Przejdź do głównej treści
Polski— Wybierz język
Menu

Stwórz i wdróż własny serwer MCP

Lekcja 13 z 14 Zaktualizowano 2 listopada 2026 Średnio zaawansowani
Na tej stronie
  1. Od pomysłu do serwera produkcyjnego
  2. Tworzenie serwera MCP lokalnie
  3. Testowanie lokalne
  4. Opcje wdrażania
  5. Serwery wielonarzędziowe kontra jednonarzędziowe
  6. Zarządzanie zmiennymi środowiskowymi
  7. Kluczowe wnioski

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