Учебное пособие по протоколу контекста модели MCP

Если вы какое-то время экспериментировали с ИИ-агентами, LLM-системами и помощниками вроде Copilot или Claude, вы, вероятно, повсюду встречали аббревиатуры вроде MCP и, возможно, не совсем уверены в их значении . Вы не одиноки: это относительно новая концепция, довольно техническая, и официальная документация, хотя и хорошая, может быть сложной для понимания, если вы просто хотите разобраться, как она вписывается в ваши проекты.

В этой статье мы всё это объясним простым языком. Вы узнаете, что такое протокол контекста модели (MCP), почему он стал таким важным, как он работает внутри и как его можно использовать для связи ваших языковых моделей с реальными инструментами: от локального репозитория Git до Google Drive, Google Calendar, внутренних систем в Azure или настольных приложений, таких как Claude Desktop. Мы также рассмотрим преимущества, ограничения, безопасность, практические примеры и как создать собственный MCP-сервер.

Что такое протокол контекста модели (MCP) и почему о нем так много говорят?

Протокол контекста модели (MCP) — это открытый стандарт, разработанный для обеспечения бесперебойной связи моделей ИИ с внешними инструментами, данными и сервисами . Идея принадлежит компании Anthropic (разработчику Claude), но протокол задуман как независимый от конкретного поставщика: он не принадлежит ни к одному конкретному поставщику или модели.

Наиболее распространенное и достаточно точное сравнение заключается в том, что MCP для программного обеспечения — это то же самое, что USB или USB-C для аппаратного обеспечения . Так же, как вам не нужен отдельный кабель для каждого устройства, вам также не нужна несистематическая интеграция для каждого API, CRM, базы данных или сервиса, с которыми должен взаимодействовать ваш ИИ-агент. MCP выступает в качестве «универсального адаптера», позволяя моделям получать доступ к контексту реального мира.

До появления MCP, для взаимодействия вашего ИИ-помощника, например, с системой обработки заявок, CRM или вики, приходилось создавать собственные интеграции с большим количеством встроенного кода и минимальным повторным использованием . Каждый инструмент имел свой собственный JSON, механизм аутентификации и способ возврата данных. MCP пытается разрушить этот хаос, предлагая стандартизированный способ описания инструментов, ресурсов и потоков сообщений.

Это идеально вписывается в нынешнюю тенденцию к так называемым агентным приложениям : системам, в которых одна или несколько языковых моделей не только реагируют на сообщения, но и рассуждают, планируют, вызывают инструменты, обращаются к источникам данных и более или менее автономно организуют задачи.

Базовая архитектура MCP: хосты, клиенты, серверы и возможности.

Для полного понимания MCP стоит ознакомиться с его основными компонентами. Протокол определяет архитектуру с тремя основными ролями и тремя типами возможностей, предоставляемых серверами.

В отношении ролей MCP проводит следующие различия:

• ХозяеваЛюбое приложение, использующее один или несколько LLM и желающее расширить свои возможности с помощью MCP. Это может быть IDE, например VS Code, редактор кода, например Zed или Replit, настольное приложение, веб-сервис или корпоративный агент для производственной среды.
• Наши клиентыКомпоненты, взаимодействующие с сервером MCP от имени хоста. Они управляют соединением, обнаруживают доступные инструменты, разрешают доступ к ресурсам и обрабатывают обмен сообщениями.
• Серверы: процессы, раскрывающие стандартизированные возможности MCP: инструменты, ресурсы и подсказкиВ основе их работы лежат подключения к локальным источникам данных (файловая система, репозиторий Git, файл Markdown с подсказкой или база данных, установленная в той же сети) или удаленным источникам (HTTP API, облачные сервисы, SaaS).

На практике это можно представить следующим образом: хост запускает клиент MCP, который подключается к одному или нескольким серверам MCP ; эти серверы, в свою очередь, «обертывают» API, базы данных , сторонние сервисы или внутренние данные компании, преобразуя все это в стандартизированные возможности, которые может использовать ИИ.

В рамках этой архитектуры также присутствуют две важные концепции источников данных:

• Локальные источники данныхЛокальные источники на сервере, такие как файловая система, репозиторий Git, файл Markdown с подсказкой или база данных, установленная в той же сети.
• Удаленные Услуги: удаленные сервисы, доступные через сеть: REST API, облачные сервисы, такие как Google Drive, Zoom, Slack, корпоративная CRM, электронные медицинские карты и т. д.

Прелесть MCP заключается в том, что для модели ИИ и хоста не имеет значения, откуда поступает информация: из локального файла, GitHub или корпоративного API : она всегда поступает в виде сообщений одного типа и с одинаковой структурой.

Возможности MCP: инструменты, ресурсы и подсказки.

Основной функциональной единицей в MCP являются так называемые «возможности» протокола . Существует три типа, и каждый из них охватывает различные аспекты взаимодействия модели с окружающей средой.

Инструменты — это, по сути, функции, которые может вызывать модель. Сервер предоставляет к ним доступ в структурированном виде (имя, описание, параметры), и LLM решает, вызывать ли этот инструмент и с какими аргументами . Например: «вывести список последних коммитов», «создать событие календаря», «поиск документов в Google Диск», «запрос к CRM» или «выполнить SQL-запрос».

Ресурсы представляют собой контекстную информацию, которую приложение считает полезной и которая обычно внедряется в запросы без явного запроса со стороны модели . Например, сводка о состоянии репозитория, последние показатели продаж, история болезни пациента или описание проекта. Ресурсы могут быть статическими или динамически генерируемыми из URI или шаблона.

Подсказки — это многократно используемые шаблоны инструкций, которые сервер предоставляет хосту или пользователю. Они могут определять, например, роль, которую должна выполнять модель («действует как эксперт по Git»), структуру ответов или определенный формат работы с определенной областью знаний. Они позволяют стандартизировать способы управления моделью, не переписывая один и тот же текст снова и снова.

Такое разделение имеет мощный практический эффект: оно четко разграничивает то, что модель решает самостоятельно (вызов инструментов), и то, что приложение предоставляет заранее (ресурсы и подсказки) . Это разделение помогает как в проектировании агентов, так и в обеспечении безопасности и аудита.

Практический пример: сервер MCP для просмотра репозитория Git.

Хороший способ понять MCP — рассмотреть конкретный пример. Представьте, что вы хотите создать небольшое приложение командной строки, в котором вы общаетесь с LLM, а он, в свою очередь, может при необходимости проверять локальный репозиторий Git, чтобы лучше реагировать: просматривать статус, анализировать последние коммиты, понимать структуру проекта и так далее.

Следуя подходу, описанному в некоторых справочных руководствах, вы можете настроить нечто подобное с помощью сервера MCP, реализованного на Python с использованием официального SDK . Этот сервер будет предоставлять следующие возможности:

• Una инструментом Чтобы получить текущее состояние репозитория (измененные, добавленные, удаленные файлы).
• Другой инструментом Чтобы вывести список последних N коммитов (например, 50) с указанием автора, даты и сообщения.
• Un ресурс Эта команда возвращает краткое текстовое описание репозитория (основные папки, используемые технологии, приблизительный размер и т. д.), сгенерированное на основе информации из файловой системы и Git.
• Un подсказка Сохранено в файле Markdown, описывающем, как модель должна вести себя в качестве «обозревателя репозиториев Git» и как использовать доступные инструменты.

Для взаимодействия с Git сервер может использовать библиотеку GitPython, которая упрощает обход коммитов, веток и состояния без необходимости прямого вызова исполняемого файла Git. Комментарии к методам могут использоваться для неявной генерации метаданных для каждого инструмента: что он делает, какие параметры принимает и т. д.

В этом сценарии сервер будет взаимодействовать с хостом через простой канал связи, например, stdio (стандартный ввод/вывод) . Это очень удобный вариант для локального тестирования и рабочих процессов , а также для интеграции с настольными приложениями, поскольку вам нужно только запустить процесс и взаимодействовать с ним, как с любой консольной программой.

Клиент MCP, клиент модели «агента» и приложения.

На другом конце этого примера находится часть, которая запускается на вашем компьютере как пользователя: приложение Agentic , которое управляет всем процессом. Это приложение обычно состоит из трех отдельных частей.

С одной стороны, вам нужен клиент модели (ModelClient) , который инкапсулирует способ взаимодействия с конкретной используемой вами моделью обучения ( OpenAI , Claude, другим поставщиком или даже самостоятельно размещенной моделью). Этот клиент обрабатывает вызовы завершения чата, управляет инструментами в формате поставщика, токенами и так далее. Желательно определить общий интерфейс, чтобы в будущем смена моделей была такой же простой, как и изменение реализации.

С другой стороны, для связи с описанным выше Git-сервером необходим клиент MCP . Этот компонент отвечает за следующее:

• Подключитесь к серверу, используя выбранный протокол передачи данных (например, stdio).
• Ознакомьтесь с доступными возможностями: инструментами, ресурсами и подсказками.
• Проверьте эту информацию. Таким образом, вам не придётся постоянно спрашивать сервер о вещах, которые не меняются.
• Разрешение динамических ресурсов, например, генерация URI из шаблонов ресурсов для получения, скажем, краткого описания конкретного репозитория.

Наконец, объединяющим элементом является агент — класс, управляющий основным циклом приложения: чтением запроса пользователя, построением контекста, отправкой запроса модели, выполнением инструментов по запросу LLM и возвратом окончательного ответа.

Типичный цикл может выглядеть так:

1. Прочитайте запрос пользователя из терминал.
2. Постройте Системное сообщение, объединяющее шаблон MCP и ресурс с кратким описанием репозитория..
3. Сформируйте сообщение для пользователя, используя введенный вопрос.
4. Прикрепите к сообщению список инструментов, предоставляемых клиентом MCP.
5. Отправьте все документы в магистратуру, используя шаблон клиента.
6. Проанализируйте ответ: если модель запрашивает запуск инструмента, обратитесь к серверу MCP, получите результат и перешлите его модели для уточнения ответа.
7. Выведите пользователю окончательный ответ и задайте следующий вопрос.

Такая конструкция наглядно демонстрирует, почему MCP так хорошо сочетается с Agentic Apps: она отделяет логику оркестровки (агента) от интеграции модели и интеграции инструментов . Каждый компонент выполняет свою роль, а MCP выступает в качестве стабильного контракта для всех инструментов и источников данных, которые вы хотите добавить.

Как работает MCP внутри: поток запросов и ответов.

Хотя для использования MCP знание технических характеристик памяти не является обязательным, полезно иметь четкое представление о классическом потоке запросов/ответов , которому следует протокол между хостом и сервером.

Представьте типичный сценарий: ИИ-помощник хочет просмотреть события вашего календаря на сегодня. Рабочий процесс будет выглядеть примерно так:

• Модель определяет, что вы запросили что-то, требующее внешних данных, и генерирует запрос MCP для соответствующего инструмента (например, «получить события за сегодня»).
• Клиент MCP обрабатывает запрос в соответствии с правилами протокола и отправляет его на соответствующий сервер.
• Сервер MCP преобразует запрос в соответствующий API (например, Google Календарь, Exchange или другую систему), выполняет его и извлекает данные.
• Сервер возвращает ответ клиенту MCP в стандартном формате MCP, при этом данные организованы и готовы для понимания моделью.
• Ведущий передает этот ответ в LLM, который интегрирует его в свои рассуждения и генерирует окончательный ответ для пользователя.

Та же динамика применима и к более сложным случаям: составление резюме совещания в Zoom, извлечение документов из Google Drive, анализ медицинских данных путем объединения изображений и историй болезни пациентов и т. д. Важно то, что модели не нужно знать ничего о каждом API: она всегда говорит на «языке MCP».

Эта абстракция становится критически важной, когда вам нужно, чтобы агент мог последовательно вызывать несколько инструментов: например, получать историю клиента из CRM, использовать эти данные для создания коммерческого предложения, сохранять его в Google Диске, а затем планировать встречу в календаре для его просмотра. С MCP все это делается с помощью единой схемы сообщений и инструментов , без необходимости изобретать велосипед при каждой интеграции.

Безопасность, аутентификация и соответствие нормативным требованиям в MCP

Одним из важнейших вопросов при предоставлении модели ИИ доступа к реальным системам является безопасность: какие данные она может видеть, что она может с ними делать и как она проходит аутентификацию . MCP был разработан с учетом этих вопросов и обычно опирается на стандартные механизмы аутентификации.

К числу наиболее часто встречающихся относятся:

• ОАут 2.0MCP широко используется в таких сервисах, как Google, Microsoft или Slack. MCP делегирует полномочия OAuth, который выступает в роли «цифрового привратника»: пользователь предоставляет определенные разрешения (чтение календаря, доступ к определенным файлам и т. д.), а сервер MCP использует эти токены для действий от имени пользователя.
• API-токеныЭто типично для многих SaaS-сервисов или внутренних API. Сервер MCP может запрашивать определенный токен для доступа к конкретной внутренней системе, и хост предоставляет его безопасным способом.
• Ролевой доступПомимо аутентификации, важна также авторизация. MCP может быть интегрирован с системами, основанными на ролях, чтобы... Не все инструменты доступны всем пользователям.или для ограничения доступа агентов к определенным частям API.

В регулируемых секторах (здравоохранение, финансы, государственный сектор) также важна соответность таким нормативным требованиям, как GDPR, SOC 2 или сертификатам ISO . Хотя MCP по своей сути ничему не «соответствует» (это всего лишь протокол), его архитектура позволяет инкапсулировать доступ в соответствии с этими стандартами: можно проводить аудит вызовов, контролировать, какие данные покидают среду, шифровать трафик и устанавливать четкие политики доступа.

Например, компания может предоставлять доступ к электронным медицинским картам через внутренний MCP-сервер, но при этом строго ограничивать доступ к определенным инструментам, полям, возвращаемым из каждой записи, и лицам, имеющим право использовать эти инструменты . Искусственный интеллект по-прежнему видит однородный набор инструментов, но за этим скрывается значительная степень управления и контроля.

Практическое применение MCP: от разработки до машинного зрения.

MCP — это далеко не просто красивая теория, она уже применяется в самых разных реальных ситуациях . Вот некоторые из наиболее интересных примеров.

В разработке программного обеспечения редакторы, такие как Zed, и платформы, такие как Replit, начинают использовать MCP, чтобы их помощники по коду могли читать файлы проекта, отслеживать изменения в реальном времени, просматривать журналы и взаимодействовать с системами контроля версий . Для редактора помощник больше не «слепой» и теперь может понимать, что на самом деле находится в репозитории.

В деловой среде многие компании подключают свои внутренние вики-системы, системы технической поддержки, CRM-системы или базы знаний к ИИ-помощникам с помощью MCP. Это позволяет агенту отвечать на вопросы службы поддержки, создавать отчеты, предлагать бизнес-решения или обрабатывать заявки, всегда используя актуальные и специфичные для организации данные.

Ещё одна развивающаяся область — это настольные помощники, работающие с локальными данными . Например, настольное приложение Клода использует MCP для безопасного доступа к файлам на вашем компьютере без необходимости загрузки их в облако. Это позволяет использовать полезные функции, такие как составление кратких обзоров документов, поиск релевантных фрагментов или помощь в работе с локально хранящимся кодом.

И хотя это пока еще на ранней стадии, наблюдается значительная тенденция к применению MCP в проектах компьютерного зрения с сильным контекстным компонентом . Например, в медицинской диагностике: ассистент может координировать модели зрения для анализа изображений (рентгеновских снимков, сетчатки и т. д.), одновременно просматривая медицинские записи, результаты лабораторных анализов и клинические исследования, и все это с помощью инструментов, предоставляемых серверами MCP.

MCP в экосистеме Google: Диск, Календарь и встречи.

Еще одна область, где MCP идеально подходит, — это экосистема Google Workspace. Основная идея заключается в развертывании сервера MCP, который выступает в качестве моста между API Google Drive и Google Calendar, чтобы ИИ мог искать документы, составлять их краткое описание, классифицировать, создавать события, управлять напоминаниями и так далее.

В случае Google Drive, хорошо спроектированный MCP-сервер может позволить модели ИИ:

• выполнять поиск документов с использованием естественного языка («Принесите мне отчет о продажах за последний квартал»).
• Прочитайте содержание этих документов и составьте резюме, пункты плана действий или сравнения между версиями.
• Автоматическая маркировка и организация файлов. в папки в соответствии с их содержанием (контракты, резюме, протоколы совещаний…).
• Управляйте правами доступа при условии наличия четких и правильно настроенных правил безопасности.

Типичная настройка включает в себя активацию API Google Drive в консоли Google Cloud, создание учетных данных, указание серверу MCP способа аутентификации (обычно через OAuth) и определение разрешенных операций (только чтение, чтение и запись и т. д.). После настройки любой MCP-совместимый хост может использовать этот сервер, не зная никаких данных Google.

Аналогичная логика применима и к Google Календалю. Выделенный сервер MCP может:

• Прочитывать события календаря от одного или нескольких пользователей.
• Поиск совместимых промежутков в расписании и автоматически предлагать время встречи.
• Создавайте, перемещайте или отменяйте события на основе решений агента.
• Создавайте напоминания о последующих встречах на основе обсуждавшихся вопросов.

С точки зрения пользовательского опыта, это означает, что вы можете сказать своему ассистенту что-то вроде: «Найдите полчаса на следующей неделе, чтобы поговорить с Мартой о проекте X», и благодаря MCP агент проверит расписание, предложит удобное время и создаст приглашение с соответствующей ссылкой на видеозвонок.

Еще один шаг вперед – это объединение платформ «Календарь», «Диск» и видеоконференций: ИИ может извлекать предыдущий контекст (документы, электронные письма, заметки), помогать вам во время встречи и генерировать резюме и задачи в конце , используя один и тот же протокол и различные инструменты MCP.

Умные совещания: видеозвонки, подключенные к MCP.

Совещания — одна из областей, где ценность MCP проявляется наиболее очевидно, поскольку она включает в себя много повторяющейся ручной работы: ведение записей, определение пунктов плана действий, обмен сводками, обновление CRM и т. д. Интеграция таких платформ, как Zoom, Google Meet или Microsoft Teams, через MCP открывает возможности для автоматизации практически всего цикла.

Агент по организации встреч, работающий на базе MCP, может:

• Автоматическая расшифровка разговоров ан Tiempo реальным.
• Определите ключевые решения, пункты плана действий, достигнутые соглашения и нерешенные вопросы.
• Отправляйте сводки в Slack, по электронной почте, в Notion или в менеджер задач вашей компании.
• Обновляйте записи о клиентах в CRM и создавайте последующие электронные письма.

Логика аналогична той, что мы видели ранее: есть сервер MCP, который взаимодействует с API платформы видеоконференций (для получения записей, стенограмм или других метаданных), и другой сервер, который интегрирует такие инструменты, как Drive, Slack, CRM и т. д. Организатор (например, приложение для совместной работы над совещаниями) координирует все эти звонки.

На практике для большинства конечных пользователей все это скрыто за удобными интерфейсами, созданными сторонними разработчиками. Существуют инструменты, которые «управляют магистралью MCP» за вас : вы просто подключаете свои учетные записи (календарь, Zoom, CRM) и выбираете несколько параметров, в то время как за кулисами выполняется множество запросов к различным серверам MCP.

В результате формируется экосистема, где ИИ больше не ограничивается генерацией текста, а действует непосредственно в вашей цифровой среде: планирует, документирует, организует, запоминает и координирует . MCP — это слой, который позволяет всем этим интеграциям поддерживать определенный порядок, вместо того чтобы превратиться в монстра из сложных в обслуживании интеграций.

Удаленные серверы MCP в Azure и Foundry: интеграция внутренних систем.

В корпоративной среде проблема часто заключается не в подключении к Google или Zoom, а во внутренних системах, которые по умолчанию не предоставляют доступ к MCP: частные API, устаревшие сервисы, бизнес-микросервисы . В таких случаях распространенной стратегией является настройка удаленных серверов MCP на облачной инфраструктуре.

Очень интересный подход предполагает использование Azure Functions для размещения сервера MCP . Azure Functions предлагает бессерверную модель с нулевым масштабированием, масштабированием по требованию и простой интеграцией с управляемыми удостоверениями и частными сетями. Идея заключается в следующем:

1. Инициализируйте проект из шаблона сервера MCP (например, используя Azure Developer CLI или что-то подобное). azd init –template remote-mcp-functions-python).
2. В коде функции укажите различные инструменты MCP, которые предоставляют доступ к вашим внутренним API: например, «проверка ожидающих заказов», «создание инцидентов», «запуск процесса выставления счетов».
3. Настройте соответствующую аутентификацию: ключи ролей, OAuth, управляемое удостоверение и т. д.
4. Разверните сервер MCP с помощью azd up и обратите внимание на конечную точку MCP и необходимые ключи.

При желании вы можете зарегистрировать этот сервер MCP в Azure API Center, чтобы создать частный каталог инструментов для всей организации . Это упростит обмен инструментами между командами, добавление механизмов управления (кто может использовать что), прикрепление документации и настройку централизованных политик аутентификации.

После регистрации такие службы, как Microsoft Foundry Agent Service, могут обнаружить этот сервер MCP из каталога или с помощью ручной настройки (пользовательский инструмент MCP). После этого агенты Foundry могут вызывать доступные инструменты для взаимодействия с внутренними корпоративными системами через стандартизированный интерфейс MCP.

Если возникают проблемы с подключением (ошибки аутентификации, некорректные конечные точки, не найденные инструменты), диагностика обычно включает в себя анализ журналов Azure Functions, проверку ключей и подтверждение того, что сервер MCP корректно предоставляет схему и инструменты, которые ожидает агент.

Создание собственного MCP-сервера: языки программирования, SDK и требования

Если после всего этого вы все еще хотите настроить собственный MCP-сервер, хорошая новость заключается в том, что уже существуют официальные и общедоступные SDK для нескольких языков . Среди наиболее известных:

• Типскрипт/JavaScript
• Питон
• Java
• Котлин
• C#
• А также общественные проекты на языке Go и многое другое.

Независимо от выбранного языка, вам понадобятся следующие основные ингредиенты:

• некоторые знание programación и API чтобы наглядно представить инструменты и ресурсы.
• Доступ к API или источники данных, которые вы хотите предоставить. (Веб-API, базы данных, внутренние системы, файлы…).
• Механизм аутентификация и авторизация надежная аутентификация (OAuth, токены, внутренние ключи…), адаптированная к вашей среде.
• Среда стабильное исполнение (Это может быть бессерверная архитектура, например, Azure Functions, контейнер в Kubernetes, виртуальная машина и т. д.).

Обычно рабочий процесс выглядит следующим образом: определить, какую проблему необходимо решить (например, централизовать доступ к данным клиентов), разработать инструменты MCP, которые будут представлять ключевые операции, написать код сервера, протестировать его локально с помощью примера клиента MCP и, наконец, предоставить к нему доступ реальным хостам (таким как помощники для рабочих столов, корпоративные агенты или IDE).

Со временем , вероятно, появится больше инструментов для MCP с минимальным или полным отсутствием кода , которые позволят менее технически подкованным пользователям настраивать простые серверы путем перетаскивания блоков: подключить API, определить инструмент, прикрепить приглашение командной строки — и готово. Но пока что этот путь почти всегда включает в себя написание кода.

Преимущества, ограничения и перспективы MCP

После рассмотрения стольких деталей стоит подвести итог тому, что предлагает MCP и каковы ее тарифы. Среди наиболее очевидных преимуществ можно выделить следующие:

• Una согласованный и стандартизированный способ связи моделей ИИ с инструментами и данными.что снижает техническую нагрузку при нерегламентированных интеграциях.
• Мэр модульностьВы можете изменить внутреннюю структуру инструмента (например, перейти с одной CRM на другую) без необходимости изменения логики хоста или модели.
• Это облегчает работу агентов искусственного интеллекта, позволяя им по-настоящему проявлять себя. самозанятый и владеющий несколькими инструментамииспользование различных инструментов в зависимости от логики, без жестких, написанных вручную алгоритмов.
• Это очень хорошо сочетается с современной архитектурой, где Магистранты становятся организаторами действий. о бизнес-системах.

Что касается ограничений и проблем, необходимо учитывать несколько моментов:

• La Первоначальная настройка серверов и хостов MCP. Внедрение его в существующие системы может быть трудоемким процессом. Для полного использования преимуществ протокола потребуется переосмысление многих архитектур.
• Внедрение протокольного уровня включает в себя некоторые аспекты. накладные расходы и задержкаособенно если серверы MCP распределены по нескольким сетям или облачным сервисам.
• Существует кривая обучения Это относится как к командам, занимающимся разработкой бэкэнда, так и к разработчикам агентов: крайне важно понимать, как моделируются инструменты, как управляются ресурсы и как организуется рабочий процесс.

Несмотря на это, все указывает на то, что MCP станет ключевым компонентом в проектировании и внедрении ИИ-помощников . Крупные лаборатории, такие как Anthropic, OpenAI и Google DeepMind, готовят свои продукты к поддержке этого протокола, а такие поставщики, как Microsoft, уже интегрируют его в свои корпоративные платформы.

По мере развития экосистемы серверов MCP (как официальной, так и созданной сообществом) мы увидим постоянно растущий каталог плагинов, готовых подключать агентов практически к чему угодно: от образовательных репозиториев, таких как репозиторий глубокого обучения MIT, до систем продаж, здравоохранения, розничной торговли и государственного управления. И вместе с этим ИИ будет все больше переходить от абстрактного реагирования к действиям, основанным на реальном контексте каждого пользователя и организации.