Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Bouw en implementeer uw eigen MCP-server

Les 13 van 14 Bijgewerkt op 2 november 2026 Gemiddeld
Op deze pagina
  1. Van idee naar productieserver
  2. Lokaal een MCP-server maken
  3. Lokaal testen
  4. Implementatieopties
  5. Servers met meerdere tools versus single-tool servers
  6. Beheer van omgevingsvariabelen
  7. Belangrijkste punten

Update 2 november 2026 — Le Chat is nu Vibe. Sinds 28 mei 2026 is Le Chat omgedoopt tot Vibe (nog steeds op chat.mistral.ai): een enkele agent voor werk en code, die uw gesprekken, instellingen en abonnementen overneemt. De legacy-ervaring van Le Chat blijft toegankelijk in de modus Chat; in de modus Werk zijn agents vaardigheden geworden (aangeroepen met `@’), dienen herinneringen als kennisbank en is diep zoeken nu de vaardigheid Deep Research. Abonnementen heten nu Mistral Free, Pro, Team en Enterprise. Deze les gebruikt de naam Vibe; houd er rekening mee dat sommige hier beschreven menu’s van naam of locatie veranderd kunnen zijn.

Van idee naar productieserver

U weet hoe u bestaande connectors gebruikt en aangepaste toevoegt. Nu is het tijd voor de laatste stap: schrijf uw eigen MCP-server en implementeer deze voor gebruik in Vibe. We doorlopen hier het volledige traject, van het eerste Python-bestand op uw machine tot hosting in productie, en behandelen de ontwerpkeuzes die een bruikbare server scheiden van een server die het model nooit correct aanroept.

Lokaal een MCP-server maken

De bibliotheek FastMCP (pip install fastmcp, versie 4 vanaf november 2026), een framework dat onafhankelijk is van de officiële mcp SDK, reduceert het maken van een server tot een paar decorators:

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."

Alles draait om deze paar regels. De decorator @mcp.tool() registreert de functie als een MCP-tool. De docstring wordt de beschrijving die het model ziet bij het beslissen of het de tool moet aanroepen; het is dus geen commentaar voor uw collega’s, maar een functioneel element. Parametertypen (name: str) en returntypen (-> str) informeren het model over de verwachte typen, en de functienaam moet duidelijk en beschrijvend zijn. Het officiële alternatief is de MCP SDK van Anthropic, beschikbaar in Python en TypeScript: dit biedt meer controle tegen de prijs van een iets zwaardere configuratie.

Omdat het model alleen de tekstbeschrijving van uw tool ziet, schrijft u deze als een complete gebruikershandleiding:

@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.
    """

Merk op wat deze docstring toevoegt ten opzichte van de vorige: de gebruiksvoorwaarde, mogelijke waarden voor category en grenzen voor max_results. Twee extra regels maken de oefening compleet. Namen moeten expliciet zijn; geef de voorkeur aan search_products boven search, create_invoice boven create, en get_user_orders boven get_data. En returns moeten leesbaar zijn: stuur begrijpelijke tekst terug in plaats van ruwe ID’s, anders kan het model ze niet gebruiken om een natuurlijk antwoord te formuleren.

Lokaal testen

Start eerst de server, die draait op een lokale poort, standaard localhost:8000:

python server.py

Stel het vervolgens bloot zodat Vibe er toegang toe heeft:

ngrok http 8000

ngrok levert een openbare URL, bijvoorbeeld https://abc123.ngrok.io, die u als connector-URL in Vibe gebruikt; vergeet niet /mcp toe te voegen om het volledige endpoint te krijgen. Voordat u naar Vibe gaat, valideert u de server met de MCP Inspector:

npx @modelcontextprotocol/inspector

Maak verbinding met uw lokale server, lijst de tools op, test ze individueel en controleer de returns. Dit vertelt u of problemen voortkomen uit uw code of uit de manier waarop het model uw beschrijvingen interpreteert.

Implementatieopties

Zodra uw server klaar is, hangt de hosting voornamelijk af van uw beperkingen. Hugging Face Spaces is de gratis optie die wordt aanbevolen door het team van Mistral AI: dit zijn virtuele machines die webapplicaties hosten, volledig gratis zolang u geen GPU nodig heeft. U kunt uw MCP-server daar opzetten met FastAPI en meerdere servers op dezelfde Space implementeren, elk met een eigen endpoint—/api1/mcp, /api2/mcp—die Vibe als aparte connectors zal toevoegen. Een extra voordeel: niets weerhoudt u ervan een frontend aan de Space toe te voegen om uw serveractiviteit te visualiseren.

Prefect Horizon (voorheen FastMCP Cloud), het platform van het FastMCP-team, importeert direct een GitHub-repository die een FastMCP-server bevat: u selecteert de repo op horizon.prefect.io, het platform bouwt deze en publiceert een geauthenticeerde URL; er bestaat een gratis tier voor persoonlijke projecten. Voor lichtgewicht servers zonder zware afhankelijkheden biedt Cloudflare Workers snelle, goedkope edge-implementatie. Tot slot blijven traditionele providers perfect levensvatbaar voor teams die al uitgerust zijn: AWS (Lambda, ECS), Google Cloud (Cloud Run, Cloud Functions) of Azure (Functions, Container Apps).

Servers met meerdere tools versus single-tool servers

Een veelvoorkomende reflex is om tools zeer fijnmazig op te splitsen. Ervaring wijst echter op het tegenovergestelde: een MCP-hackathon georganiseerd door Mistral toonde aan dat de best presterende teams tools op hoog niveau ontwierpen die overeenkwamen met complete workflows. Ze exposeerden book_restaurant in plaats van list_restaurants + check_availability + make_reservation, of deploy_application in plaats van build + test + push + deploy. Het model heeft minder kans om de volgorde te verprutsen en de cumulatieve latentie daalt dienovereenkomstig.

Granulariteit is nog steeds zinvol in drie situaties: wanneer u een generieke MCP-server maakt die door verschillende teams wordt gebruikt, wanneer workflow-stappen onafhankelijk van elkaar kunnen dienen, en wanneer u flexibiliteit nodig heeft in de volgorde van bewerkingen.

Beheer van omgevingsvariabelen

Uw servers hebben vaak API-sleutels, database-referenties of andere geheimen nodig. Sla deze systematisch op in omgevingsvariabelen, nooit in code. Houd er vooral rekening mee dat een openbare MCP-server zonder authenticatie iedereen uw API-sleutels laat consumeren: bescherm deze met een token of OAuth zodra deze een betaalde service aanroept. Op Hugging Face Spaces zijn de Space Secrets precies hiervoor ontworpen.

Belangrijkste punten

  • FastMCP is de eenvoudigste manier om een MCP-server in Python te maken
  • Verfijn uw tool-beschrijvingen, namen en typering
  • Test eerst lokaal met ngrok en de MCP Inspector voordat u implementeert
  • Hugging Face Spaces biedt ideale gratis hosting voor MCP-servers
  • Geef de voorkeur aan tools in workflow-stijl boven te fijnmazige
  • Bescherm uw geheimen en overweeg authenticatie voor uw servers