Introduktion till MCP för utvecklare
På denna sida
Uppdatering 2 november 2026 — Le Chat heter nu Vibe. Sedan den 28 maj 2026 har Le Chat bytt namn till Vibe (fortfarande på chat.mistral.ai): en enda agent för arbete och kod som tar med dina konversationer, inställningar och prenumerationer. Den äldre versionen av Le Chat finns fortfarande tillgänglig i läget Chat; i läget Work har agenter blivit färdigheter (anropas med
@), minnen har blivit kunskapsbasen och djup sökning har blivit färdigheten Deep Research. Abonnemangen heter nu Mistral Free, Pro, Team och Enterprise. I denna lektion använder vi namnet Vibe; vissa menyer som beskrivs här kan ha bytt namn eller plats.
Varför MCP är en game-changer för utvecklare
Model Context Protocol (MCP) är en öppen standard som definierar om hur AI-applikationer interagerar med omvärlden. Innan MCP tvingade varje ramverk fram sin egen grammatik för att deklarera och anropa verktyg: LangChain hade en, CrewAI en annan, och Mistral Agents samt OpenAI Assistants hade ytterligare andra. I praktiken innebar det att en utvecklare som skrev en connector till sitt fakturerings-API i LangChain var tvungen att skriva om allt från grunden för att få det att fungera i CrewAI, och sedan en tredje gång för en egen intern agent. Arbetet duplicerades vid varje verktygsbyte, och att dela ett verktyg mellan team blev ett lapptäcke av lösningar.
MCP löser detta problem med ett enhetligt kommunikationsprotokoll mellan en AI-klient och verktygsservrar. Den bästa liknelsen är en USB-port: oavsett klient—Claude, Vibe, Cursor, VS Code—och oavsett server—GitHub, Notion, ditt interna API—så är anslutningsformatet detsamma. Du skriver din connector en gång, och den fungerar överallt.
Klient-server-arkitekturen
MCP bygger på en medvetet enkel klient-server-arkitektur. Å ena sidan är klienten applikationen som implementerar AI:n: en chattbot som Mistral Vibe eller Claude, en utvecklingsmiljö som VS Code eller Cursor, eller ett agent-SDK som Mistral Agent SDK eller Claude Agent SDK. Å andra sidan är servern programmet som exponerar funktioner—verktyg, resurser och prompts—för den klienten.
Hela konversationen mellan de två sker i JSON. Klienten börjar med att fråga servern vilka verktyg den erbjuder; servern svarar med en textbeskrivning av varje verktyg: dess namn, parametrar, roll och returformat. Språkmodellen använder enbart denna beskrivning för att besluta när och hur ett verktyg ska anropas.
Client (Vibe) MCP Server (GitHub)
| |
|--- "What tools do you have?" ->|
|<-- JSON tool descriptions -----|
| |
|--- Call: create_issue({}) --->|
|<-- JSON Result ---------------|
Hur MCP skiljer sig från funktionsanrop
Klassiska funktionsanrop och MCP utesluter inte varandra; de drar bara gränsen på olika ställen. Vid funktionsanrop definierar du verktyg på klientsidan, skickar dem till modellen och hanterar exekveringen själv—där varje ramverk har sitt eget definitionsformat. Med MCP finns verktygen på en server, lokal eller fjärrstyrd; klienten känner bara till textbeskrivningen, och servern hanterar exekveringen.
Den avgörande fördelen är återanvändbarhet. En GitHub MCP-server som skrivits en gång kan kopplas in lika lätt i Vibe, Claude, Cursor eller ditt eget SDK utan att en enda rad kod behöver skrivas om. Det är detta som förvandlar en intern connector till en delbar byggsten i företagsstorlek.
De tre protokoll-primitiverna
MCP är inte begränsat till verktyg. Protokollet definierar tre typer av funktioner, som skiljer sig åt beroende på vad servern faktiskt tillhandahåller. Verktyg är exekverbara funktioner: skapa ett ärende, skicka ett e-postmeddelande, fråga ett API—modellen triggar dem för att agera i världen. Resurser är läsbar data—filer, databaser, dokumentation—som klienten kan läsa utan att utlösa någon åtgärd; att exponera innehållet i en konfigurationsfil faller under denna kategori, inte verktyg. Slutligen är prompts återanvändbara prompt-mallar med parametrar: en teamserver kan därmed distribuera en beprövad instruktion för kodgranskning, istället för att låta alla skriva om den från minnet.
I praktiken står verktyg för cirka 90 % av de nuvarande användningsfallen: det är det du kopplar upp först, och ofta det enda du implementerar. Resurser och prompts öppnar dock upp för möjligheter som vi kommer att utforska i detalj i lektion 3.
Modellens beslutsflöde
När en användare ställer en fråga till klienten genomgår modellen en cykel i fem steg:
- Den tar emot frågan och listan över tillgängliga verktyg (MCP-beskrivningar)
- Den beslutar: svara direkt, eller anropa ett verktyg?
- Om den anropar ett verktyg, formulerar den argumenten i JSON
- Servern exekverar och returnerar resultatet
- Modellen integrerar resultatet och formulerar sitt svar (eller anropar ett annat verktyg)
Denna cykel upprepas så många gånger som uppgiften kräver. Tänk dig en användare som ber om att omvandla ett klagomål som upptäckts på Reddit till ett utvecklingsärende: modellen frågar Reddit, skapar en post i Linear och öppnar sedan motsvarande GitHub-issue—tre servrar kedjade efter varandra, utan att användaren någonsin lämnar chattgränssnittet.
Ett snabbt växande ekosystem
Från och med april 2026 finns hundratals MCP-servrar tillgängliga: GitHub, Notion, Slack, Gmail, PayPal, Hugging Face, Semgrep och många andra. Större AI-klienter stöder protokollet inbyggt. Ännu viktigare är att ingenting hindrar dig från att bara konsumera det som redan finns: du kan skapa dina egna servrar för att exponera dina interna verktyg, affärsdatabaser eller anpassade procedurer.
Det är precis målet med denna kurs: att ge dig förmågan att förstå, använda och bygga MCP-servrar i Python.
Viktiga punkter
- MCP är en öppen standard för klient-server-kommunikation inom AI
- Det enar det fragmenterade ekosystemet för funktionsanrop
- Arkitekturen bygger på en klient (chattbot, IDE, SDK) och en server (verktyg, resurser, prompts)
- Kommunikationen sker i JSON med hjälp av textbeskrivningar
- En MCP-server är återanvändbar över alla kompatibla klienter