В последнее время протокол контекстуализации моделей (Model Contextualization Protocol, MCP) стал центральной темой в индустрии искусственного интеллекта, привлекая значительное внимание крупных игроков, таких как OpenAI, Google, и различных предприятий как внутри, так и за пределами Соединенных Штатов. Чарли Грэм, основатель и генеральный директор Second Coffee, недавно поделился своими мыслями о MCP и их потенциале изменить ландшафт в сообщении в блоге. Эта статья посвящена возможностям и текущим ограничениям MCP, основанным на углубленных исследованиях и практическом опыте создания экспериментальных серверов MCP.
Понимание MCP: Преодоление разрыва между AI-моделями и внешними данными
MCP можно представить как стандартизированные API, которые служат важным связующим звеном между внешними источниками данных или приложениями и большими языковыми моделями (LLM), такими как ChatGPT или Claude. Эти протоколы позволяют AI-моделям получать доступ к данным в реальном времени с туристических веб-сайтов, управлять календарями и даже манипулировать файлами на компьютере.
Хотя некоторые AI-инструменты, такие как Claude, Cursor и OpenAI, уже используют пользовательские функции интеграции, MCP предлагают универсальный и стандартизированный формат для всех таких взаимодействий, значительно повышая их универсальность.
MCP в основном состоит из двух компонентов: клиента (например, ChatGPT) и сервера (например, веб-сайта планирования полетов). При совместном использовании они наделяют AI-модели способностью получать доступ к данным в реальном времени, выполнять действия в Интернете и функционировать скорее как активные агенты, чем как статические чат-боты.
В настоящее время набирают популярность два основных типа MCP. Первый тип предназначен для разработчиков, примером чего являются такие инструменты, как Cursor или Claude Code, которые могут работать на устройствах, таких как ноутбуки, для управления файлами и выполнения скриптов. Второй тип ориентирован на реальные приложения, уделяя особое внимание таким действиям, как поиск продуктов, регистрация доменов, бронирование мероприятий или отправка электронных писем.
Для изучения практических последствий были разработаны два различных типа MCP. Первый, названный GPT Learner, представляет собой сервер разработчика, предназначенный для помощи пользователям в управлении Cursor при запоминании ошибок и избежании повторений. Если Claude или Cursor неправильно перезаписывают код, инструмент позволяет пользователям записывать и учиться на ошибке, сохраняя правильный подход для дальнейшего использования.
Второй проект — это MCP рынка прогнозов, который связывает большие языковые модели с веб-сайтом betsee.xyz, который агрегирует рынки прогнозов в реальном времени. Когда пользователь задает Claude вопрос, например: ‘Каковы вторичные эффекты приостановки Трампом тарифов и на что люди делают ставки?’, MCP возвращает соответствующие рынки и коэффициенты в реальном времени с Polymarket или Kalshi.
Почему MCP еще не готовы к прайм-тайму
Создание этих двух MCP выявило несколько ключевых моментов, в первую очередь то, что MCP еще не готовы к широкому распространению.
Текущий пользовательский опыт с MCP далек от идеала. Большинство чат-ботов, таких как ChatGPT, еще не поддерживают серверы MCP. Из тех, что поддерживают, установка часто требует ручного редактирования JSON, что далеко не удобно для пользователя. Чат-боты, такие как Cursor и Claude, как правило, запрашивают у пользователей каждый запрос и часто возвращают неполную информацию или необработанный вывод JSON, что делает работу неуклюжей и неудовлетворительной.
При использовании настольной версии Claude для запроса MCP рынка прогнозов она часто не предоставляла ссылки или цены, если об этом не просили явно, а иногда вообще не вызывала сервер. Постоянные всплывающие подсказки от Claude при использовании MCP еще больше снижали интерес пользователей. Хотя ожидается, что бесшовная обработка и содержательные ответы от MCP появятся в будущем, технология еще не достигла этой стадии.
Безопасность — еще одна важная проблема. Учитывая их способность выполнять внешние операции и получать доступ к системам в реальном времени, MCP сталкиваются с многочисленными проблемами безопасности. Внедрение подсказок, установка вредоносных инструментов, несанкционированный доступ и атаки типа ‘троянский конь’ — это вполне реальные угрозы. В настоящее время отсутствует песочница, уровни проверки и развитая экосистема для обработки этих крайних случаев.
Эти проблемы ясно показывают, что MCP — это все еще экспериментальная технология.
Решающая роль клиента
Важным уроком, извлеченным при создании этих серверов, является то, что клиент, а не сервер, в конечном итоге решает будущее MCP.
Те, кто контролирует взаимодействие с большими моделями, также контролируют, какие инструменты видят пользователи, какие из них запускаются и какие ответы отображаются. Можно создать самый полезный сервер MCP в мире, но клиент может его не вызвать, может показать только половину его вывода или даже не разрешить его установку.
MCP и появление привратников
Критическая власть клиента означает, что MCP в конечном итоге будут управляться как поисковые системы и магазины приложений. Ведущие поставщики приложений для больших моделей, такие как OpenAI и Anthropic, станут новыми ‘привратниками’, определяющими, какие MCP могут быть внесены в список, и курирующими их обнаруживаемость с помощью алгоритмов рекомендаций.
С момента своего создания в конце 1990-х годов Google контролировала, какой контент представляется пользователям, что помогло им построить чрезвычайно прибыльный бизнес. Чат-боты теперь приобретают эту способность, заменяя традиционные ‘10 синих ссылок’ поисковой системы прямыми ответами. Они могут решать, какой контент показывать, какой исключать и как его форматировать.
Процесс установки MCP, вероятно, будет напоминать модель магазина приложений. Подобно тому, как Apple и Google сформировали мобильную экосистему, решая, какие приложения рекомендовать, предустанавливать или утверждать, клиенты больших моделей будут определять, какие серверы MCP демонстрировать, продвигать и даже разрешать на платформе. Эта динамика, вероятно, приведет к конкуренции между компаниями, потенциально включающей платежи поставщикам моделей за рекомендации и освещение в новой экосистеме, способствуя созданию высокодоходных платформ распространения MCP.
Пользователи будут устанавливать MCP или ‘приложения для чата с AI’ из тщательно отобранных ‘магазинов MCP’. Такие инструменты, как Gmail, HubSpot, Uber и Kayak, добавят конечные точки MCP, интегрируясь непосредственно в рабочие процессы на основе чата. Хотя пользователи теоретически могут выбирать для установки любой MCP, который они хотят, большинство, вероятно, будет полагаться на рекомендации, предоставляемые клиентом, такие как рекомендации ChatGPT. Эти рекомендации не будут произвольными, а будут исходить из прибыльного партнерства, когда крупные компании платят за то, чтобы стать вариантом по умолчанию в категориях покупок, путешествий, поиска доменов или поиска услуг. Этот уровень видимости приведет к миллионам пользователей, предлагая огромную экспозицию, данные и коммерческую ценность.
Некоторые клиентские магазины приложений MCP (MAS) будут предлагать более мягкий и открытый выбор MCP, позволяя проводить более широкий спектр экспериментов и разрабатывать MCP сообществом. Другие будут иметь строгие процессы утверждения, уделяя приоритетное внимание качеству, безопасности и монетизации. В любом случае клиент устанавливает условия для участия — и правила для успеха.
Клиенты MCP, такие как OpenAI и Claude, станут новыми платформами iOS и Android, а серверы MCP будут играть роль приложений. Вместо значков эти приложения будут вызываться с помощью пользовательских команд, предлагая богатые, структурированные и интерактивные ответы на потребности пользователей посредством языкового взаимодействия.
Со временем мы можем увидеть появление специализированных клиентов, адаптированных к конкретным отраслям или областям. Представьте себе AI-помощника по планированию путешествий, который легко интегрирует услуги от авиакомпаний, сетей отелей и туристических агентств, чтобы предложить пользователям комплексный опыт планирования путешествий. Или клиент MCP, ориентированный на человеческие ресурсы, предоставляющий унифицированный доступ к юридическим данным, записям сотрудников и организационным инструментам, преобразуя способ управления бизнесом.
Хотя большинство пользователей будут придерживаться основных клиентов, появятся некоторые AI-чат-боты с открытым исходным кодом. Эти чат-боты понравятся профессионалам, которые хотят полностью контролировать устанавливаемые ими MCP, не ограничиваясь ограничениями, налагаемыми привратниками. Однако, как и настольные системы Linux, эти продукты с открытым исходным кодом, вероятно, останутся нишевыми рынками.
Новые возможности в развивающейся экосистеме
Ожидается появление нескольких типов предприятий и инструментов для обслуживания развивающегося ландшафта MCP, в том числе:
MCP Wrappers and Server Packs (Обертки MCP и пакеты серверов): Они будут объединять несколько связанных MCP в единый установочный пакет, упрощая настройку. Представьте себе единый пакет, предоставляющий MCP календаря, электронной почты, управления взаимоотношениями с клиентами и хранилища файлов, который готов к использованию без какой-либо настройки. Такие пакеты упростят кадровые процессы и будут особенно полезны на вертикальных рынках. Они также могут включать в себя инструменты упаковки (‘Настройте календарь и отправьте электронное письмо’).
MCP Shopping Engines (Механизмы покупок MCP): Некоторые серверы MCP будут действовать как механизмы сравнения на основе AI, предлагая цены и списки продуктов в реальном времени от различных поставщиков. Они будут монетизироваться за счет партнерских ссылок, получая реферальные комиссии. Этот подход отражает раннюю оптимизацию поисковых систем и партнерский маркетинг.
MCP-First Content Apps (Контентные приложения MCP-First): Эти сервисы будут оптимизировать доставку контента для больших языковых моделей через серверы MCP, а не разрабатывать веб-сайты для людей. Представьте себе богатые структурированные данные и семантические теги, возвращаемые посредством вызовов MCP. Доход будет поступать от подписок или встроенного спонсорства и размещения продуктов, а не от просмотров страниц.
API-to-MCP Providers (Поставщики API-to-MCP): Многие существующие поставщики API хотят участвовать в этой новой экосистеме, но им не хватает ресурсов для этого. Это приведет к появлению инструментов промежуточного программного обеспечения, которые автоматически преобразуют традиционные REST API в совместимые и доступные серверы MCP, что упростит присоединение платформ SaaS.
Cloudflare for MCPs (Cloudflare для MCP): Безопасность — серьезная проблема. Эти инструменты будут находиться между клиентом и сервером, очищая входные данные, регистрируя запросы, блокируя атаки и отслеживая аномалии. Подобно тому, как Cloudflare сделала современную сеть более безопасной, этот тип сервиса будет играть аналогичную роль в экосистеме MCP.
Enterprise ‘Private’ MCP Solutions (Корпоративные ‘частные’ решения MCP): Крупные компании начнут подключать свои внутренние сервисы к частным серверам MCP и использовать AI-продукты с открытым исходным кодом. Эти внутренние установки станут частью AI-рабочих процессов за брандмауэром, предоставляя компаниям контроль.
Vertically Focused MCP Clients (Вертикально ориентированные клиенты MCP): Хотя многие чат-боты могут удовлетворить общие потребности пользователей, в определенных сценариях, таких как промышленные закупки и работа по соблюдению требований, требуются определенные пользовательские интерфейсы и бизнес-логика. Появятся вертикально ориентированные клиенты MCP с настраиваемыми операциями, языком и макетами для удовлетворения этих уникальных потребностей.