MCP: USB для AI — конспект курса Anthropic

Когда я впервые услышала про MCP, я подумала: ещё один протокол для разработчиков. Мне, маркетологу, это не нужно. Спустя полгода я использую четыре MCP-сервера каждый день: amoCRM, Google Sheets, nanobanana для генерации изображений, n8n для автоматизаций. И понимаю, что MCP изменил мою работу с AI больше, чем любой промпт или навык.

Собственно, об этом и статья. Курс Anthropic Academy объясняет, что такое MCP, как он устроен и зачем нужен. Я добавила практические примеры из своего опыта.

Курс: Introduction to Model Context Protocol (MCP) Платформа: Anthropic Academy Длительность: ~45 минут Язык: English Бесплатно, с сертификатом Это мой авторский конспект, не официальный перевод.

Сертификат курса Introduction to MCP от Anthropic — Валерия Ом

Это часть серии «Учусь вместо вас». Также в серии: Claude 101, AI Fluency for Educators, Advanced Prompt Engineering, Claude Code in Action и Agent Skills.

Что такое MCP и почему его называют «USB для AI»?

MCP (Model Context Protocol) — открытый стандарт, который позволяет AI-моделям подключаться к внешним сервисам и данным. Курс использует красивую метафору: MCP это «USB-C для искусственного интеллекта». До USB каждое устройство имело свой уникальный разъём. Принтер, сканер, камера, телефон. Куча несовместимых проводов. USB создал единый стандарт, и всё стало подключаться к одному порту.

С AI та же история. Каждая интеграция требовала собственного кода. Хотите подключить Claude к Google Sheets? Пишите API-обёртку. К Slack? Ещё одна обёртка. К CRM? Третья. MCP решает эту проблему. Один протокол, любой сервис.

На практике это выглядит так. До MCP я копировала данные из Google Sheets, вставляла в Claude, получала результат, копировала обратно. Сейчас Claude читает таблицу напрямую, анализирует данные, записывает результат. Я не делаю ничего руками. Это, понимаете, разница между «послать сотрудника за справкой» и «дать сотруднику доступ к базе данных».

Без MCP	С MCP
Копировать данные из сервиса	Claude читает данные напрямую
Вставлять в чат	Claude анализирует в контексте
Копировать результат обратно	Claude записывает результат сам
Каждый сервис — отдельная интеграция	Один протокол для всех сервисов

MCP создан Anthropic, но это открытый стандарт. Его могут использовать любые AI-модели, любые приложения. Это важно: вы не привязываетесь к одному вендору.

Как устроена архитектура MCP: сервер, клиент, хост?

Архитектура MCP состоит из трёх компонентов: MCP Host, MCP Client и MCP Server. Курс объясняет это через аналогию с офисом.

MCP Host — это приложение, в котором работает пользователь. Claude Desktop, Claude Code, IDE с AI-плагином. Представьте офисное здание: это место, где вы физически находитесь и работаете.

MCP Client — протокольный слой внутри хоста. Он устанавливает и поддерживает соединение с серверами. Это как ресепшен в офисе: принимает запросы, направляет к нужному отделу.

MCP Server — лёгкая программа, которая предоставляет доступ к конкретному сервису. Один сервер для Google Sheets, другой для Slack, третий для базы данных. Как отдельные департаменты в компании: каждый отвечает за свою область.

┌─────────────────────────────────────────┐
│           MCP Host                      │
│  (Claude Desktop / Claude Code / IDE)   │
│                                         │
│    ┌─────────────────────────────┐      │
│    │       MCP Client            │      │
│    │  (протокольный слой)        │      │
│    └──────────┬──────────────────┘      │
└───────────────┼─────────────────────────┘
                │
    ┌───────────┼───────────┐
    │           │           │
    ▼           ▼           ▼
┌───────┐  ┌───────┐  ┌───────┐
│Server │  │Server │  │Server │
│Sheets │  │ Slack │  │  CRM  │
└───────┘  └───────┘  └───────┘

В моей конфигурации Claude Code выступает хостом. Внутри него работает MCP Client. К нему подключены четыре сервера: Google Sheets для контент-планов, amoCRM для данных клиентов, nanobanana для генерации изображений, n8n для автоматизаций. Один хост, много серверов.

Важный момент, который курс подчёркивает: MCP-серверы работают локально, на вашей машине. Данные не уходят на сторонние серверы. Это решает вопрос безопасности, который часто возникает при работе с AI и корпоративными данными.

Три примитива MCP: инструменты, ресурсы, промпты

MCP определяет три типа возможностей, которые сервер может предоставить. Курс называет их «примитивами» (primitives). Это базовые строительные блоки протокола.

Tools (инструменты)

Tools — это действия, которые AI может выполнить. Отправить сообщение, создать запись в базе, сгенерировать изображение. Ключевое слово здесь: model-controlled. Модель сама решает, когда и какой инструмент использовать, на основе контекста разговора.

Пример из моей практики. У меня есть MCP-сервер для nanobanana. Он предоставляет инструмент generate_image. Когда я говорю Claude: «Создай карточку для поста о профилактике кариеса», Claude сам понимает, что нужно вызвать этот инструмент, формирует промпт для генерации и получает изображение. Я не указываю явно «используй nanobanana». Модель выбирает инструмент сама.

Resources (ресурсы)

Resources — это данные, которые сервер предоставляет. Файлы, записи из базы, содержимое документов. Ключевое слово: application-controlled. Приложение (хост) решает, какие ресурсы загрузить в контекст.

Курс разделяет ресурсы на два типа:

Static resources — данные с фиксированным URI. Конкретный файл, конкретная таблица. URI не меняется.

Templated resources — динамические данные с параметрами в URI. Например, sheets://spreadsheet/{sheet_id}. Параметр {sheet_id} подставляется в момент запроса. Это позволяет работать с разными таблицами через один шаблон.

На практике это выглядит так. Мой MCP-сервер для Google Sheets предоставляет templated resource. Когда я работаю с контент-планом Престижа, Claude загружает одну таблицу. Когда с планом Ольги, другую. Один сервер, разные данные.

Prompts (промпты)

Prompts — готовые сценарии взаимодействия, которые сервер предлагает пользователю. Ключевое слово: user-controlled. Пользователь явно выбирает, какой промпт активировать.

Это как меню в ресторане. Сервер говорит: «У меня есть такие сценарии работы». Пользователь выбирает: «Хочу вот этот». Claude получает структурированную инструкцию и выполняет.

В моей работе я использую это реже, чем Tools и Resources. Но курс приводит хороший пример: сервер для работы с базой данных может предоставить промпт «Проанализируй структуру таблицы и предложи оптимизации». Пользователь активирует его одним кликом вместо того, чтобы писать сложный запрос вручную.

Примитив	Кто контролирует	Что делает	Пример
Tools	Модель	Выполняет действия	Отправить email, создать задачу
Resources	Приложение	Предоставляет данные	Содержимое файла, записи из CRM
Prompts	Пользователь	Активирует сценарии	«Проанализируй эту таблицу»

Transport-agnostic: почему это важно?

MCP не привязан к конкретному способу передачи данных. Курс называет это transport-agnostic (не зависит от транспорта). Протокол работает через stdio, HTTP, WebSockets. Формат сообщений один и тот же, меняется только способ доставки.

stdio — стандартный ввод/вывод. Сервер запускается как процесс на вашей машине, общается через stdin/stdout. Это самый простой вариант для локальных серверов.

HTTP/SSE — для удалённых серверов. Server-Sent Events позволяют серверу отправлять обновления клиенту в реальном времени.

Почему это важно? Вы можете написать MCP-сервер один раз и использовать его в разных средах. Локально через stdio, удалённо через HTTP. Код сервера не меняется. Меняется только конфигурация подключения.

В моей практике все четыре сервера работают через stdio. Они запускаются локально, данные не покидают мою машину. Для маркетинговых задач этого достаточно. Но если бы я работала в команде, HTTP-вариант позволил бы расшарить серверы между коллегами.

Python SDK: как писать MCP-серверы без боли

Курс показывает, как создать MCP-сервер на Python. Главная идея: декораторы вместо JSON-схем. Раньше для описания инструмента нужно было писать громоздкую JSON Schema. Сейчас достаточно декоратора @mcp.tool.

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("my-server")

@mcp.tool
def get_weather(city: str) -> str:
    """Получить погоду для города."""
    # логика получения погоды
    return f"Погода в {city}: солнечно, 22°C"

Декоратор @mcp.tool автоматически создаёт описание инструмента из docstring и типов аргументов. Не нужно дублировать информацию в JSON. Код становится чище, ошибок меньше.

Для ресурсов работает аналогично:

@mcp.resource("file://{path}")
def read_file(path: str) -> str:
    """Прочитать содержимое файла."""
    with open(path) as f:
        return f.read()

Я не разработчик, но написала несколько простых MCP-серверов для своих задач. Python SDK делает это доступным даже для тех, кто не пишет код профессионально. Документация понятная, примеры рабочие. Если вы знаете основы Python, справитесь.

MCP Inspector: как отлаживать серверы

Курс знакомит с MCP Inspector — инструментом для тестирования серверов. Это веб-интерфейс, который позволяет подключиться к серверу, посмотреть доступные инструменты, ресурсы и промпты, вызвать их вручную и увидеть результат.

Запуск простой:

npx @anthropic-ai/mcp-inspector

Inspector открывается в браузере. Вы видите список серверов, можете выбрать любой, посмотреть его возможности, отправить тестовые запросы. Это как Postman для API, только для MCP.

Когда я настраивала сервер для Google Sheets, Inspector помог найти ошибку в формате ответа. Без него пришлось бы гадать, почему Claude не видит данные. С ним проблема стала очевидной за минуту.

Зачем маркетологу понимать MCP?

Три причины, почему я рекомендую пройти этот курс, даже если вы не собираетесь писать свои серверы.

1. Понимание возможностей. Когда вы знаете, что MCP существует и как работает, вы начинаете видеть возможности. «А можно ли подключить Claude к моей CRM?» Да, можно. «А к Google Analytics?» Да, можно. Понимание архитектуры открывает горизонт.

2. Выбор инструментов. MCP-серверов становится всё больше. Когда вы понимаете разницу между Tools и Resources, между Static и Templated, вы можете оценить, какой сервер вам нужен. Не просто «подключить что-нибудь», а выбрать осознанно.

3. Коммуникация с разработчиками. Если вы работаете в команде или заказываете разработку, понимание MCP помогает ставить задачи. «Мне нужен MCP-сервер для нашей CRM с двумя инструментами: получить сделку и обновить статус». Это конкретное техническое задание, а не абстрактное «хочу интеграцию».

В моей практике MCP изменил подход к автоматизации. Раньше я строила цепочки в Zapier и Make. Сейчас Claude сам дёргает нужные сервисы. Это быстрее, гибче и дешевле. Четыре MCP-сервера заменили десяток интеграций.

Что я внедрила после курса

Курс подтвердил то, что я уже использовала, и добавил понимания, как это работает под капотом. Вот что изменилось:

Templated resources для разных клиентов. Раньше у меня были отдельные конфигурации для каждой таблицы. Теперь один сервер с параметрами. Меньше конфигов, проще поддержка.
Осознанный выбор между Tools и Resources. Понял, когда нужен инструмент (действие), а когда ресурс (данные). Это убрало дублирование в моих серверах.
MCP Inspector как часть рабочего процесса. Теперь перед тем как жаловаться «Claude не работает с таблицей», я проверяю сервер в Inspector. В 80% случаев проблема на стороне сервера, не модели.
Понимание границ. MCP это про подключение к данным и действиям. Он не делает Claude умнее и не учит его новым навыкам. Зато даёт руки и глаза. Модель остаётся мозгом, MCP даёт ей тело.

Кому подойдёт этот курс?

Курс технический, но доступный. Anthropic нашли баланс между глубиной и понятностью.

Подойдёт:

Маркетологам и предпринимателям, которые хотят понять, как AI может работать с их инструментами
Тем, кто уже использует Claude и хочет расширить его возможности
Разработчикам, которые планируют создавать MCP-серверы

Не подойдёт:

Тем, кто ищет готовые решения «под ключ» (курс про понимание, не про конфигурацию)
Тем, кто не готов разбираться в технических концепциях

45 минут. Бесплатно. С сертификатом. Если вы уже используете Claude в работе, этот курс покажет, как снять ограничения и дать модели доступ к вашим данным и инструментам.

Серия «Учусь вместо вас»:

Часто задаваемые вопросы

Нужно ли уметь программировать, чтобы использовать MCP?

Для использования готовых MCP-серверов программирование не нужно. Вы устанавливаете сервер, добавляете конфигурацию, и Claude начинает видеть ваши данные. Для создания собственных серверов базовые знания Python помогут, но SDK делает процесс максимально простым.

Чем MCP отличается от обычных API-интеграций?

API-интеграция требует написания кода для каждого сервиса отдельно. MCP это стандартизированный протокол: один раз настроили хост, дальше просто добавляете серверы. Как USB: не нужно перепаивать материнскую плату для каждого нового устройства.

Безопасно ли давать AI доступ к корпоративным данным через MCP?

MCP-серверы работают локально, данные не отправляются на сторонние серверы. Вы контролируете, какие именно данные и инструменты доступны модели. Это безопаснее, чем копировать данные в чат вручную.

Какие MCP-серверы использует автор?

Четыре сервера: Google Sheets для контент-планов и данных, amoCRM для клиентской базы, nanobanana для генерации изображений, n8n для автоматизаций и вебхуков. Этого достаточно для полного цикла контент-производства.

Где найти готовые MCP-серверы?

Официальный репозиторий: github.com/modelcontextprotocol/servers. Там серверы для Google Sheets, Slack, GitHub, PostgreSQL и десятков других сервисов. Большинство устанавливаются одной командой.

Если вы хотите разобраться, как MCP и другие AI-инструменты могут работать в вашем бизнесе, запишитесь на консультацию. Разберём ваш стек, покажу, какие интеграции дадут максимальный эффект.