MCP-серверы для бизнеса под ключ

Model Context Protocol — открытый стандарт от Anthropic, опубликованный в ноябре 2024. Он стандартизирует то, как LLM-клиент (Claude Desktop, Cursor, ChatGPT, Continue) подключается к внешним инструментам и данным. Сейчас MCP официально поддерживают Anthropic, OpenAI, и десятки IDE/чат-приложений. Без MCP каждую интеграцию пришлось бы писать заново под каждый клиент.

Function calling — это возможность модели вызвать функцию, описанную в системном промпте. MCP — это транспорт и протокол, по которому функции (tools) и данные (resources) приезжают в клиент извне. То есть function calling — это «что умеет модель», а MCP — «откуда модель узнаёт что у вас есть и как это вызвать». Один MCP-сервер работает с любым MCP-совместимым клиентом.

Anthropic и комьюнити выпустили десятки готовых: filesystem, git, github, gitlab, postgres, sqlite, slack, gmail, google-drive, brave-search, puppeteer, memory, fetch и др. Под российский стек (1С, Bitrix24, Диадок, СБИС, AmoCRM, ЯндексДиск) готовых нет — мы их пишем под конкретного клиента.

Официальные SDK от Anthropic — на Python и TypeScript, оба зрелые. Есть community-SDK на Go, Rust, Java, C#. Для российских интеграций (1С HTTP-сервисы, Диадок API, GigaChat) — обычно Python, потому что вокруг готовые библиотеки. Транспорт: stdio для локального запуска у клиента на машине, HTTP/SSE для серверного варианта.

MCP-сервер сам решает что отдавать, кому и в каком объёме. Авторизация (OAuth/JWT/API-key) проверяется на каждом вызове tool, scope ограничен ролью пользователя. Каждый вызов в audit-log с user_id, временем, параметрами и ответом. Данные не уходят в публичные LLM-сервисы — если используется ChatGPT/Claude, то через ваш аккаунт по их EULA (есть варианты zero-retention).

Да. MCP-сервер по stdio работает целиком на машине сотрудника, данные не покидают периметра кроме как в API той LLM, которой он пользуется. Если нужно полностью air-gapped — ставим GigaChat-MAX, YandexGPT5 или self-hosted Llama/Qwen и подключаем их по MCP через клиент с поддержкой OpenAI-совместимого endpoint (Continue, OpenWebUI).

Сам MCP-сервер ничего не стоит за вызов — это просто ваш код на вашем железе. Платите за токены LLM (Claude/GPT) или за свой GPU при self-hosted. Реальные цифры на наших проектах: 0.04-1.50 ₽ за один пользовательский вопрос с учётом tool calls. Хранение и инфраструктура — ещё 5-15 тыс. ₽/мес на VPS.

В Claude Desktop / Cursor / ChatGPT появляется значок «X tools available». Менеджер просто пишет на русском «покажи отгрузки клиенту такому-то» — клиент сам решает вызвать tool erp.shipments, передаёт результат модели, та отвечает текстом. Никаких новых интерфейсов, никаких слешей и команд учить не надо.

Поднимаем тонкую прослойку — Python-сервис, который общается с 1С через COM или 1С-Шину/Web-сервисы, выставляет нормальный REST, и уже на нём строим MCP. Видали 1С 8.2 без какого-либо API — пришлось делать чтение через прямой SQL к базе и кэширование. Не красиво, но работает.

Да, причём именно для агентов MCP и проектировался. Клиент (Claude Code, Cursor Agent, ChatGPT Agent) сам решает какие tools вызвать, в каком порядке, как обработать ошибки. Сервер только описывает контракт и выполняет. Поэтому один и тот же MCP работает и в чатовом режиме, и в режиме автономного агента.

Да. Делаем простой LLM-клиент (на Python, через anthropic-sdk или openai-sdk) который умеет MCP, и подключаем его к Telegram-боту, к телефонии (для голосовых сценариев) или к Avito-боту. Тот же MCP-сервер, разные точки входа.

Со стороны клиента: 1 встреча 2-3 ч с владельцем процесса, 1 встреча 1 ч с админом 1С / CRM на доступы, 30-60 мин с СБ на согласование скоупов и аудита. На пилот — 2-3 сотрудника по 30 мин раз в неделю на обратную связь. Итого 6-10 часов на команду заказчика за весь проект.