Costruisci e distribuisci il tuo server MCP
In questa pagina
Aggiornamento 2 novembre 2026 — Le Chat è ora Vibe. Dal 28 maggio 2026, Le Chat è stato rinominato Vibe (sempre all’indirizzo chat.mistral.ai): un unico agente per lavoro e codice, che mantiene le tue conversazioni, impostazioni e abbonamenti. L’esperienza legacy di Le Chat rimane accessibile nella modalità Chat; nella modalità Work, gli agenti sono diventati competenze (invocate con
@), le memorie fungono da base di conoscenza e la ricerca approfondita è ora la competenza Deep Research. I piani si chiamano ora Mistral Free, Pro, Team ed Enterprise. Questa lezione utilizza il nome Vibe; tieni presente che alcuni menu qui descritti potrebbero aver cambiato nome o posizione.
Dall’idea al server di produzione
Sai come utilizzare i connettori esistenti e aggiungerne di personalizzati. Ora è il momento di fare il passo finale: scrivere il tuo server MCP e distribuirlo per l’uso in Vibe. Ti guideremo lungo tutto il percorso, dal primo file Python sulla tua macchina fino all’hosting in produzione, affrontando le scelte progettuali che separano un server utilizzabile da uno che il modello non riesce mai a chiamare correttamente.
Creazione locale di un server MCP
La libreria FastMCP (pip install fastmcp, versione 4 a novembre 2026), un framework indipendente dall’SDK ufficiale mcp, riduce la creazione del server a pochi decoratori:
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."
Tutto ruota attorno a queste poche righe. Il decoratore @mcp.tool() registra la funzione come strumento MCP. Il docstring diventa la descrizione che il modello vede quando decide se chiamare lo strumento: non è quindi un commento per i tuoi colleghi, ma un elemento funzionale. La tipizzazione dei parametri (name: str) e del valore di ritorno (-> str) informa il modello sui tipi attesi, e il nome della funzione deve essere chiaro e descrittivo. L’alternativa ufficiale è l’SDK MCP di Anthropic, disponibile in Python e TypeScript: offre maggiore controllo al costo di una configurazione leggermente più pesante.
Poiché il modello vede solo la descrizione testuale del tuo strumento, scrivila come un manuale utente completo:
@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.
"""
Nota cosa aggiunge questo docstring rispetto al precedente: la condizione d’uso, i valori possibili per category e i limiti per max_results. Due ulteriori regole completano l’esercizio. I nomi devono essere espliciti: preferisci search_products a search, create_invoice a create, get_user_orders a get_data. E i ritorni devono essere leggibili: invia testo comprensibile piuttosto che ID grezzi, altrimenti il modello non potrà usarli per formulare una risposta naturale.
Test in locale
Per prima cosa, avvia il server, che gira su una porta locale, di default localhost:8000:
python server.py
Poi esponilo affinché Vibe possa raggiungerlo:
ngrok http 8000
ngrok fornisce un URL pubblico, ad esempio https://abc123.ngrok.io, che userai come URL del connettore in Vibe: ricorda di aggiungere /mcp per ottenere l’endpoint completo. Prima di passare a Vibe, valida il server con l’MCP Inspector:
npx @modelcontextprotocol/inspector
Connettiti al tuo server locale, elenca gli strumenti, testali individualmente e verifica i ritorni. Questo ti dirà se eventuali problemi derivano dal tuo codice o da come il modello interpreta le tue descrizioni.
Opzioni di distribuzione
Una volta pronto il tuo server, l’hosting dipende principalmente dai tuoi vincoli. Hugging Face Spaces è l’opzione gratuita raccomandata dal team di Mistral AI: si tratta di macchine virtuali che ospitano applicazioni web, completamente gratuite finché non hai bisogno di una GPU. Puoi configurare il tuo server MCP lì con FastAPI e distribuire più server sullo stesso Space, ognuno con il proprio endpoint: /api1/mcp, /api2/mcp, che Vibe aggiungerà come connettori separati. Un vantaggio in più: nulla ti impedisce di aggiungere un frontend allo Space per visualizzare l’attività del tuo server.
Prefect Horizon (precedentemente FastMCP Cloud), la piattaforma del team FastMCP, importa direttamente un repository GitHub contenente un server FastMCP: selezioni il repo su horizon.prefect.io, la piattaforma lo costruisce e pubblica un URL autenticato; esiste un piano gratuito per progetti personali. Per server leggeri senza dipendenze pesanti, Cloudflare Workers offre una distribuzione edge rapida ed economica. Infine, i provider tradizionali rimangono perfettamente validi per i team già attrezzati: AWS (Lambda, ECS), Google Cloud (Cloud Run, Cloud Functions) o Azure (Functions, Container Apps).
Server multi-strumento vs mono-strumento
Un riflesso comune è suddividere gli strumenti in modo molto fine. L’esperienza indica il contrario: un hackathon MCP organizzato da Mistral ha mostrato che i team con le migliori prestazioni hanno progettato strumenti di alto livello corrispondenti a flussi di lavoro completi. Hanno esposto book_restaurant invece di list_restaurants + check_availability + make_reservation, oppure deploy_application invece di build + test + push + deploy. Il modello ha meno possibilità di sbagliare la sequenza e la latenza cumulativa diminuisce di conseguenza.
La granularità ha ancora senso in tre situazioni: quando crei un server MCP generico utilizzato da team diversi, quando i passaggi del flusso di lavoro possono servire indipendentemente l’uno dall’altro e quando hai bisogno di flessibilità nell’ordine delle operazioni.
Gestione delle variabili d’ambiente
I tuoi server avranno spesso bisogno di chiavi API, credenziali di database o altri segreti. Memorizzali sistematicamente nelle variabili d’ambiente, mai nel codice. Tieni presente soprattutto che un server MCP pubblico senza autenticazione permette a chiunque di consumare le tue chiavi API: proteggilo con un token o OAuth non appena chiama un servizio a pagamento. Su Hugging Face Spaces, i Secrets dello Space sono progettati esattamente per questo scopo.
Punti chiave
- FastMCP è il modo più semplice per creare un server MCP in Python
- Affina le descrizioni, i nomi e la tipizzazione dei tuoi strumenti
- Testa prima in locale con ngrok e l’MCP Inspector prima di distribuire
- Hugging Face Spaces offre un hosting gratuito ideale per i server MCP
- Preferisci strumenti stile flusso di lavoro rispetto a quelli eccessivamente granulari
- Proteggi i tuoi segreti e considera l’autenticazione per i tuoi server