# FAQ: Полезно ли ИИ обращаться к MCP серверу, который отвечает только `quack`

Вот почему это технически полезно для основной модели:

## 1. Фиксация «Контекстного окна»

Когда ИИ вызывает инструмент (tool call), он обязан сформулировать аргументы.

- **Механика**: Чтобы получить `кряк` из MCP, модели придется выгрузить свои промежуточные мысли из весов (внутреннего состояния) в текст (входящий контекст).
- **Польза**: Это превращает неявные рассуждения в явные данные. При генерации следующего токена модель будет видеть свое собственное объяснение как уже случившийся факт, на который можно опираться.

## 2. Принудительное замедление (Compute-over-time)

ИИ часто «проскакивает» сложные моменты, пытаясь выдать ответ слишком быстро.

- **Механика**: Вызов MCP-инструмента прерывает процесс прямой генерации ответа.
- **Польза**: Это заставляет модель сделать паузу и структурировать задачу. Это фактически «взлом» логики, заставляющий модель использовать больше токенов на рассуждение, что почти всегда повышает качество решения.

## 3. Эффект «Внешней памяти»

Если задача огромная, ИИ может начать «забывать» детали начала условия.

- **Польза**: Записывая статус в «уточку», модель создает для самой себя краткое резюме (summary) пройденных этапов.

## Как это описать в описании MCP-сервера

Вы можете описать это как «Explicit Reasoning Buffer» (Буфер явных рассуждений).

- **Для кого**: Для сложных агентов, которые склонны к логическим циклам или галлюцинациям.
- **Суть**: Инструмент предоставляет модели безопасное пространство для «проговаривания» плана действий перед тем, как трогать реальные файлы или базу данных.

---

Чтобы сделать свой Model Context Protocol (MCP) сервер, вам нужно реализовать приложение, которое общается с клиентом (например, Claude Desktop, Cursor или ИИ-агентом) через JSON-RPC 2.0. Протокол стандартизирован компанией Anthropic и работает поверх стандартных потоков ввода-вывода (Stdio) или Streamable HTTP. [1, 2]

---

## Какое API у MCP сервера?

API MCP-сервера базируется на трех китах (примитивах), которые сервер «обнажает» для ИИ-модели: [3]

1. **Tools (Инструменты)** — функции, которые ИИ может вызывать (например, запустить код, сделать запрос к API, прочитать файл).
2. **Resources (Ресурсы)** — данные, которые ИИ может читать (текстовые файлы, логи, таблицы, данные из БД).
3. **Prompts (Промпты)** — готовые шаблоны контекста или команд, которые пользователь может выбрать для модели. [1, 2, 3]

С технической точки зрения общение идет через JSON-RPC. Клиент отправляет запросы вроде `tools/list` (получить список инструментов) и `tools/call` (вызвать конкретный инструмент с аргументами). [1]

## Как сделать свой MCP сервер (на примере Python)

Проще всего использовать официальный SDK. Напишем простой сервер на Python, который предоставляет ИИ один инструмент: калькулятор стоимости доставки.

### Шаг 1. Установка библиотек

Вам понадобится официальный SDK от Anthropic и mcp. [3]

```bash
pip install mcp pydantic
```

### Шаг 2. Код сервера (server.py)

Создайте файл и опишите логику. Сервер будет работать через стандартный ввод/вывод (Stdio), что является стандартом для локальных MCP-серверов. [1]

```python
import asyncio
from mcp.server.models import InitializationOptions
from mcp.server import Notification, Server
import mcp.types as types
from mcp.server.stdio import stdio_server

# Инициализируем сервер
server = Server("my-delivery-calculator")

# 1. Регистрируем инструмент (Tool)

@server.list_tools()
async def handle_list_tools() -> list[types.Tool]:
    return [
        types.Tool(
            name="calculate_delivery",
            description="Рассчитывает стоимость доставки в зависимости от расстояния и веса.",
            inputSchema={
                "type": "object",
                "properties": {
                    "distance_km": {"type": "number", "description": "Расстояние в километрах"},
                    "weight_kg": {"type": "number", "description": "Вес груза в кг"}
                },
                "required": ["distance_km", "weight_kg"]
            }
        )
    ]

# 2. Описываем логику выполнения этого инструмента

@server.call_tool()
async def handle_call_tool(
    name: str, arguments: dict | None
) -> list[types.TextContent]:
    if name == "calculate_delivery":
        if not arguments:
            raise ValueError("Отсутствуют аргументы")

        distance = arguments.get("distance_km", 0)
        weight = arguments.get("weight_kg", 0)

        # Простая бизнес-логика
        price = (distance * 10) + (weight * 50)

        return [
            types.TextContent(
                type="text",
                text=f"Стоимость доставки составляет {price} рублей."
            )
        ]
    raise ValueError(f"Инструмент {name} не найден")

# 3. Запуск сервера через Stdio
async def main():
    async with stdio_server() as (read_stream, write_stream):
        await server.run(
            read_stream,
            write_stream,
            InitializationOptions(
                server_name="my-delivery-calculator",
                server_version="0.1.0",
                capabilities=server.get_capabilities()
            )
        )

if __name__ == "__main__":
    asyncio.run(main())
```

---

## Как протестировать и подключить?

1. **Через MCP Inspector**: Anthropic предоставляет инструмент для отладки. Запустите команду в терминале для визуального тестирования вашего сервера:

   ```bash
   npx @modelcontextprotocol/inspector python server.py
   ```

   Откроется веб-интерфейс, где можно проверить ответы API.

2. **В Claude Desktop**: Откройте конфигурационный файл (в Windows: `%APPDATA%\Claude\claude_desktop_config.json`, в macOS: `~/Library/Application Support/Claude/claude_desktop_config.json`) и добавьте ваш сервер:

   ```json
   {
     "mcpServers": {
       "my-calculator": {
         "command": "python",
         "args": ["/абсолютный/путь/к/server.py"]
       }
     }
   }
   ```

После перезапуска Claude увидит ваш инструмент и сможет вызывать его для расчетов. [3, 4]

---

## Деплой MCP-сервера на Vercel

Vercel работает на Serverless-функциях, поэтому стандартный локальный протокол Stdio здесь использовать нельзя. Современное решение — **Streamable HTTP** (спека MCP 2026-07-28). Пакет `mcp-handler` от Vercel принимает HTTP POST-запросы и отвечает JSON-RPC. Stateless, без Redis, без долгоживущих SSE-соединений — идеально для serverless.

> **Актуальные пакеты** (сентябрь 2026): `mcp-handler` v2.1.1 + `@modelcontextprotocol/server` v2 + `zod` v4. Пакеты `@vercel/mcp-adapter` и `@modelcontextprotocol/sdk` v1 — **устарели**.

### Шаг 1. Инициализация Next.js-проекта

```bash
npx create-next-app@latest my-mcp-server --typescript --app
cd my-mcp-server
```

Установите зависимости для MCP-сервера:

```bash
npm install mcp-handler@^2 @modelcontextprotocol/server@^2 zod@^4
```

### Шаг 2. Создание API эндпоинта (route.ts)

Создайте файл `app/api/mcp/route.ts`:

```typescript
import { createMcpHandler } from "mcp-handler";
import { z } from "zod";

const handler = createMcpHandler((server) => {
  server.registerTool(
    "getWeather",
    {
      title: "Weather",
      description: "Возвращает текущую погоду для указанного города",
      inputSchema: z.object({
        city: z.string().describe("Название города на английском или русском"),
      }),
    },
    async ({ city }) => {
      return {
        content: [
          {
            type: "text" as const,
            text: `В городе ${city} сейчас отличная погода, +22°C, солнечно.`,
          },
        ],
      };
    },
  );
});

export { handler as GET, handler as POST };
```

### Шаг 3. Деплой на Vercel

1. Запуште код в Git-репозиторий (GitHub, GitLab или Bitbucket).
2. Vercel → **Add New > Project** → выбрать репозиторий.
3. Framework: **Next.js** (автоопределение).
4. **Deploy**.

URL: `https://my-mcp-server.vercel.app`
MCP-эндпоинт: `https://<ваш-проект>.vercel.app/api/mcp`

**Лимиты Vercel Hobby (бесплатно):**

| Ресурс          | Лимит       | Наш сервер     |
| --------------- | ----------- | -------------- |
| Таймаут функции | 300с (макс) | ~1мс на вызов  |
| Деплои/день     | 100         | 1 (autodeploy) |
| Redis           | Не нужен    | Stateless      |

### Шаг 4. Подключение к клиентам

**Cursor:**

1. Settings > Features > MCP → + Add New MCP Server
2. Type: **Streamable HTTP**
3. URL: `https://<ваш-проект>.vercel.app/api/mcp`

**Claude Desktop:**

```json
{
  "mcpServers": {
    "my-mcp": {
      "url": "https://<ваш-проект>.vercel.app/api/mcp"
    }
  }
}
```

Если клиент не поддерживает Streamable HTTP, используйте `mcp-remote` как бридж:

```json
{
  "mcpServers": {
    "my-mcp": {
      "command": "npx",
      "args": ["-y", "mcp-remote", "https://<ваш-проект>.vercel.app/api/mcp"]
    }
  }
}
```

### Проверка сервера

**curl (быстрая проверка JSON-RPC):**

```bash
curl -X POST "https://<ваш-проект>.vercel.app/api/mcp" \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "id": 1,
    "method": "tools/call",
    "params": {
      "name": "getWeather",
      "arguments": { "city": "Moscow" }
    }
  }'
```

**MCP Inspector (локально):**

```bash
npx @modelcontextprotocol/inspector npx mcp-remote http://localhost:3000/api/mcp
```

**MCP Inspector (удалённо):**

```bash
npx @modelcontextprotocol/inspector npx mcp-remote https://<ваш-проект>.vercel.app/api/mcp
```