Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Vytvořte a nasadte svůj vlastní MCP server

Lekce 13 z 14 Aktualizováno 2. listopadu 2026 Mírně pokročilý
Na této stránce
  1. Od nápadu k produkčnímu serveru
  2. Vytvoření MCP serveru lokálně
  3. Lokální testování
  4. Možnosti nasazení
  5. Servery s více nástroji versus s jedním nástrojem
  6. Správa proměnných prostředí
  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 kódování, 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 @), paměti slouží jako znalostní báze a hluboké vyhledávání je nyní dovednost Deep Research. Plány se nyní jmenují Mistral Free, Pro, Team a Enterprise. Tato lekce používá název Vibe; měj na paměti, že některá zde popsaná menu mohla změnit názvy nebo umístění.

Od nápadu k produkčnímu serveru

Umíš používat stávající konektory a přidávat vlastní. Nyní je čas udělat poslední krok: napsat vlastní MCP server a nasadit ho pro použití ve Vibeu. Projdeme si celou cestu, od prvního Python souboru na tvém počítači až po produkční hosting, včetně rozhodnutí o návrhu, která oddělují použitelný server od toho, který model nikdy správně nevyvolá.

Vytvoření MCP serveru lokálně

Knihovna FastMCP (pip install fastmcp, verze 4 k listopadu 2026), framework nezávislý na oficiálním SDK mcp, redukuje tvorbu serveru na několik dekorátorů:

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."

Všechno stojí na těchto několika řádcích. Dekorátor @mcp.tool() registruje funkci jako nástroj MCP. Docstring se stává popisem, který model vidí při rozhodování, zda nástroj vyvolat – není to tedy komentář pro tvé kolegy, ale funkční prvek. Typování parametrů (name: str) a návratové hodnoty (-> str) informuje model o očekávaných typech a název funkce musí být jasný a výstižný. Oficiální alternativou je MCP SDK od Anthropic, dostupné v Pythonu a TypeScriptu: nabízí větší kontrolu za cenu mírně složitější konfigurace.

Protože model vidí pouze textový popis tvého nástroje, napiš ho jako kompletní uživatelskou příručku:

@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.
    """

Všimni si, co tento docstring přidává oproti tomu předchozímu: podmínku použití, možné hodnoty pro category a rozsah pro max_results. Dvě další pravidla cvičení dokončují. Názvy musí být explicitní – upřednostni search_products před search, create_invoice před create, get_user_orders před get_data. A návratové hodnoty musí být čitelné: posílej zpět srozumitelný text místo holých ID, jinak je model nebude schopen využít k formulaci přirozené odpovědi.

Lokální testování

Nejprve spusť server, který běží na lokálním portu, ve výchozím nastavení localhost:8000:

python server.py

Poté ho zpřístupni, aby se k němu Vibe dostalo:

ngrok http 8000

ngrok poskytne veřejnou URL, například https://abc123.ngrok.io, kterou použiješ jako URL konektoru ve Vibeu – nezapomeň připojit /mcp, abys získal plný koncový bod. Než přejdeš do Vibe, ověř server pomocí MCP Inspectoru:

npx @modelcontextprotocol/inspector

Připoj se ke svému lokálnímu serveru, vypiš nástroje, otestuj je jednotlivě a zkontroluj návratové hodnoty. To ti řekne, zda problémy pramení z tvého kódu, nebo ze způsobu, jakým model interpretuje tvé popisy.

Možnosti nasazení

Jakmile je tvůj server připraven, hosting závisí především na tvých omezeních. Hugging Face Spaces je bezplatná možnost doporučená týmem Mistral AI: jedná se o virtuální stroje hostující webové aplikace, zcela zdarma, pokud nepotřebuješ GPU. Svůj MCP server tam můžeš nastavit pomocí FastAPI a nasadit více serverů na stejném Space, každý s vlastním koncovým bodem – /api1/mcp, /api2/mcp – které Vibe přidá jako samostatné konektory. Bonus navíc: nic ti nebrání přidat na Space frontend pro vizualizaci aktivity tvého serveru.

Prefect Horizon (dříve FastMCP Cloud), platforma od týmu FastMCP, importuje GitHub repozitář obsahující server FastMCP přímo: vybereš repo na horizon.prefect.io, platforma ho sestaví a publikuje autentizovanou URL; pro osobní projekty existuje bezplatná úroveň. Pro lehké servery bez těžkých závislostí nabízí Cloudflare Workers rychlé a levné nasazení na edge. Nakonec tradiční poskytovatelé zůstávají pro týmy, které jsou již vybaveny, zcela životaschopnou volbou: AWS (Lambda, ECS), Google Cloud (Cloud Run, Cloud Functions) nebo Azure (Functions, Container Apps).

Servery s více nástroji versus s jedním nástrojem

Častým reflexem je dělit nástroje velmi jemně. Zkušenosti ukazují opak: hackathon MCP organizovaný společností Mistral ukázal, že nejlépe fungující týmy navrhovaly nástroje vysoké úrovně odpovídající kompletním pracovním postupům. Exponovaly book_restaurant místo list_restaurants + check_availability + make_reservation nebo deploy_application místo build + test + push + deploy. Model má menší šanci pokazit sekvenci a kumulativní latence odpovídajícím způsobem klesá.

Granularita dává smysl ve třech situacích: když vytváříš obecný MCP server používaný různými týmy, když lze kroky pracovního postupu používat nezávisle na sobě a když potřebuješ flexibilitu v pořadí operací.

Správa proměnných prostředí

Tvé servery budou často potřebovat API klíče, přihlašovací údaje do databáze nebo jiná tajemství. Systematicky je ukládej do proměnných prostředí, nikdy ne do kódu. Měj zejména na paměti, že veřejný MCP server bez autentizace umožňuje komukoli spotřebovávat tvé API klíče: chraň ho tokenem nebo OAuth, jakmile volá placenou službu. Na Hugging Face Spaces jsou pro tento účel určeny přímo Secrets prostoru.

Klíčové poznatky

  • FastMCP je nejjednodušší způsob, jak vytvořit MCP server v Pythonu
  • Vylešti popisy, názvy a typování svých nástrojů
  • Nejprve testuj lokálně pomocí ngrok a MCP Inspectoru před nasazením
  • Hugging Face Spaces nabízí ideální bezplatný hosting pro MCP servery
  • Upřednostni nástroje stylu pracovního postupu před příliš granularními
  • Chraň svá tajemství a u svých serverů zvaž autentizaci