Stwórz i wdróż własny serwer MCP
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 służą jako baza wiedzy, a głębokie wyszukiwanie to teraz umiejętność Deep Research. Plany noszą teraz nazwy Mistral Free, Pro, Team i Enterprise. W tej lekcji używamy nazwy Vibe; pamiętaj, że niektóre opisane tu menu mogły zmienić nazwy lub lokalizację.
Od pomysłu do serwera produkcyjnego
Wiesz już, jak używać istniejących konektorów i dodawać własne. Czas na ostatni krok: napisz własny serwer MCP i wdróż go, aby móc z niego korzystać w Vibe. Przeprowadzimy Cię przez całą tę ścieżkę – od pierwszego pliku Pythona na Twoim komputerze po hosting produkcyjny – omawiając wybory projektowe, które odróżniają serwer użyteczny od takiego, którego model nigdy nie wywoła poprawnie.
Tworzenie serwera MCP lokalnie
Biblioteka FastMCP (pip install fastmcp, wersja 4 na listopad 2026 r.), będąca frameworkiem niezależnym od oficjalnego SDK mcp, redukuje tworzenie serwera do kilku dekoratorów:
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."
Wszystko opiera się na tych kilku liniach. Dekorator @mcp.tool() rejestruje funkcję jako narzędzie MCP. Docstring staje się opisem, który model widzi podczas decydowania, czy wywołać narzędzie – nie jest więc komentarzem dla Twoich współpracowników, lecz elementem funkcjonalnym. Typowanie parametrów (name: str) i wartości zwracanej (-> str) informuje model o oczekiwanych typach, a nazwa funkcji musi być jasna i opisowa. Oficjalną alternatywą jest SDK MCP od Anthropic, dostępne w Pythonie i TypeScriptie: oferuje większą kontrolę kosztem nieco cięższej konfiguracji.
Ponieważ model widzi tylko tekstowy opis Twojego narzędzia, napisz go jak kompletną instrukcję obsługi:
@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.
"""
Zauważ, co ten docstring dodaje w porównaniu do poprzedniego: warunek użycia, możliwe wartości dla category oraz zakres dla max_results. Dwie dodatkowe zasady dopełniają całości. Nazwy muszą być jednoznaczne – preferuj search_products zamiast search, create_invoice zamiast create, get_user_orders zamiast get_data. Zwracane wartości muszą być czytelne: odsyłaj zrozumiały tekst, a nie surowe identyfikatory, inaczej model nie będzie w stanie wykorzystać ich do sformułowania naturalnej odpowiedzi.
Testowanie lokalne
Najpierw uruchom serwer, który działa na lokalnym porcie, domyślnie localhost:8000:
python server.py
Następnie udostępnij go, aby Vibe mógł go osiągnąć:
ngrok http 8000
ngrok zapewnia publiczny adres URL, na przykład https://abc123.ngrok.io, którego użyjesz jako adresu URL konektora w Vibe – pamiętaj, aby dodać /mcp na końcu, aby uzyskać pełny punkt końcowy. Zanim przejdziesz do Vibe, zweryfikuj serwer za pomocą MCP Inspector:
npx @modelcontextprotocol/inspector
Połącz się z lokalnym serwerem, wyświetl listę narzędzi, przetestuj je pojedynczo i sprawdź zwracane wartości. Powie Ci to, czy ewentualne problemy wynikają z Twojego kodu, czy ze sposobu, w jaki model interpretuje Twoje opisy.
Opcje wdrażania
Gdy Twój serwer będzie gotowy, wybór hostingu zależy głównie od Twoich ograniczeń. Hugging Face Spaces to darmowa opcja rekomendowana przez zespół Mistral AI: są to maszyny wirtualne hostujące aplikacje webowe, całkowicie bezpłatne, dopóki nie potrzebujesz GPU. Możesz tam skonfigurować swój serwer MCP przy użyciu FastAPI i wdrożyć wiele serwerów na tym samym Space, każdy z własnym punktem końcowym – /api1/mcp, /api2/mcp – które Vibe doda jako osobne konektory. Dodatkowy atut: nic nie stoi na przeszkodzie, aby dodać frontend do Space i wizualizować aktywność serwera.
Prefect Horizon (dawniej FastMCP Cloud), platforma od zespołu FastMCP, importuje bezpośrednio repozytorium GitHub zawierające serwer FastMCP: wybierasz repo na horizon.prefect.io, platforma buduje je i publikuje uwierzytelniony adres URL; dostępny jest darmowy plan dla projektów osobistych. Dla lekkich serwerów bez ciężkich zależności, Cloudflare Workers oferuje szybką i tanią wdrożenie na krawędzi sieci (edge). Na koniec, tradycyjni dostawcy pozostają w pełni viable dla zespołów już wyposażonych: AWS (Lambda, ECS), Google Cloud (Cloud Run, Cloud Functions) lub Azure (Functions, Container Apps).
Serwery wielonarzędziowe kontra jednonarzędziowe
Pierwszym odruchem jest często bardzo drobne dzielenie narzędzi. Doświadczenie wskazuje co innego: hackathon MCP zorganizowany przez Mistral wykazał, że zespoły osiągające najlepsze wyniki projektowały narzędzia wysokiego poziomu, odpowiadające kompletnym przepływom pracy. Udostępniały book_restaurant zamiast list_restaurants + check_availability + make_reservation lub deploy_application zamiast build + test + push + deploy. Model ma wtedy mniejsze szanse na popełnienie błędu w sekwencji, a skumulowane opóźnienia odpowiednio spadają.
Granularność ma jednak sens w trzech sytuacjach: gdy tworzysz ogólny serwer MCP używany przez różne zespoły, gdy kroki przepływu pracy mogą działać niezależnie od siebie oraz gdy potrzebujesz elastyczności w kolejności operacji.
Zarządzanie zmiennymi środowiskowymi
Twoje serwery często będą wymagać kluczy API, poświadczeń do baz danych lub innych sekretów. Przechowuj je systematycznie w zmiennych środowiskowych, nigdy w kodzie. Pamiętaj zwłaszcza, że publiczny serwer MCP bez uwierzytelnienia pozwala każdemu zużywać Twoje klucze API: zabezpiecz go tokenem lub OAuth, gdy tylko odwołuje się do płatnej usługi. Na Hugging Face Spaces Secrets (Sekrety) Space są zaprojektowane dokładnie do tego celu.
Kluczowe wnioski
- FastMCP to najprostszy sposób na stworzenie serwera MCP w Pythonie
- Dopracuj opisy, nazwy i typowanie swoich narzędzi
- Najpierw testuj lokalnie za pomocą ngrok i MCP Inspector przed wdrożeniem
- Hugging Face Spaces oferuje idealny, darmowy hosting dla serwerów MCP
- Preferuj narzędzia w stylu przepływu pracy zamiast zbyt drobnoziarnistych
- Chroń swoje sekretne dane i rozważ uwierzytelnianie dla swoich serwerów