Премини към основното съдържание
Български— Изберете език
Меню

Изграждане и внедряване на собствен MCP сървър

Урок 13 от 14 Обновен 2 ноември 2026 г. Средно
На тази страница
  1. От идея до производствен сървър
  2. Създаване на MCP сървър локално
  3. Тестване локално
  4. Опции за внедряване
  5. Сървъри с множество инструменти срещу сървъри с един инструмент
  6. Управление на променливи на средата
  7. Ключови изводи

Актуализация от 2 ноември 2026 г. — Le Chat вече е Vibe. От 28 май 2026 г. Le Chat беше ребрандиран като Vibe (все още на chat.mistral.ai): единен агент за работа и кодиране, който запазва Вашите разговори, настройки и абонаменти. Legacy изживяването на Le Chat остава достъпно в режим Chat; в режим Work агентите се превърнаха в умения (извикват се с @), спомените служат като база знания, а дълбокото търсене сега е умението Deep Research. Плановете вече се наричат Mistral Free, Pro, Team и Enterprise. В този урок използваме името Vibe; имайте предвид, че някои описани тук менюта може да са променили имената или местоположенията си.

От идея до производствен сървър

Вече знаете как да използвате съществуващи конектори и да добавяте персонализирани такива. Сега е време да направите последната стъпка: да напишете собствен MCP сървър и да го внедрите за използване във Vibe. Тук ще изминем целия път – от първия Python файл на Вашата машина до хостинг в продукционна среда, обхващайки проектните решения, които разделят един използваем сървър от такъв, който моделът никога не извиква правилно.

Създаване на MCP сървър локално

Библиотеката FastMCP (pip install fastmcp, версия 4 към ноември 2026 г.),框架 независим от официалния SDK mcp, свежда създаването на сървър до няколко декоратора:

from fastmcp import FastMCP

mcp = FastMCP("My Server")

@mcp.tool()
def greet(name: str) -> str:
    """Greets a person by name.

    Args:
        name: The first name of the person to greet.

    Returns:
        A personalized greeting message.
    """
    return f"Hello {name}! Welcome to our platform."

Всичко зависи от тези няколко реда. Декораторът @mcp.tool() регистрира функцията като MCP инструмент. Docstring-ът се превръща в описанието, което моделът вижда, когато решава дали да извика инструмента – така че това не е коментар за Вашите колеги, а функционален елемент. Типизирането на параметрите (name: str) и връщаната стойност (-> str) информират модела за очакваните типове, а името на функцията трябва да бъде ясно и описателно. Официалната алтернатива е MCP SDK на Anthropic, наличен за Python и TypeScript: той предлага повече контрол за сметка на малко по-тежка конфигурация.

Тъй като моделът вижда само текстовото описание на Вашия инструмент, напишете го като пълно ръководство за потребителя:

@mcp.tool()
def search_products(
    query: str,
    category: str = "all",
    max_results: int = 10
) -> str:
    """Searches the product catalog.

    Use this tool when the user looks for a product
    by name, SKU, or category.

    Args:
        query: Search terms (product name, SKU, keywords).
        category: Filter category. Possible values: 'all',
                  'electronics', 'clothing', 'food'. Default: 'all'.
        max_results: Maximum number of results to return (1-50).

    Returns:
        List of products with name, price, availability, and SKU.
    """

Забележете какво добавя този docstring, което липсваше в предишния: условието за използване, възможните стойности за category и границите за max_results. Още две правила допълват упражнението. Имената трябва да бъдат изрични – предпочитайте search_products пред search, create_invoice пред create, get_user_orders пред get_data. И връщаните стойности трябва да са четими: изпращайте обратно разбираем текст, а не сурови ID-та, иначе моделът няма да може да ги използва, за да формулира естествен отговор.

Тестване локално

Първо стартирайте сървъра, който работи на локален порт, по подразбиране localhost:8000:

python server.py

След това го изложете публично, за да може Vibe да достигне до него:

ngrok http 8000

ngrok предоставя публичен URL адрес, например https://abc123.ngrok.io, който ще използвате като URL на конектора във Vibe – не забравяйте да добавите /mcp в края, за да получите пълния крайна точка (endpoint). Преди да преминете към Vibe, валидирайте сървъра с MCP Inspector:

npx @modelcontextprotocol/inspector

Свържете се с Вашия локален сървър, избройте инструментите, тествайте ги индивидуално и проверете връщаните стойности. Това ще Ви покаже дали проблемите произтичат от Вашия код или от начина, по който моделът интерпретира Вашите описания.

Опции за внедряване

Когато сървърът Ви е готов, хостингът зависи основно от Вашите ограничения. Hugging Face Spaces е безплатната опция, препоръчана от екипа на Mistral AI: това са виртуални машини, които хостват уеб приложения, напълно безплатни, стига да не се нуждаете от GPU. Можете да настроите Вашия MCP сървър там с FastAPI и да внедрите множество сървъри в едно и също Space, всеки със своя крайна точка – /api1/mcp, /api2/mcp – които Vibe ще добави като отделни конектори. Допълнително предимство: нищо не Ви пречи да добавите фронтенд към Space, за да визуализирате активността на сървъра си.

Prefect Horizon (предишно име FastMCP Cloud), платформата на екипа на FastMCP, импортира директно GitHub хранилище, съдържащо FastMCP сървър: избирате хранилището на horizon.prefect.io, платформата го изгражда и публикува удостоверен URL адрес; съществува безплатен план за лични проекти. За леки сървъри без тежки зависимости, Cloudflare Workers предлага бързо и евтино внедряване в ръба (edge). Накрая, традиционните доставчици остават напълно жизнеспособни за екипи, които вече разполагат с необходимата инфраструктура: AWS (Lambda, ECS), Google Cloud (Cloud Run, Cloud Functions) или Azure (Functions, Container Apps).

Сървъри с множество инструменти срещу сървъри с един инструмент

Чест рефлекс е да се разделят инструментите твърде фино. Опитът сочи обратното: хакатон за MCP, организиран от Mistral, показа, че най-ефективните екипи са проектирали високо ниво инструменти, съответстващи на цели работни потоци. Те са изложили book_restaurant вместо list_restaurants + check_availability + make_reservation, или deploy_application вместо build + test + push + deploy. Моделът има по-малко шансове да обърка последователността, а кумулативната латентност съответно намалява.

Гранулярността все още има смисъл в три ситуации: когато създавате универсален MCP сървър, използван от различни екипи; когато стъпките на работния поток могат да служат независимо една от друга; и когато се нуждаете от гъвкавост в реда на операциите.

Управление на променливи на средата

Вашите сървъри често ще се нуждаят от API ключове, идентификационни данни за бази данни или други тайни. Съхранявайте ги систематично в променливи на средата, никога в кода. Имайте предвид особено, че публичен MCP сървър без удостоверяване позволява на всеки да консумира Вашите API ключове: защитете го с токен или OAuth веднага щом извиква платена услуга. В Hugging Face Spaces, Secrets на Space са проектирани точно за тази цел.

Ключови изводи

  • FastMCP е най-простият начин за създаване на MCP сървър в Python
  • Полирайте описанията, имената и типизирането на Вашите инструменти
  • Тествайте първо локално с ngrok и MCP Inspector, преди да внедрите
  • Hugging Face Spaces предлага идеален безплатен хостинг за MCP сървъри
  • Предпочитайте инструменти в стил работен поток пред твърде гранулирани такива
  • Защитете Вашите тайни и обмислете удостоверяване за Вашите сървъри