Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Úvod do MCP pro vývojáře

Lekce 1 z 14 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Proč je MCP pro vývojáře průlomem
  2. Architektura klient-server
  3. Jak se MCP liší od volání funkcí
  4. Tři základní prvky protokolu
  5. Rozhodovací tok modelu
  6. Rychle se rozšiřující ekosystém
  7. Klíčové poznatky

Aktualizace 2. listopadu 2026 — Le Chat je nyní Vibe. Od 28. května 2026 byl Le Chat přejmenován na Vibe (stále na chat.mistral.ai): jediný agent pro práci i kód, který si zachovává vaše konverzace, nastavení a předplatná. Původní prostředí Le Chat zůstává dostupné v režimu Chat; v režimu Work se agenti stali dovednostmi (vyvolávanými pomocí @), paměť se stala znalostní bází a hluboké vyhledávání se stalo dovedností Deep Research. Plány se nyní jmenují Mistral Free, Pro, Team a Enterprise. Tato lekce používá název Vibe; některá zde popsaná menu mohla změnit názvy nebo umístění.

Proč je MCP pro vývojáře průlomem

Model Context Protocol (MCP) je otevřený standard, který zásadně mění způsob, jakým aplikace s umělou inteligencí komunikují s vnějším světem. Před příchodem MCP každý framework vnucoval vlastní gramatiku pro definování a volání nástrojů: LangChain měl jednu, CrewAI jinou a Mistral Agents či OpenAI Assistants zase další. V praxi to znamenalo, že pokud vývojář napsal konektor pro své fakturační API v LangChain, musel ho celý přepsat, aby fungoval v CrewAI, a potřetí pro vlastního interního agenta. Práce se při každé změně nástrojů duplikovala a sdílení nástrojů mezi týmy bylo složité a neuspořádané.

MCP tento problém řeší pomocí jednotného komunikačního protokolu mezi klientem AI a servery nástrojů. Nejlepší přirovnání je port USB: bez ohledu na klienta – ať už jde o Claude, Vibe, Cursor nebo VS Code – a bez ohledu na server – GitHub, Notion nebo vaše interní API – formát připojení zůstává stejný. Konektor napíšete jednou a funguje všude.

Architektura klient-server

MCP spoléhá na záměrně jednoduchou architekturu klient-server. Na jedné straně stojí klient, což je aplikace implementující AI: chatbot jako Mistral Vibe nebo Claude, vývojové prostředí jako VS Code či Cursor, nebo agentní SDK jako Mistral Agent SDK nebo Claude Agent SDK. Na druhé straně je server, program, který klientovi zpřístupňuje funkce – nástroje, zdroje a prompty.

Celá konverzace mezi nimi probíhá v formátu JSON. Klient se nejprve zeptá serveru, jaké nástroje nabízí; server odpoví textovým popisem každého z nich: název, parametry, role a formát návratové hodnoty. Jazykový model využívá výhradně tento popis k rozhodnutí, kdy a jak nástroj zavolat.

Client (Vibe)                 MCP Server (GitHub)
      |                              |
      |--- "What tools do you have?" ->|
      |<-- JSON tool descriptions -----|
      |                              |
      |--- Call: create_issue({}) --->|
      |<-- JSON Result ---------------|

Jak se MCP liší od volání funkcí

Klasické volání funkcí a MCP se navzájem nevylučují; pouze stanovují hranici jinde. Při volání funkcí definujete nástroje na straně klienta, předáte je modelu a sami spravujete jejich执行 – každý framework má přitom vlastní formát definice. U MCP žijí nástroje na serveru, lokálním nebo vzdáleném; klient zná pouze textový popis a server se stará o执行.

Rozhodující výhodou je opětovná použitelnost. Server MCP pro GitHub, napsaný jednou, zapojíte bez jediného řádku přepisování do Vibe, Claude, Cursoru nebo vlastního SDK. To je to, co mění interní konektor na sdílitelný stavební blok v podnikovém měřítku.

Tři základní prvky protokolu

MCP se neomezuje pouze na nástroje. Protokol definuje tři typy funkcí, rozlišené podle toho, co server skutečně zpřístupňuje. Nástroje jsou执行ovatelné funkce: vytvoření ticketu, odeslání e-mailu, dotaz na API – model je spouští, aby zasáhl do světa. Zdroje jsou data určená pouze ke čtení – soubory, databáze, dokumentace –, která může klient číst, aniž by spustil jakoukoli akci; do této kategorie patří například zpřístupnění obsahu konfiguračního souboru, nikoliv nástroje. Nakonec prompty jsou znovu použitelné šablony promptů s parametry: týmový server tak může distribuovat ověřený pokyn pro kontrolu kódu, místo aby nechal každého, aby si ho psal znovu z paměti.

V praxi nástroje tvoří asi 90 % současných případů použití: jsou to první věci, které připojujete, a často jediné, které implementujete. Zdroje a prompty však otevírají možnosti, které podrobně prozkoumáme v lekci 3.

Rozhodovací tok modelu

Když uživatel položí klientovi otázku, model projde pětikrokovým cyklem:

  1. Obdrží otázku a seznam dostupných nástrojů (popisy MCP)
  2. Rozhodne se: odpovědět přímo, nebo zavolat nástroj?
  3. Pokud zavolá nástroj, zformuluje argumenty v JSON
  4. Server nástroj执行 a vrátí výsledek
  5. Model výsledek integruje a zformuluje odpověď (nebo zavolá další nástroj)

Tento cyklus se opakuje tolikrát, kolik úkol vyžaduje. Představte si uživatele, který chce změnit stížnost nalezenou na Redditu na vývojový ticket: model se dotáže Redditu, vytvoří záznam v Linearu a poté otevře odpovídající issue na GitHubu – tři servery řetězené za sebou, aniž by uživatel kdy opustil chatovací rozhraní.

Rychle se rozšiřující ekosystém

K dubnu 2026 jsou k dispozici stovky serverů MCP: GitHub, Notion, Slack, Gmail, PayPal, Hugging Face, Semgrep a mnoho dalších. Hlavní klienti AI podporují tento protokol nativně. Ještě důležitější však je, že nic vám nebrání konzumovat pouze to, co již existuje: můžete vytvářet vlastní servery pro zpřístupnění svých interních nástrojů, firemních databází nebo vlastních postupů.

Přesně to je cílem tohoto kurzu: umožnit vám pochopit, používat a budovat servery MCP v Pythonu.

Klíčové poznatky

  • MCP je otevřený standard pro komunikaci klient-server v oblasti AI
  • Sjednocuje roztříštěný ekosystém volání funkcí
  • Architektura spoléhá na klienta (chatbot, IDE, SDK) a server (nástroje, zdroje, prompty)
  • Komunikace probíhá v JSON pomocí textových popisů
  • Server MCP je znovu použitelný ve všech kompatibilních klientech