Introduktion til MCP for udviklere
På denne side
Opdatering 2. november 2026 — Le Chat er nu Vibe. Fra den 28. maj 2026 er Le Chat blevet omdøbt til Vibe (stadig på chat.mistral.ai): en enkelt agent til arbejde og kode, der overtager dine samtaler, indstillinger og abonnementer. Den ældre Le Chat-oplevelse er stadig tilgængelig i Chat-tilstand; i Work-tilstand er agenter blevet til færdigheder (kaldes med
@), hukommelse er blevet til vidensbasen, og dyb søgning er blevet til færdigheden Deep Research. Abonnementerne hedder nu Mistral Free, Pro, Team og Enterprise. Denne lektion bruger navnet Vibe; nogle af menuerne beskrevet her kan have ændret navn eller placering.
Hvorfor MCP er et game-changer for udviklere
Model Context Protocol (MCP) er en åben standard, der definerer, hvordan AI-applikationer interagerer med omverdenen. Før MCP pålagde hvert framework sin egen grammatik for at deklarere og kalde et værktøj: LangChain havde én, CrewAI en anden, og Mistral Agents og OpenAI Assistants havde endnu andre. I praksis betød det, at en udvikler, der skrev en connector til deres fakturerings-API i LangChain, skulle omskrive den fuldstændigt for at få den til at virke i CrewAI, og en tredje gang til en custom intern agent. Arbejdet blev duplikeret ved hver ændring af værktøjsstacken, og deling af et værktøj mellem teams var et lappearbejde.
MCP løser dette problem med en samlet kommunikationsprotokol mellem en AI-klient og tool-servere. Den bedste analogi er en USB-port: Uanset klienten – Claude, Vibe, Cursor, VS Code – og uanset serveren – GitHub, Notion, dit interne API – så forbliver forbindelsesformatet det samme. Du skriver din connector én gang, og den virker overalt.
Klient-server-arkitekturen
MCP hviler på en bevidst enkel klient-server-arkitektur. På den ene side er klienten den applikation, der implementerer AI’en: en chatbot som Mistral’s Vibe eller Claude, et udviklingsmiljø som VS Code eller Cursor, eller et agent-SDK som Mistral Agent SDK eller Claude Agent SDK. På den anden side er serveren det program, der eksponerer kapaciteter – værktøjer, ressourcer og prompts – over for denne klient.
Hele samtalen mellem de to foregår i JSON. Klienten starter med at spørge serveren, hvilke værktøjer den tilbyder; serveren svarer med en tekstbeskrivelse af hver enkelt: navn, parametre, rolle og returneringsformat. Sprogmodellen bruger udelukkende denne beskrivelse til at beslutte, hvornår og hvordan et værktøj skal kaldes.
Client (Vibe) MCP Server (GitHub)
| |
|--- "What tools do you have?" ->|
|<-- JSON tool descriptions -----|
| |
|--- Call: create_issue({}) --->|
|<-- JSON Result ---------------|
Hvordan MCP adskiller sig fra function calling
Klassisk function calling og MCP udelukker ikke hinanden; de trækker blot grænsen forskellige steder. Ved function calling definerer du værktøjer på klientsiden, giver dem til modellen og styrer selv eksekveringen – hvor hvert framework har sit eget definitionsformat. Med MCP lever værktøjerne på en server, lokalt eller eksternt; klienten kender kun tekstbeskrivelsen, og serveren håndterer eksekveringen.
Den afgørende fordel er genanvendelighed. En GitHub MCP-server, der er skrevet én gang, kan tilsluttes ligegyldigt om det er Vibe, Claude, Cursor eller dit eget SDK uden en eneste linjes omskrivning. Det er dét, der forvandler en intern connector til en delelig byggesten i enterpriseskala.
De tre protokol-primitiver
MCP er ikke begrænset til værktøjer. Protokollen definerer tre typer kapaciteter, distingueret ud fra hvad serveren faktisk stiller til rådighed. Værktøjer (Tools) er eksekverbare funktioner: opret en ticket, send en e-mail, query et API – modellen trigger dem for at handle i verden. Ressourcer er læsbare data – filer, databaser, dokumentation – som klienten kan læse uden at trigger nogen handling; at eksponere indholdet af en konfigurationsfil falder ind under denne kategori, ikke værktøjer. Endelig er prompts genanvendelige prompt-skabeloner med parametre: en team-server kan dermed distribuere en velafprøvet instruktion til code review, i stedet for at overlade det til alle at genskrive den fra hukommelsen.
I praksis står værktøjer for ca. 90 % af de nuværende use cases: det er dem, du forbinder først, og ofte det eneste, du implementerer. Ressourcer og prompts åbner dog op for muligheder, som vi vil udforske i detaljer i lektion 3.
Modellens beslutningsflow
Når en bruger stiller klienten et spørgsmål, gennemløber modellen en cyklus på fem trin:
- Den modtager spørgsmålet og listen over tilgængelige værktøjer (MCP-beskrivelser)
- Den beslutter: svar direkte, eller kald et værktøj?
- Hvis den kalder et værktøj, formulerer den argumenterne i JSON
- Serveren eksekverer og returnerer resultatet
- Modellen integrerer resultatet og formulerer sit svar (eller kalder et andet værktøj)
Denne cyklus gentages så mange gange, som opgaven kræver. Forestil dig en bruger, der beder om at omdanne en klage fundet på Reddit til en udviklingsticket: modellen query’er Reddit, opretter en post i Linear og åbner derefter den tilsvarende GitHub-issue – tre servere kædet sammen, uden at brugeren nogensinde forlader chat-grænsefladen.
Et hurtigt voksende økosystem
Pr. april 2026 er hundreder af MCP-servere tilgængelige: GitHub, Notion, Slack, Gmail, PayPal, Hugging Face, Semgrep og mange andre. Store AI-klienter understøtter protokollen nativt. Vigtigere er det, at intet begrænser dig til at konsumere det, der allerede findes: du kan skabe dine egne servere for at eksponere dine interne værktøjer, forretningsdatabaser eller custom procedurer.
Det er præcis målet med dette kursus: at gøre dig i stand til at forstå, bruge og bygge MCP-servere i Python.
Vigtige pointer
- MCP er en åben standard for klient-server-kommunikation inden for AI
- Det samler det fragmenterede økosystem for function calling
- Arkitekturen hviler på en klient (chatbot, IDE, SDK) og en server (værktøjer, ressourcer, prompts)
- Kommunikation foregår i JSON ved hjælp af tekstbeskrivelser
- En MCP-server er genanvendelig på tværs af alle kompatible klienter