCode/JetBrains, поддерживает MCP.
• Zed — современный редактор кода с поддержкой AI-агентов, MCP с 2025.
• LibreChat — open-source-альтернатива ChatGPT, MCP-расширения.
• Open WebUI — UI для локальных LLM через Ollama, поддержка MCP через extension.
• Goose (Block) — open-source CLI-агент от Block (бывший Square), сильная интеграция MCP.

На горизонте: по слухам, OpenAI готовит поддержку MCP в ChatGPT и Assistants API на 2026 год. Google публично обсуждал интеграцию в Gemini API. Если это произойдёт — MCP станет настоящим единым стандартом, как HTTP в вебе.

MCP vs Function Calling vs LangChain Tools

Часто спрашивают — чем MCP отличается от function calling в OpenAI/Anthropic API, и от tools в LangChain. Это разные уровни абстракции, но они конкурируют как способ дать AI инструменты.

На практике в 2026 я выбираю так: для одиночных custom-агентов в production — function calling нативно. Для эксплоративной разработки и сложных multi-step-агентов — LangGraph / Pydantic AI. Для интеграции AI-клиентов с инструментами на уровне инфраструктуры — MCP. Это ортогональные слои: MCP-сервер можно вызывать из агента на LangChain через MCP-клиент в Python.

Реальный пример: MCP-агент для бизнес-аналитики

Расскажу один из последних кейсов, чтобы было понятно, как MCP меняет UX работы с AI. Задача: владелец небольшого e-commerce хотел задавать вопросы к своим данным голосом и текстом, без зова аналитика. У него Postgres с заказами, Slack для команды, GitHub с репозиторием продукта.

Раньше для такого нужно было бы делать кастомное приложение: связка с БД, авторизация, prompt engineering, UI. Сейчас в Claude Desktop я подключил три MCP-сервера:

• mcp-server-postgres с read-only-доступом к staging-копии БД (production не трогаем).
• mcp-server-slack с правом постить в один канал #analytics.
• mcp-server-github с read-доступом к репозиторию.

Конфиг claude_desktop_config.json:

{
  "mcpServers": {
    "postgres": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-postgres",
        "postgresql://readonly:***@db-staging.internal:5432/orders"
      ]
    },
    "slack": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-slack"],
      "env": {
        "SLACK_BOT_TOKEN": "xoxb-...",
        "SLACK_TEAM_ID": "T...",
        "SLACK_CHANNEL_IDS": "C..."
      }
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_..."
      }
    }
  }
}

Теперь владелец пишет в Claude Desktop: «Сколько денег принёс продукт X за квартал, сравни с прошлым, и отправь summary в Slack-канал #analytics». Claude последовательно:

1. Через postgres MCP делает SQL-запрос с фильтрами по продукту и дате.
2. Делает второй запрос за прошлый квартал.
3. Считает разницу и формирует текст.
4. Через slack MCP постит сообщение в #analytics.

Время реализации этого «MVP внутреннего AI-аналитика» — 1.5 часа от ноля до работающей системы (большинство времени ушло на настройку read-only-юзера в Postgres). Без MCP — это было бы 2-3 недели разработки.

Безопасность MCP — что важно

MCP даёт AI огромную мощь, и при неосторожном использовании это становится проблемой. Перечисляю принципы, которые я использую на проектах.

1. Принцип минимальных прав

MCP-сервер должен иметь только те доступы, которые нужны для его функции. Подключаете Postgres — создайте отдельного read-only-пользователя на нужные таблицы. Подключаете GitHub — token с минимальными scopes. Подключаете filesystem — ограничьте конкретные папки, не всю файловую систему.

2. Sandbox для серверов

MCP-серверы запускаются как процессы и наследуют права запускающего юзера. Если запускаете Claude Desktop из-под админа — серверы тоже могут всё. Хорошая практика: запускать AI-приложения из-под отдельного юзера с ограниченными правами.

3. Approval для destructive операций

Claude Desktop по умолчанию спрашивает подтверждение для каждого вызова tool. Не отключайте это для серверов, которые могут что-то менять (отправить email, удалить файл, изменить запись в БД). Кастомные клиенты должны делать то же.

4. Логирование всех вызовов

Записывайте все вызовы MCP-tools с параметрами и результатами. Это нужно и для отладки, и для аудита, и для безопасности (понять «что AI сделал в три часа ночи, когда меня не было»).

5. Не подключайте production-БД с write-доступом без human-in-the-loop

Это правило золотое. AI ошибается, иногда непредсказуемо. DELETE FROM users WHERE ..., который выглядит безобидно в логе, может стереть всю клиентскую базу. Production write-доступ — только через явное подтверждение человеком, или через миграционную систему с возможностью отката.

Будущее MCP — куда движется протокол

Что я ожидаю по MCP в 2026-2027 годах, основываясь на публичных roadmap и тенденциях:

• Поддержка OpenAI. Если ChatGPT и Assistants API получат MCP, протокол станет настоящим стандартом отрасли. Слухи об этом ходят с конца 2025, официального подтверждения ещё нет.
• Поддержка Google. Gemini API в 2026 экспериментирует с MCP. Если Google присоединится — тройка лидеров за MCP, и сетевой эффект достигает максимума.
• Marketplace MCP-серверов. Появятся официальные реестры с reviews, рейтингами, верификацией. Сейчас всё фрагментировано по GitHub-репозиториям и awesome-листам.
• Remote MCP servers как стандарт. Сейчас 95% MCP-серверов работают локально через stdio. SSE-транспорт уже есть, но в 2026 ожидается массовый переход к HTTPS-MCP, что позволит SaaS-сервисам отдавать MCP-endpoint наряду с REST API.
• Стандартизация авторизации. Сейчас каждый MCP-сервер использует свою схему (env-переменные, OAuth, токены). Появится единая спецификация авторизации в духе OAuth Token Exchange.
• Поддержка в no-code-инструментах. n8n, Make, Zapier добавят MCP как тип соединения — что даст резкий рост использования среди не-программистов.

Юр-нюансы в РФ

MCP — это нейтральная технология, юридически с ним всё проще, чем с использованием облачных LLM. MCP-сервер сам по себе ничего не «отправляет» наружу — он отдаёт данные локальному клиенту, который потом может их передать модели. Если ваш клиент — локальный LLM (через Ollama, LM Studio), то связка «локальный LLM + MCP-сервер с доступом к локальной БД» полностью соответствует 152-ФЗ.

Если же клиент — Claude Desktop (с моделью в Anthropic), MCP не меняет картинку: данные, которые передаются от MCP-сервера к Claude, уезжают в Anthropic так же, как любые другие. Юридический режим — тот же, что и при использовании Claude напрямую. Подробнее про работу с ПД в облачных LLM из РФ — в статье про локализацию ПД.

Главный плюс MCP в РФ-контексте — возможность подключить любой клиент к российскому LLM (YandexGPT, GigaChat). Сейчас прямой поддержки MCP в их клиентах нет, но через адаптер (LangChain MCP integration + российский LLM как провайдер) — работает.

Топ-5 use cases для MCP в 2026

Где MCP реально окупается, по моим наблюдениям из проектов и комьюнити.

1. DevOps-агент (Kubernetes, Terraform, AWS/Yandex Cloud)

Связка MCP-серверов: kubectl-mcp (доступ к кластеру), aws-mcp / yandex-cloud-mcp, terraform-mcp. Разработчик в Claude Desktop пишет «покажи поды в namespace production, у которых высокое потребление памяти». Claude через kubectl-mcp получает метрики, формирует сводку. Реально экономит время на рутинных DevOps-операциях.

2. Customer support — связка Zendesk/Helpdesk + внутренняя БД

Агент саппорта получает тикет, через MCP-postgres проверяет состояние заказа клиента, через MCP-stripe — статус оплаты, через MCP-slack уведомляет нужную команду при сложной ситуации. Уменьшает время ответа в 3-5 раз.

3. Sales-агент (CRM + email + календарь)

MCP-amocrm / битрикс24 + MCP-gmail + MCP-google-calendar. Менеджер говорит «найди клиента Иванова, посмотри историю переписки, предложи слот на следующую встречу». Агент делает всё одним диалогом.

4. Бухгалтерия (1С + банк-клиент через MCP)

Custom MCP-сервер поверх API 1С (только нужные операции), MCP-server для банк-клиента (через интеграцию с банком). Бухгалтер в чате с AI делает рутинные сверки, подготовку отчётов, формирование платёжных поручений (с подтверждением человеком). Сложный кейс, требует доводки безопасности под конкретную компанию, но возможный.

5. Аналитика (Postgres + Metabase / Grafana)

Уже описывал выше как пример. Самый окупающийся кейс для малого и среднего бизнеса — заменить «найди мне аналитика» на «спроси у AI».

Частые вопросы

MCP — это open standard или закрытый Anthropic?

Полностью open standard. Спецификация открыта, эталонные реализации опубликованы под лицензией Apache 2.0. Любой может писать клиенты и серверы без лицензионных отчислений. Anthropic курирует развитие, но не монополизирует.

Сложно ли написать свой MCP-сервер?

С готовыми SDK на Python или TypeScript — за вечер можно написать рабочий сервер с одним-двумя tools. Производственный сервер с надёжностью, обработкой ошибок, тестами — это 1-2 недели разработки.

Можно ли использовать MCP с локальной Llama / Qwen?

Косвенно — да. Сами локальные LLM не «понимают» MCP напрямую, нужен MCP-клиент-агент, который умеет работать и с локальной моделью (через OpenAI-compatible API), и с MCP-серверами. Goose, Continue, LibreChat — поддерживают эту связку.

Что если MCP-сервер падает или зависает?

Клиент это видит и сообщает пользователю «MCP server X disconnected». Большинство клиентов пытаются переподключиться. Стандартная стратегия — supervisord или systemd, если речь о production-сервере.

Есть ли в MCP что-то про векторный поиск и RAG?

Не напрямую. MCP — это «как подключиться к источнику», не «как сделать RAG». Но есть готовые MCP-серверы, которые внутри себя реализуют RAG (например, mcp-server-rag-anything) — клиент видит обычный tool типа search_knowledge_base, под капотом vector search.

Можно ли через MCP подключать AI к 1С?

Можно, но готового MCP-сервера для 1С в реестре нет — нужно писать custom поверх HTTP-сервисов 1С или OData. Я несколько раз делал на проектах, объём кода — 200-500 строк Python, сложность средняя.

Сколько стоит внедрить MCP в существующий проект?

Зависит от объёма интеграций. Подключение нескольких готовых MCP-серверов (filesystem, github, postgres) к корпоративному Claude Desktop — 1-2 дня работы инженера. Custom MCP-сервер для специфической бизнес-системы — 1-3 недели на сервер. Полная замена custom-интеграций на MCP-архитектуру — от месяца.

Выводы и полезные ресурсы

MCP — это не очередная модная аббревиатура. Это инфраструктурный сдвиг в том, как AI-приложения подключаются к внешнему миру. К 2026 году игнорировать MCP — это как игнорировать REST в 2010-х: всё ещё можно, но всё дороже и неудобнее.

Что делать прямо сейчас, если вы только начали:

1. Поставьте Claude Desktop и подключите 1-2 готовых MCP-сервера (например, filesystem на рабочую папку и github на свой репозиторий). Поработайте с ними 2-3 дня, чтобы понять UX.
2. Напишите свой первый MCP-сервер — самый простой, в 50-100 строк. Цель — понять механику, не сделать полезное. Можете взять мой пример из раздела про серверы.
3. Изучите официальную документацию modelcontextprotocol.io — она лаконичная и качественная.
4. Просмотрите реестр на GitHub: github.com/modelcontextprotocol/servers и собранные комьюнити awesome-листы.
5. Спланируйте, какие из ваших ручных операций можно делегировать AI через MCP. Начните с одного несложного use case.

Если хотите, чтобы кто-то с опытом помог построить MCP-инфраструктуру под ваш бизнес — пишите. У меня есть готовые шаблоны для подключения 1С, Битрикс24, корпоративных СУБД, и накопленные практики по безопасности и логированию MCP-вызовов.