Czym jest MCP? Model Context Protocol — wyjaśnienie

🔌 Czym jest MCP?

The Model Context Protocol (MCP) to otwarty standard opublikowany przez Anthropic w grudniu 2024, który definiuje uniwersalny interfejs do łączenia modeli AI z zewnętrznymi narzędziami, źródłami danych i usługami. Przed MCP każda integracja AI była niestandardową, jednorazową implementacją. MCP standaryzuje sposób, w jaki klienci AI komunikują się z zewnętrznymi możliwościami — dzięki temu jedna integracja działa z dowolnym kompatybilnym systemem AI.

MCP to protokół klient-serwer: Klienci MCP to systemy AI (jak Claude, Cursor, VS Code z Copilot), które chcą korzystać z zewnętrznych możliwości. Serwery MCP to usługi, które udostępniają te możliwości (GitHub, baza danych, system plików, przeglądarka) przez ustrukturyzowane API, które może konsumować każdy klient MCP.

🔋 Metafora USB-C

Przed USB-C każde urządzenie miało własne, zamknięte złącze — ładowarka do telefonu nie działała z laptopem, kabel do wyświetlacza nie działał z urządzeniami pamięci. USB-C rozwiązał to jednym uniwersalnym standardem: jeden port, jeden kabel, nieskończenie wiele urządzeń.

Integracje AI przed MCP były tym samym chaosem. Podłączenie Claude do GitHub wymagało niestandardowego kodu. Podłączenie GPT-4 do tego samego API GitHub wymagało innego niestandardowego kodu. Dodanie nowego narzędzia oznaczało przebudowę integracji od zera dla każdej platformy AI.

MCP to USB-C dla AI. Jeden standard:

• Zbuduj serwer MCP raz — każdy klient MCP może go użyć
• Przyjmij nowy model AI — twoje istniejące serwery MCP działają od razu
• Ekosystem serwerów MCP rośnie niezależnie od rozwoju modeli AI

⚙️ Jak działa MCP

MCP używa protokołu JSON-RPC 2.0 nad warstwą transportową (stdio dla serwerów lokalnych, HTTP/SSE dla serwerów zdalnych). Komunikacja przebiega w cyklu inicjalizacji, odkrywania możliwości i obsługi żądań.

Trzy rdzeniowe prymitywy

Przepływ komunikacji

1. Inicjalizacja: Klient łączy się z serwerem, wymienia wersję protokołu i możliwości
2. Odkrywanie: Klient żąda listy dostępnych narzędzi, zasobów i promptów
3. Wywołanie: Model AI decyduje się wywołać narzędzie; klient wysyła żądanie do serwera
4. Zwrócenie: Serwer wykonuje akcję i zwraca ustrukturyzowane wyniki klientowi
5. Kontynuacja: Model AI włącza wyniki do swojego rozumowania i kontynuuje proces

Opcje transportu

🔄 MCP kontra Function Calling

Function calling (użycie narzędzi) to funkcja wbudowana w niektóre API AI — OpenAI, Anthropic, Google — która pozwala zdefiniować niestandardowe funkcje, które model może wywoływać. MCP to warstwa nad lub obok function calling, która standaryzuje jak te funkcje są wykrywane i łączone.

W praktyce serwery MCP często używają function calling wewnętrznie — MCP zapewnia warstwę odkrywania i łączenia, podczas gdy function calling obsługuje faktyczne wywołania LLM do narzędzi.

🏢 Kto obsługuje MCP

Adopcja MCP gwałtownie wzrosła od jego premiery w grudniu 2024. Na kwiecień 2026 ekosystem obejmuje:

Klienci AI z obsługą MCP

• Claude (Anthropic) — natywna obsługa MCP w Claude.ai i Claude Code
• Cursor — serwery MCP dla asysty związanej z kodem
• VS Code (GitHub Copilot) — integracja MCP w trybie agentowym
• Windsurf (Codeium) — wsparcie serwera MCP
• Continue.dev — open-source asystent IDE z MCP

Popularne serwery MCP

• Filesystem — odczyt/zapis plików lokalnych (oficjalne Anthropic)
• GitHub — repozytoria, PRy, issues, wyszukiwanie kodu
• PostgreSQL / SQLite — zapytania do bazy danych i eksploracja schematu
• Brave Search / Exa — wyszukiwanie w sieci bez kluczy API
• Puppeteer / Playwright — automatyzacja przeglądarki
• Slack / Linear / Notion — integracje narzędzi produktywności

🚀 Pierwsze kroki z MCP

Opcja 1: Użyj istniejących serwerów MCP (5 minut)

Najszybszy sposób na doświadczenie MCP to użycie Claude Desktop z gotowymi serwerami. Edytuj konfigurację Claude Desktop w ~/Library/Application Support/Claude/claude_desktop_config.json:

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/yourname/Documents"]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": { "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_..." }
    }
  }
}

Opcja 2: Zbuduj serwer MCP (30 minut)

Oficjalne SDK są dostępne dla TypeScript, Python i Kotlin:

// TypeScript MCP server example
import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";

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

server.setRequestHandler("tools/list", async () => ({
  tools: [{
    name: "get_weather",
    description: "Get current weather for a city",
    inputSchema: {
      type: "object",
      properties: { city: { type: "string" } },
      required: ["city"]
    }
  }]
}));

server.setRequestHandler("tools/call", async (request) => {
  const { city } = request.params.arguments;
  // ... fetch weather data
  return { content: [{ type: "text", text: `Weather in ${city}: sunny, 22°C` }] };
});

const transport = new StdioServerTransport();
await server.connect(transport);

🔐 Rozważania dotyczące bezpieczeństwa MCP

Moc MCP — umożliwiając modelom AI dostęp do narzędzi, plików i usług — wprowadza także ryzyka bezpieczeństwa, przeciwko którym deweloperzy muszą się zabezpieczać.

Aby zagłębić się w podatności bezpieczeństwa AI — w tym jak wstrzykiwanie promptów może być uzbrojone przez wyniki narzędzi MCP — zobacz nasz przewodnik: Wyjaśnienie wstrzykiwania promptów.