Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Izgradi i pokreni vlastiti MCP poslužitelj

Lekcija 13 od 14 Ažurirano 2. studenoga 2026. Srednja razina
Na ovoj stranici
  1. Od ideje do produkcijskog poslužitelja
  2. Stvaranje MCP poslužitelja lokalno
  3. Lokalno testiranje
  4. Mogućnosti implementacije (Deployment)
  5. Poslužitelji s više alata naspram onih s jednim alatom
  6. Upravljanje varijablama okruženja
  7. Ključne točke

Ažurirano 2. studenoga 2026. — Le Chat sada je Vibe. Od 28. svibnja 2026. Le Chat je rebrendiran u Vibe (i dalje na chat.mistral.ai): jedinstveni agent za posao i kod koji zadržava tvoje razgovore, postavke i pretplate. Legacy iskustvo Le Chata ostaje dostupno u načinu Chat; u načinu Work, agenti su postali vještine (pozivaju se s @), memorije služe kao baza znanja, a dubinsko pretraživanje sada je vještina Deep Research. Planovi se sada nazivaju Mistral Free, Pro, Team i Enterprise. Ova lekcija koristi naziv Vibe; imaj na umu da su se neki izbornici ovdje opisani mogli promijeniti u nazivu ili lokaciji.

Od ideje do produkcijskog poslužitelja

Znaš koristiti postojeće konektore i dodavati prilagođene. Sada je vrijeme za konačni korak: napiši vlastiti MCP poslužitelj i pokreni ga za upotrebu u Vibeu. Proći ćemo cijeli put ovdje, od prve Python datoteke na tvojem računalu do hostinga u produkciji, pokrivajući dizajnerske odluke koje razdvajaju upotrebljiv poslužitelj od onoga koji model nikada ispravno ne pozove.

Stvaranje MCP poslužitelja lokalno

Biblioteka FastMCP (pip install fastmcp, verzija 4 od studenoga 2026.), okvir neovisan o službenom mcp SDK-u, svodi stvaranje poslužitelja na nekoliko dekoratora:

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."

Sve se vrti oko ovih nekoliko redaka. Dekorator @mcp.tool() registrira funkciju kao MCP alat. Docstring postaje opis koji model vidi kada odlučuje hoće li pozvati alat – dakle, to nije komentar za tvoje kolege, već funkcionalni element. Tipizacija parametara (name: str) i povratna tipizacija (-> str) informiraju model o očekivanim tipovima, a naziv funkcije mora biti jasan i opisni. Službena alternativa je Anthropicov MCP SDK, dostupan u Pythonu i TypeScriptu: nudi veću kontrolu uz cijenu nešto težeg konfiguriranja.

Budući da model vidi samo tekstualni opis tvog alata, napiši ga kao potpuni korisnički priručnik:

@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.
    """

Primijeti što ovaj docstring dodaje, a što prethodnom nedostajalo: uvjet korištenja, moguće vrijednosti za category i granice za max_results. Još dva pravila zaokružuju vježbu. Nazivi moraju biti eksplicitni – preferiraj search_products umjesto search, create_invoice umjesto create, get_user_orders umjesto get_data. I povrati moraju biti čitljivi: pošalji natrag razumljiv tekst umjesto sirovih ID-ova, inače model neće moći iskoristiti te podatke za formuliranje prirodnog odgovora.

Lokalno testiranje

Prvo pokreni poslužitelj, koji radi na lokalnom portu, prema zadanim postavkama localhost:8000:

python server.py

Zatim ga izloži kako bi Vibe mogao doseći do njega:

ngrok http 8000

ngrok osigurava javni URL, na primjer https://abc123.ngrok.io, koji ćeš koristiti kao URL konektora u Vibeu – zapamti dodati /mcp na kraj da dobiješ potpunu krajnju točku. Prije nego kreneš u Vibe, validiraj poslužitelj s MCP Inspectorom:

npx @modelcontextprotocol/inspector

Spoji se na svoj lokalni poslužitelj, izlistaj alate, testiraj ih pojedinačno i provjeri povrate. To će ti reći proizlaze li problemi iz tvog koda ili iz načina na koji model tumači tvoje opise.

Mogućnosti implementacije (Deployment)

Kada je tvoj poslužitelj spreman, hosting uglavnom ovisi o tvojim ograničenjima. Hugging Face Spaces je besplatna opcija koju preporučuje tim Mistral AI: to su virtualna računala koja hostaju web aplikacije, potpuno besplatna sve dok ti ne treba GPU. Tamo možeš postaviti svoj MCP poslužitelj s FastAPI-jem i implementirati više poslužitelja na istom Spaceu, svaki sa svojom krajnjom točkom – /api1/mcp, /api2/mcp – koje će Vibe dodati kao zasebne konektore. Dodatni bonus: ništa te ne sprječava da dodaš frontend na Space kako bi vizualizirao aktivnost svog poslužitelja.

Prefect Horizon (ranije FastMCP Cloud), platforma tima iza FastMCP-a, izravno uvozi GitHub repozitorij koji sadrži FastMCP poslužitelj: odabereš repozitorij na horizon.prefect.io, platforma ga izgradi i objavi autentificirani URL; postoji besplatna razina za osobne projekte. Za lagane poslužitelje bez teških ovisnosti, Cloudflare Workers nudi brzu i jeftinu implementaciju na rubu mreže (edge). Konačno, tradicionalni pružatelji usluga ostaju savršeno izvedivi za timove koji su već opremljeni: AWS (Lambda, ECS), Google Cloud (Cloud Run, Cloud Functions) ili Azure (Functions, Container Apps).

Poslužitelji s više alata naspram onih s jednim alatom

Uobičajeni refleks je fino razdvajanje alata. Iskustvo govori suprotno: MCP hakaton koji je organizirao Mistral pokazao je da su timovi s najboljim performansama dizajnirali visokorazinske alate koji odgovaraju cjelovitim radnim tijekovima. Izlagali su book_restaurant umjesto list_restaurants + check_availability + make_reservation, ili deploy_application umjesto build + test + push + deploy. Model ima manje šanse zabrljati slijed, a kumulativna latencija se sukladno tome smanjuje.

Granularnost i dalje ima smisla u tri situacije: kada stvaraš generički MCP poslužitelj koji koriste različiti timovi, kada koraci radnog tijeka mogu služiti neovisno jedni o drugima i kada ti je potrebna fleksibilnost u redoslijedu operacija.

Upravljanje varijablama okruženja

Tvoji poslužitelji često će trebati API ključeve, vjerodajnice za bazu podataka ili druge tajne. Sustavno ih pohrani u varijable okruženja, nikada u kod. Imaj posebno na umu da javni MCP poslužitelj bez autentifikacije omogućuje bilo kome trošenje tvojih API ključeva: zaštiti ga tokenom ili OAuthom čim poziva plaćenu uslugu. Na Hugging Face Spacesu, Secrets (Tajne) prostora dizajnirani su točno za ovo.

Ključne točke

  • FastMCP je najjednostavniji način za stvaranje MCP poslužitelja u Pythonu
  • Ispoliraj opise, nazive i tipizaciju svojih alata
  • Prvo testiraj lokalno pomoću ngroka i MCP Inspectora prije implementacije
  • Hugging Face Spaces nudi idealan besplatan hosting za MCP poslužitelje
  • Preferiraj alate stilizirane kao radni tijekovi umjesto pretjerano granularnih
  • Zaštiti svoje tajne i razmisli o autentifikaciji za svoje poslužitelje