Wprowadzenie do MCP dla programistów
Na tej stronie
Aktualizacja z 2 listopada 2026 r. — Le Chat to teraz Vibe. Od 28 maja 2026 r. Le Chat zmienił nazwę na Vibe (nadal dostępny pod adresem chat.mistral.ai): to pojedynczy agent do pracy i kodowania, który zachowuje Twoje konwersacje, ustawienia i subskrypcje. Legacyjne doświadczenie Le Chat pozostaje dostępne w trybie Chat; w trybie Work agenci stali się umiejętnościami (wywoływanymi za pomocą
@), pamięci przekształciły się w bazę wiedzy, a głębokie wyszukiwanie stało się umiejętnością Deep Research. Plany noszą teraz nazwy Mistral Free, Pro, Team i Enterprise. W tej lekcji używamy nazwy Vibe; niektóre opisane tu menu mogły zmienić nazwy lub lokalizację.
Dlaczego MCP to przełom dla programistów
Model Context Protocol (MCP) to otwarty standard, który redefine sposób, w jaki aplikacje AI interagują ze światem zewnętrznym. Przed wprowadzeniem MCP każdy framework narzucał własną gramatykę deklarowania i wywoływania narzędzi: LangChain miał swoją, CrewAI inną, a Mistral Agents i OpenAI Assistants jeszcze inne. W praktyce programista, który napisał konektor do swojego API rozliczeniowego w LangChain, musiał przepisać go całkowicie, aby działał w CrewAI, a następnie po raz trzeci dla własnego, wewnętrznego agenta. Praca była dublowana przy każdej zmianie stosu narzędzi, a udostępnianie narzędzi między zespołami wymagało łatanego podejścia.
MCP rozwiązuje ten problem dzięki ujednoliconemu protokołowi komunikacji między klientem AI a serwerami narzędzi. Najlepszą analogią jest port USB: niezależnie od klienta — Claude, Vibe, Cursor, VS Code — i niezależnie od serwera — GitHub, Notion, Twoje wewnętrzne API — format połączenia pozostaje ten sam. Piszesz swój konektor raz i działa on wszędzie.
Architektura klient-serwer
MCP opiera się na celowo prostej architekturze klient-serwer. Po jednej stronie klient to aplikacja realizująca AI: chatbot taki jak Vibe od Mistral lub Claude, środowisko deweloperskie jak VS Code czy Cursor, lub SDK agenta, takie jak Mistral Agent SDK czy Claude Agent SDK. Po drugiej stronie serwer to program udostępniający możliwości — narzędzia, zasoby i prompty — temu klientowi.
Cała rozmowa między nimi odbywa się w formacie JSON. Klient zaczyna od zapytania serwera, jakie narzędzia oferuje; serwer odpowiada tekstowym opisem każdego z nich: jego nazwą, parametrami, rolą i formatem zwrotu. Model językowy wykorzystuje wyłącznie ten opis, aby zdecydować, kiedy i jak wywołać narzędzie.
Client (Vibe) MCP Server (GitHub)
| |
|--- "What tools do you have?" ->|
|<-- JSON tool descriptions -----|
| |
|--- Call: create_issue({}) --->|
|<-- JSON Result ---------------|
Jak MCP różni się od wywoływania funkcji
Klasyczne wywoływanie funkcji i MCP nie wykluczają się wzajemnie; po prostu wyznaczają granicę w innych miejscach. Przy wywoływaniu funkcji definiujesz narzędzia po stronie klienta, przekazujesz je modelowi i samodzielnie zarządzasz ich wykonaniem — każdy framework ma własny format definicji. W przypadku MCP narzędzia żyją na serwerze, lokalnym lub zdalnym; klient zna tylko tekstowy opis, a serwer zajmuje się wykonaniem.
Decydującą zaletą jest możliwość wielokrotnego użycia. Serwer MCP dla GitHuba, napisany raz, podpinasz bez różnicy do Vibe, Claude, Cursora lub własnego SDK bez przepisywania ani jednej linii kodu. To właśnie zamienia wewnętrzny konektor w udostępnialny element budulcowy w skali przedsiębiorstwa.
Trzy prymitywy protokołu
MCP nie ogranicza się tylko do narzędzi. Protokół definiuje trzy typy możliwości, rozróżniane przez to, co serwer faktycznie udostępnia. Narzędzia to funkcje wykonywalne: utworzenie zgłoszenia, wysłanie e-maila, zapytanie do API — model uruchamia je, aby działać w świecie rzeczywistym. Zasoby to dane tylko do odczytu — pliki, bazy danych, dokumentacja — które klient może czytać bez wywoływania żadnej akcji; udostępnienie zawartości pliku konfiguracyjnego należy do tej kategorii, a nie do narzędzi. Wreszcie, prompty to wielokrotnego użytku szablony promptów z parametrami: serwer zespołowy może więc dystrybuować sprawdzoną instrukcję przeglądu kodu, zamiast pozostawiać każdemu przepisywanie jej z pamięci.
W praktyce narzędzia stanowią około 90% obecnych przypadków użycia: to je podłączasz w pierwszej kolejności i często jedyne, które implementujesz. Jednakże zasoby i prompty otwierają możliwości, które szczegółowo zbadamy w Lekcji 3.
Proces decyzyjny modelu
Gdy użytkownik zadaje klientowi pytanie, model przechodzi przez pięcioetapowy cykl:
- Otrzymuje pytanie i listę dostępnych narzędzi (opisy MCP)
- Podejmuje decyzję: odpowiedzieć bezpośrednio czy wywołać narzędzie?
- Jeśli wywołuje narzędzie, formułuje argumenty w JSON
- Serwer wykonuje zadanie i zwraca wynik
- Model integruje wynik i formułuje odpowiedź (lub wywołuje kolejne narzędzie)
Cykl ten powtarza się tyle razy, ile wymaga zadanie. Wyobraź sobie użytkownika proszącego o zamianę skargi zauważonej na Reddicie w zgłoszenie deweloperskie: model odpytuje Reddita, tworzy wpis w Linearze, a następnie otwiera odpowiadające mu zgłoszenie na GitHubie — trzy serwery połączone w łańcuch, a użytkownik ani razu nie opuszcza interfejsu czatu.
Szybko rozwijający się ekosystem
Od kwietnia 2026 r. dostępnych jest setki serwerów MCP: GitHub, Notion, Slack, Gmail, PayPal, Hugging Face, Semgrep i wiele innych. Główni klienci AI obsługują ten protokół natywnie. Co ważniejsze, nic nie ogranicza Cię do konsumowania tego, co już istnieje: możesz tworzyć własne serwery, aby udostępniać swoje wewnętrzne narzędzia, biznesowe bazy danych lub niestandardowe procedury.
To właśnie jest celem tego kursu: umożliwić Ci zrozumienie, używanie i budowanie serwerów MCP w Pythonie.
Kluczowe wnioski
- MCP to otwarty standard komunikacji klient-serwer w AI
- Ujednolica on rozproszony ekosystem wywoływania funkcji
- Architektura opiera się na kliencie (chatbot, IDE, SDK) i serwerze (narzędzia, zasoby, prompty)
- Komunikacja odbywa się w formacie JSON przy użyciu opisów tekstowych
- Serwer MCP jest wielokrotnego użytku we wszystkich kompatybilnych klientach