Nástroje, zdroje a prompty v MCP
Na tejto strane
Aktualizované 2. novembra 2026 — MCP Python SDK v2. Tento kurz teraz sleduje verziu 2 SDK
mcp(2.3.0 k 2. októbru 2026):MCPServernahrádzaFastMCP, nastavenia transportu sa presúvajú dorun()alebostreamable_http_app()a aplikácia vystavená pod skutočným hostname musí tento hostname deklarovať (transport_security). Toto je tiež verzia požadovaná Mistral SDK: extra balíkmistralai[agents]vyžadujemcp>=2.2.0,<3.0. Zdroje: Čo je nové vo v2 · Sprievodca migráciou · Nasadenie a škálovanie.
Tri schopnosti, tri zámery
Server MCP môže svojim klientom vystaviť tri typy schopností. Nie sú zameniteľné: každá rieši odlišnú potrebu a ich zámena vedie k serverom, ktoré model ťažko využíva. Táto lekcia ich preskúma jednu po druhej, než sa pustíme do otázky, ktorá určuje kvalitu servera: koľko nástrojov a akej granularity.
Nástroje: spustiteľné funkcie
Nástroje sú najpoužívanejšou schopnosťou protokolu. Nástroj je funkcia, ktorú sa model môže rozhodnúť zavolať, aby vykonal akciu alebo získal informácie. Jeho definícia stojí na štyroch pilieroch: jedinečný, výstižný názov (create_issue, get_weather), textový popis hovoriaci modelu, kedy ho má zavolať, JSON schéma pre vstupné parametre s ich typmi a obmedzeniami a formát návratovej hodnoty – najčastejšie text alebo JSON.
from mcp.server.mcpserver import MCPServer
app = MCPServer("My Server")
@app.tool()
def get_weather(latitude: float, longitude: float) -> str:
"""Retrieves current weather for the given coordinates.
Args:
latitude: Latitude in decimal degrees (-90 to 90)
longitude: Longitude in decimal degrees (-180 to 180)
Returns:
Text description of current weather
"""
# Weather API call logic
return f"Sunny, 22°C at ({latitude}, {longitude})"
Nezlehčuj popis a typovanie: model nevidí nič iné. Nemá prístup k tvojmu kódu, nedokáže uhádnuť tvoje zámery a nemôže si zavolanie otestovať, aby zistil, čo sa stane. Vágne popisy alebo zle typované parametre mechanicky vedú k nesprávnym volaniam.
Niekoľko návykov urobí tvoje nástroje výrazne spoľahlivejšími. Pomenuj ich podľa toho, čo robia – book_restaurant povie všetko, process_request nepovie nič – a popíš aj akciu, aj obsah návratovej hodnoty, keďže model musí anticipovať, čo získa. Vždy anotuj parametre v Pythone a píš štruktúrované docstringy s časťami Args a Returns: tie živia schému, ktorú model vidí. Nakoniec vracaj čitateľné hodnoty, nie opaque identifikátory; nástroj vracejúci "John Smith" umožní modelu zostaviť vetu, zatiaľ čo nástroj vracejúci UUID ho núti hádať.
Zdroje: čitateľné dáta
Zdroje vystavujú dáta, ktoré si klient môže prečítať bez vedľajších účinkov. Nuansa oproti nástrojom sa redukuje na jedno sloveso: nástroj niečo robí, zdroj niečo obsahuje. Obsah konfiguračného súboru, znalostnej bázy, dokumentácie API alebo aktuálny stav systému sú všetko prirodzené zdroje.
@app.resource("config://database")
def get_db_config() -> str:
"""Current database configuration."""
return json.dumps({
"host": "localhost",
"port": 5432,
"database": "production"
})
Každý zdroj je identifikovaný URI – config://database, file:///path/to/doc – ktoré si klient môže vypísať a následne podľa potreby prečítať. V praxi sa používajú menej často než nástroje, keďže jednoduchý nástroj vracejúci dáta pokryje väčšinu potrieb. Zostávajú užitočné, keď chceš publikovať statické alebo polo-statické dáta bez exekučnej logiky za nimi.
Prompty: opakovateľné šablóny
Prompty MCP sú parameterizovateľné šablóny, ktoré server sprístupňuje. Slúžia na zdieľanie overených inštrukcií pre danú úlohu, namiesto toho, aby si každý znova vymýšľal svoje formulácie.
@app.prompt()
def code_review(language: str, code: str) -> str:
"""Generates a code review prompt for the given language."""
return f"""You are an expert in {language}.
Analyze the following code and identify:
1. Potential bugs
2. Performance issues
3. Readability improvements
Code to analyze:
```{language}
{code}
```"""
Toto využitie dáva najväčší zmysel v tímovom prostredí. Senior vývojár zakóduje svoje prompty pre code review, ladenie alebo analýzu architektúry do MCP servera a celý tím k nim pristupuje zo svojich klientov s rovnakou kvalitou inštrukcií.
Vyjednávanie schopností
Keď sa klient pripojí k serveru, pred akýmkoľvek použitím prebehne fáza vyjednávania:
- Klient si vyžiada schopnosti servera
- Server odpovie zoznamom svojich nástrojov, zdrojov a promptov
- Klient prezentuje tieto schopnosti jazykovému modelu
- Model využije popisy na rozhodnutie, čo zavolať
Toto vyjednávanie je dynamické a to je vlastnosť, ktorú môžeš využiť: ten istý server môže oznamovať rôzne schopnosti v závislosti od pripojeného používateľa alebo kontextu volania – administrátorský účet uvidí nástroje, ktoré read-only účet nikdy neuvidí.
Koľko nástrojov na server?
Otázka sa zdá triviálna, no podmieňuje mieru chýb tvojho agenta. Udržuj svoje servery zamerané: tri až desať dobre definovaných nástrojov funguje lepšie než päťdesiat všeobecných. Nad určitým objemom model rozptýli svoje rozhodovanie a skončí pri volaní nesprávneho nástroja alebo hromadením zbytočných volaní.
Ak je tvoj funkčný rozsah široký, rozdeľ ho na viacero špecializovaných serverov – jeden pre operácie Git, jeden pre riadenie projektov, jeden pre monitoring. Klient vie pripojiť sa k viacerým serverom súčasne a aktivovať len tie, ktoré vyžaduje aktuálna úloha, čo v praxi znamená načítanie užitočného kontextu namiesto celého katalógu.
Jeden posledný kompromis si zaslúži tvoju pozornosť: granularita. Vystavenie troch nástrojov na zoznam reštaurácií, kontrolu dostupnosti a následnú rezerváciu núti model orchestrávať sekvenciu s rizikom chyby v každom kroku. Jediný workflow nástroj – book_restaurant – zapuzdruje kompletnú sekvenciu, redukuje počet spätných volaní (round trips) a presúva business logiku tam, kde je testovateľná: do tvojho kódu.
Kľúčové poznatky
- Nástroje = spustiteľné akcie (90 % prípadov použitia), vyžadujú presný popis a typovanie
- Zdroje = čitateľné dáta cez URI, žiadne vedľajšie účinky
- Prompty = opakovateľné šablóny, užitočné pre tímy
- Udržuj svoje servery zamerané (maximálne 3–10 nástrojov)
- Uprednostni workflow nástroje pred príliš granulárnymi nástrojmi
- Kvalita popisu určuje efektivitu modelu