Model Context Protocol: Vytvořte svůj první MCP server ještě dnes

Model Context Protocol (MCP) je otevřený standard, který poskytuje modelům AI univerzální způsob připojení k externím nástrojům, zdrojům dat a službám. Místo psaní vlastního integračního kódu pro každou kombinaci modelu a nástroje napíšete jeden MCP server, který může používat každý kompatibilní model. Anthropic vytvořil MCP na konci roku 2024, nyní jej spravuje Linux Foundation a přijaly ho OpenAI, Google a zbytek ekosystému agentní AI. Zde je vše, co potřebujete vědět, abyste mohli MCP pochopit, vytvářet a nasazovat.

MCP v kostce

Pokud chcete rychlý přehled před tím, než se ponoříte do 6 000 slov detailů, tady je.

Nyní si rozebereme každý z těchto bodů, počínaje tím, co MCP ve skutečnosti je, a problémem, který jeho vznik způsobil.

Co je Model Context Protocol?

Model Context Protocol je otevřený protokol založený na JSON-RPC, který standardizuje způsob, jakým modely AI objevují a interagují s externími nástroji a daty. Představte si ho jako HTTP pro integrace AI – sdílený jazyk, kterým může hovořit jakýkoli model a jakýkoli nástroj.

Pravděpodobně jste slyšeli analogii s USB-C a je užitečná do určité míry: před USB-C potřebovalo každé zařízení vlastní kabel. MCP dělá totéž pro AI, ale tato analogie jeho význam podceňuje. USB-C přenáší pouze data a energii. MCP přenáší definice nástrojů, vzorce přístupu k datům, znovu použitelné šablony promptů a dokonce umožňuje serverům vyžadovat dokončení od modelu. Je to bohatší protokol, než naznačuje metafora kabelu.

Problém M x N, který MCP řeší

Bez MCP vyžaduje připojení M modelů k N nástrojům M x N vlastních integrací. Řekněme, že podporujete 5 LLM (Claude, GPT-4, Gemini, Llama, Mistral) a potřebujete, aby měly přístup k 10 nástrojům (GitHub, Postgres, Slack, Jira atd.). To znamená 50 specifických integračních vrstev, každou s vlastní autentizací, zpracováním chyb a formátováním dat.

S MCP implementuje každý model protokol MCP klienta jednou a každý nástroj implementuje MCP server jednou. Nyní máme 5 + 10 = 15 implementací místo 50. Přidáte nový model? Okamžitě funguje se všemi 10 nástroji. Přidáte nový nástroj? Mohou ho používat všechny 5 modelů.

Stručná historie MCP

Anthropic open-sourcoval MCP v listopadu 2024 spolu se sadami SDK pro Python a TypeScript a konektory pro Claude Desktop. Adoptace postupovala rychle. OpenAI přidalo podporu MCP do ChatGPT v březnu 2025. Google následoval pro Gemini v dubnu 2025. Do prosince 2025 daroval Anthropic MCP nové Agentic AI Foundation (AAIF) pod Linux Foundation, kterou spoluzaložil s Block a OpenAI, čímž se z MCP stal neutrální standard s mezioborovou správou.

Co MCP NENÍ:

• Není to model ani framework AI (je to protokol, jako HTTP)
• Není to náhrada za LangChain nebo LlamaIndex (tyto jsou orchestrační vrstvy; MCP leží pod nimi)
• Není omezeno na Anthropic nebo Claude (je navrženo jako nezávislé na modelu)
• Není totéž co volání funkcí (více v sekci porovnání)

Jak MCP funguje? Hluboký ponor do architektury

MCP má tři role a jejich zaměňování je nejčastější chybou začátečníků. Pojďme si ujasnit rozdíl.

Hostitel, klient a server, jaký je rozdíl?

Zde je konkrétní příklad: požádáte Claude Desktop, aby zkontroloval vaše otevřené pull requesty na GitHubu. Claude Desktop je hostitel. Jeho vestavěný MCP klient otevře připojení k GitHub MCP serveru. Server zavolá GitHub API, načte vaše PR a vrátí výsledky klientovi, který je předá modelu.

Jeden hostitel může spouštět více klientů, každý připojený k jinému serveru. Takto může Claude Desktop současně přistupovat k GitHubu, vaší databázi Postgres a Slacku – tři samostatné MCP servery, tři samostatná klientská připojení, jeden hostitel.

Jak proudí zprávy (JSON-RPC 2.0)

Veškerá komunikace MCP používá JSON-RPC 2.0, lehký protokol požadavek/odpověď. Zde je vypadá výměna tools/list na drátu:

// Client request: "What tools do you have?"
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/list"
}

// Server response: one tool available
{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "tools": [
      {
        "name": "get_weather",
        "description": "Get current weather for a city",
        "inputSchema": {
          "type": "object",
          "properties": {
            "city": { "type": "string" }
          },
          "required": ["city"]
        }
      }
    ]
  }
}

Model čte tyto definice nástrojů, rozhodne, kdy je zavolat na základě požadavku uživatele, a klient odešle zpět na server požadavek tools/call s příslušnými argumenty.

Životní cyklus připojení

Každá relace MCP sleduje stejný životní cyklus:

1. Inicializace, klient odešle své schopnosti, server odpoví těmi svými
2. Vyjednávání schopností, obě strany se dohodnou na podporovaných funkcích (nástroje, zdroje, prompty, sampling)
3. Připraveno, připojení je aktivní; požadavky proudí oběma směry
4. Požadavky/odpovědi, tools/call, resources/read atd.
5. Ukončení, čisté odpojení

Tento handshake zajišťuje dopřednou kompatibilitu. Pokud server přidá nové primitivum, starší klienti jej elegantně ignorují, místo aby spadli.

Primitiva MCP: Nástroje, zdroje, prompty a sampling

MCP definuje čtyři primitiva a pochopení toho, kdo každé z nich ovládá, je klíčem k navrhování dobrých MCP serverů.

Nástroje (řízené modelem)

Nástroje jsou funkce, které může model volat. Server je deklaruje s názvem, popisem a definicí vstupního schématu JSON Schema. Model čte tyto definice a když to požadavek uživatele vyžaduje, model se rozhodne nástroj vyvolat.

// Client sends tools/call request
{
  "jsonrpc": "2.0",
  "id": 2,
  "method": "tools/call",
  "params": {
    "name": "get_weather",
    "arguments": { "city": "Berlin" }
  }
}

Pokud jste používali volání funkcí OpenAI, nástroje vám budou připadat známé, ale jsou standardizovány napříč každým modelem kompatibilním s MCP.

Zdroje (řízené aplikací)

Zdroje jsou koncové body dat pouze pro čtení. Na rozdíl od nástrojů se model nerozhoduje sám o načtení zdroje; hostitelská aplikace nebo uživatel explicitně připojí zdroje ke kontextu konverzace. Myslete na ně jako na GET endpointy: postgres://mydb/users/schema, file://docs/api-reference.md.

Zdroje podporují odběry prostřednictvím resources/subscribe, takže klient může být upozorněn na změny dat.

Prompty (řízené uživatelem)

Prompty jsou znovu použitelné šablony, které MCP server zpřístupňuje. Prompt code_review může přijmout cestu k souboru a vygenerovat strukturovaný požadavek na revizi. Uživatel (nebo UI hostitele) spouští prompty explicitně; nejsou automaticky vyvolávány modelem.

Sampling (iniciovaný serverem), pokročilé

Zde je primitivum, které většina průvodců přeskakuje. Sampling umožňuje serveru požádat klienta o vygenerování dokončení pomocí LLM. Tím se obrací běžný tok: místo aby model volal nástroj, volá nástroj model.

Proč? Agentní smyčky. Představte si MCP server, který zpracovává support tickety. Přečte si ticket (zdroj), použije sampling/createMessage k požádání modelu o shrnutí a poté použije toto shrnutí k nasměrování ticketu prostřednictvím nástroje. Server orchestruje vícestupňový workflow pomocí inteligence modelu.

Sampling je řízen hostitelskou aplikací; uživatel jej musí schválit a hostitel kontroluje, co může server požadovat. Tím se zabrání nekontrolovatelným smyčkám a zachová se lidský dohled.

Vytvořte svůj první MCP server: Python a TypeScript vedle sebe

Dost teorie. Pojďme vytvořit funkční MCP server, který zpřístupňuje nástroj get_weather. Ukážu jak Python, tak TypeScript, abyste mohli porovnat zkušenost vývojáře a vybrat stack, který vyhovuje vašemu projektu.

Python s FastMCP

FastMCP je oficiální vysokoúrovňové SDK pro Python. Zpracovává veškerou mechaniku protokolu, takže se můžete soustředit na logiku svého nástroje.

# Install FastMCP
pip install fastmcp

# weather_server.py
from fastmcp import FastMCP

mcp = FastMCP("Weather Server")

@mcp.tool()
def get_weather(city: str) -> str:
    """Get the current weather for a city."""
    # In production, call a real weather API here
    weather_data = {
        "Berlin": "Cloudy, 12°C",
        "Tokyo": "Sunny, 22°C",
        "New York": "Rainy, 8°C",
    }
    return weather_data.get(city, f"No data for {city}")

if __name__ == "__main__":
    mcp.run()

To je vše – 15 řádků. FastMCP odvozuje vstupní schéma nástroje z typových nápověd Pythonu a docstringu. Žádná složitost s JSON Schema.

TypeScript s oficiálním SDK

TypeScript SDK (@modelcontextprotocol/sdk) je trochu explicitnější, ale dává vám plnou kontrolu nad definicemi schémat.

# Install the SDK and Zod for schema validation
npm install @modelcontextprotocol/sdk zod

// weather-server.ts
import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";

const server = new McpServer({
  name: "Weather Server",
  version: "1.0.0",
});

server.tool(
  "get_weather",
  "Get the current weather for a city",
  { city: z.string() },
  async ({ city }) => {
    const weatherData: Record<string, string> = {
      Berlin: "Cloudy, 12°C",
      Tokyo: "Sunny, 22°C",
      "New York": "Rainy, 8°C",
    };
    return {
      content: [
        { type: "text", text: weatherData[city] ?? `No data for ${city}` },
      ],
    };
  }
);

const transport = new StdioServerTransport();
await server.connect(transport);

Verze TypeScript používá schémata Zod místo typových nápověd a vrací strukturované bloky obsahu. Je upovídanější, ale typová bezpečnost je vynikající.

Připojení k Claude Desktop

Chcete-li propojit kterýkoli server s Claude Desktop, přidejte jej do svého claude_desktop_config.json:

{
  "mcpServers": {
    "weather-python": {
      "command": "python",
      "args": ["weather_server.py"],
      "cwd": "/path/to/your/project"
    },
    "weather-typescript": {
      "command": "npx",
      "args": ["tsx", "weather-server.ts"],
      "cwd": "/path/to/your/project"
    }
  }
}

Restartujte Claude Desktop a oba weather servery se objeví v seznamu nástrojů. Zeptejte se „Jaké je počasí v Berlíně?“ a model automaticky zavolá váš nástroj get_weather.

Testování s MCP Inspector

Než připojíte svůj server k hostiteli, otestujte jej izolovaně pomocí MCP Inspector:

npx @modelcontextprotocol/inspector python weather_server.py

Inspector otevře prohlížečové UI, kde můžete vidět objevené nástroje, vyvolávat je ručně a inspectovat zprávy JSON-RPC putující tam a zpět. Je to nejlepší ladicí nástroj v ekosystému MCP, používejte jej brzy a často.

MCP transporty: stdio pro vývoj, Streamable HTTP pro produkci

Zprávy MCP potřebují způsob, jak cestovat mezi klientem a serverem. To je transportní vrstva a výběr té správné záleží.

stdio funguje spuštěním MCP serveru jako podprocesu a komunikací přes stdin/stdout. To je to, co jste použili v tutoriálu výše, žádné porty, žádné TLS, žádná nutná autentizace. Ideální pro vývoj a lokální nástroje pro jednoho uživatele.

Streamable HTTP je produkční transport, přidaný v aktualizaci specifikace 2025. Klienti posílají standardní HTTP POST požadavky na server. Server může odpovídat synchronně nebo otevřít SSE stream pro delší operace. Je vhodný pro bezstavové prostředí, funguje za load balancery a podporuje standardní HTTP autentizaci.

Pokud vidíte starší tutoriály zmínějící „HTTP+SSE“ jako dva samostatné transporty (jeden pro odesílání, jeden pro příjem), jde o zastaralý přístup. Streamable HTTP konsoliduje obojí do jediného, čistšího mechanismu.

Rozhodnutí je jasné: používejte stdio při lokálním vývoji, přepněte na streamable-http při nasazování pro ostatní.

// Switching from stdio to Streamable HTTP in TypeScript
import { StreamableHTTPServerTransport } from "@modelcontextprotocol/sdk/server/streamableHttp.js";

const transport = new StreamableHTTPServerTransport({ port: 3001 });
await server.connect(transport);

MCP vs Volání funkcí vs REST API, kdy použít co

Toto je otázka, která vyvstane v každé diskusi o MCP, tak ji pojďme vyřešit přímým srovnáním.

Kdy stačí volání funkcí

Pokud máte méně než 5 nástrojů a používáte jeden model, volání funkcí je jednodušší. Definujete schémata nástrojů inline s každým voláním API, model vrátí název funkce a argumenty a vy je provedete ve svém aplikačním kódu. Žádný server ke spuštění, žádný protokol k učení. Pro chatbota, který kontroluje stav objednávky a hledá v FAQ, je volání funkcí zcela v pořádku.

Kdy se MCP vyplatí

MCP si svou složitost zaslouží, když:

• Podporujete více LLM a nechcete přepisovat definice nástrojů pro každého providera
• Potřebujete objevování nástrojů, model se může dotazovat, co je dostupné, místo abyste schémata natvrdo kódovali
• Chcete zdroje a prompty, nejen volání nástrojů
• Budujete AI agenty, kteří koordinují autonomně a potřebujete standardizovanou integrační vrstvu
• Váš tým roste a různí inženýři budují různé nástroje, MCP jim umožňuje pracovat nezávisle

Verdikt: MCP vítězí, když potřebujete standardizovaný přístup k nástrojům pro více modelů. Volání funkcí vítězí pro jednoduché případy použití s jedním modelem. REST API zůstávají správnou volbou pro tradiční komunikaci mezi službami, která nezahrnuje LLM.

Ekosystém MCP v roce 2026: Kdo ho podporuje a co je k dispozici

MCP se z vedlejšího projektu Anthropic stal industriálním standardem za méně než 18 měsíců. Zde je aktuální stav.

Které LLM podporují MCP?

Populární MCP servery, které stojí za to znát

Oznámení AAIF Linux Foundation citovalo více než 10 000 aktivních serverů a 97 milionů měsíčních stažení SDK v době darování MCP v prosinci 2025. Ekosystém již není experimentální, je produkčně zralý.

MCP Apps je nové primitivum představené v lednu 2026. Umožňuje serverům poskytovat interaktivní UI komponenty, které se vykreslují uvnitř hostitelské aplikace. Je to stále raná fáze, ale signalizuje evoluci MCP z datového protokolu na plnohodnotný framework pro agent-aplikace. Stojí za sledování.

Správa: Od Anthropic k Linux Foundation

MCP je spravováno Agentic AI Foundation (AAIF) pod Linux Foundation, kterou spoluzaložily Anthropic, Block a OpenAI. To je důležité pro enterprise adopci: MCP není vázáno na roadmapu jednoho vendora. Priority roadmapy 2026 jsou evoluce transportu, komunikace agent-agent (nové primitivum „Tasks“), zrání správy a připravenost pro enterprise.

Pro týmy budující produkční systémy AI se frameworky jako autonomní framework AI agentů jako OpenClaw již integrují s MCP servery, aby poskytly agentům schopnosti reálného světa.

Zabezpečení MCP: OAuth 2.1, hrozby a praktický checklist

Zabezpečení je oblast, kde má ekosystém MCP největší prostor pro zlepšení. A čísla malují ostrý obraz.

Problém 88 %: Proč je většina MCP serverů nezabezpečená

Astrix Security analyzovala více než 5 200 open-source implementací MCP serverů a zjistila, že 88 % vyžaduje nějaké přihlašovací údaje, ale 53 % se spoléhá na nezabezpečená dlouhodobě platná statická tajemství, jako jsou API klíče a osobní přístupové tokeny natvrdo zakódované v konfiguračních souborech. Pouze 8,5 % implementuje OAuth.

To znamená, že drtivá většina MCP serverů v divočině používá autentizaci ekvivalentní přilepení klíče od domu izolepou na přední dveře.

OAuth 2.1 pro MCP servery

Specifikace MCP vyžaduje OAuth 2.1 pro všechny servery založené na HTTP od aktualizace z června 2025. Tok funguje takto: MCP klient iniciuje autorizační tok OAuth 2.1 se serverem, získá přístupový token s omezeným rozsahem a zahrnuje jej do každého následného požadavku. PKCE (Proof Key for Code Exchange) je vyžadováno pro všechny klienty, bez výjimky.

Pokud budujete MCP server, který běží přes Streamable HTTP, OAuth 2.1 není volitelné. Je mandováno specifikací.

Model hrozeb: Co se může pokazit

Čtyři hrozby si zasluhují pozornost v jakémkoli nasazení MCP:

• Vstřikování promptů prostřednictvím nástrojů, Zlomyslný nebo kompromitovaný zdroj dat vrátí obsah určený k manipulaci s modelem. Pokud nástroj načte webovou stránku a tato stránka obsahuje skryté instrukce, model by je mohl provést.
• Útok zmateného zástupce, Model vyvolá nástroj s širšími oprávněními, než uživatel zamýšlel. Pokud má MCP server admin přístup k databázi, model by teoreticky mohl smazat tabulku.
• Riziko koncentrace tokenů, MCP server, který drží API klíče pro GitHub, Slack a vaši produkční databázi, je jediným vysoce cenným cílem. Kompromitujte jeden server, compromised everything it connects to.
• Nezabezpečený transport, Spuštění HTTP MCP serveru bez TLS vystavuje každý požadavek, včetně OAuth tokenů a citlivých dat, v plaintextu.

Checklist zabezpečení pro produkční MCP

1. Implementujte OAuth 2.1 pro jakýkoli server vystavený přes HTTP. Žádná statická API klíče v konfiguračních souborech.
2. Aplikujte princip nejnižších oprávnění. Pokud váš nástroj pouze čte data, přihlašovací údaje serveru by měly být pouze pro čtení. Nedávejte nástroji pro reportování práva zápisu.
3. Izolujte přihlašovací údaje. Každý MCP server by měl mít své vlastní tokeny s omezeným rozsahem. Nesdílejte jediný „božský token“ napříč servery.
4. Vynucujte TLS všude. Streamable HTTP bez HTTPS je automatické non-go pro produkci.
5. Validujte a sanitizujte výstupy nástrojů. Zacházejte s daty vrácenými nástroji stejně jako s uživatelským vstupem, nespoléhejte na ně slepě.
6. Omezte rychlost volání nástrojů. Nekontrolovatelná smyčka agenta volající nástroj tisíckrát může vyčerpat kvóty API nebo způsobit nechtěné vedlejší účinky.
7. Auditujte a logujte každé volání nástroje. Zahrňte ID požadavků, časová razítka, volající model a argumenty nástroje. Budete to potřebovat pro ladění a pro reakci na bezpečnostní incidenty.

Ladění MCP: Inspector, logování a běžné chyby

Narazíte na chyby. Každý vývojář ano. Zde je návod, jak je rychle opravit.

MCP Inspector je oficiální ladicí nástroj a vaše první linie obrany. Připojí se k jakémukoli MCP serveru, objeví jeho nástroje/zdroje/prompty a umožní vám je vyvolat ručně při zobrazení surového provozu JSON-RPC.

# Launch Inspector against your Python server
npx @modelcontextprotocol/inspector python weather_server.py

# Or against a TypeScript server
npx @modelcontextprotocol/inspector npx tsx weather-server.ts

Inspector otevře prohlížečové UI s kartami pro Nástroje, Zdroje, Prompty a panelem notifikací. Můžete volat jakýkoli nástroj s vlastními argumenty a vidět přesně, jaké JSON putuje po drátu. Použijte jej před připojením k hostitelské aplikaci, je mnohem snazší ladit server izolovaně.

Běžné chyby a opravy

• „Server not found“ v Claude Desktop, Téměř vždy problém s cestou v claude_desktop_config.json. Zkontrolujte, zda command odkazuje na skutečný binární soubor a cwd ukazuje na správný adresář. Na macOS používejte absolutní cesty.
• Selhání validace schématu nástroje, Pokud model odešle argumenty, které neodpovídají inputSchema nástroje, server volání odmítne. Zkontrolujte, zda typy vašeho schématu odpovídají tomu, co model očekává. Zod (TypeScript) a typové nápovědy (Python) zachytí většinu z nich již v době definice.
• Výpadky připojení transportu, Pro stdio to obvykle znamená, že proces serveru spadl. Zkontrolujte výstup stderr. Pro Streamable HTTP ověřte nastavení timeoutu, dlouhotrvající nástroje mohou překročit výchozí HTTP timeouty.
• „Permission denied“ nebo chyby 401, Příliš úzký rozsah OAuth. Server odmítá token, protože nemá požadovaná oprávnění. Rozšiřte rozsah, ale pouze tolik, kolik nástroj skutečně potřebuje.

Osvědčené postupy pro logování

Strukturovejte své logy s ID požadavků, abyste mohli trasovat jediný uživatelský požadavek napříč MCP klientem, serverem a jakýmikoli downstream API. Logujte každé vyvolání tools/call s názvem nástroje, argumenty, dobou odezvy a stavem výsledku. V produkci posílejte tyto logy do platformy pro observabilitu, až se něco pokazí ve 3 ráno, budete rádi, že jste to udělali.

Jak Techsy buduje s MCP

Integrujeme MCP do klientských projektů od začátku roku 2025 a vzorec, který vidíme nejčastěji, je tento: tým má funkci AI, která funguje s jedním modelem a hrstkou nástrojů, ale plánuje škálování, více modelů, více zdrojů dat, více schopností agentů. To je bod zlomu, kdy se MCP začíná vyplácet.

Naše approach follows three steps:

1. Posouzení vhodnosti. Ne každý projekt potřebuje MCP. Pokud voláte dva nástroje z jednoho modelu, volání funkcí je jednodušší a my vám to řekneme. MCP dává smysl, když připojujete 3+ zdrojů dat, podporujete více modelů nebo budujete agentní workflow, kde nástroje potřebují být objevitelné.
2. Výstavba a testování serverů izolovaně. Vyvíjíme vlastní MCP servery pro každý zdroj dat, interní databáze, SaaS API, proprietární služby a validujeme je s MCP Inspector před připojením k jakémukoli hostiteli.
3. Nasazení se Streamable HTTP a OAuth 2.1. Pro produkci spouštíme MCP servery jako kontejnerizované služby za TLS, se scoped OAuth tokeny a strukturovaným logováním od prvního dne. Žádná statická tajemství.

Nejběžnější integrace, které budujeme: připojování AI asistentů k interním databázím Postgres, budování vlastních MCP serverů pro klientské SaaS platformy a migrace týmů z roztroušených nastavení volání funkcí na standardizovanou architekturu MCP.

Budujete nástroje poháněné AI, které se potřebují připojit k vaší infrastruktuře? Pomáháme týmům navrhnout a implementovat integrace MCP. Získejte bezplatnou konzultaci

Často kladené otázky o MCP

Co je Model Context Protocol (MCP)?

MCP je otevřený standard, původně vytvořený společností Anthropic a nyní spravovaný Linux Foundation, který definuje, jak se modely AI připojují k externím nástrojům, zdrojům dat a službám. Standardizuje integrační vrstvu, takže jeden MCP server funguje s jakýmkoli kompatibilním modelem, jako univerzální zásuvka pro AI.

Jak MCP funguje?

MCP používá tříčástovou architekturu: hostitelskou aplikaci (jako Claude Desktop nebo Cursor), MCP klienta uvnitř hostitele, který spravuje připojení, a MCP servery, které zpřístupňují nástroje a data. Veškerá komunikace používá zprávy JSON-RPC 2.0 buď přes stdio (lokálně) nebo Streamable HTTP (vzdáleně).

K čemu se MCP používá?

Mezi běžné případy použití patří připojování AI asistentů k databázím (Postgres, MySQL), integrace s kódovými platformami (GitHub, GitLab), přístup k nástrojům SaaS (Slack, Notion, Google Drive) a budování autonomních AI agentů, kteří potřebují interagovat s reálnými službami.

Je MCP totéž co volání funkcí?

Ne. Volání funkcí je specifické pro model (formát OpenAI se liší od Anthropic) a probíhá na vyžádání, posíláte schémata nástrojů s každým voláním API. MCP je standardizovaný protokol, který funguje napříč modely, podporuje objevování nástrojů a zahrnuje zdroje a prompty nad rámec pouhého provádění funkcí.

Co jsou MCP servery?

MCP servery jsou programy, které zpřístupňují nástroje, zdroje a prompty modelům AI prostřednictvím protokolu MCP. Obalují externí API a zdroje dat do standardizovaného rozhraní. Příklady zahrnují GitHub MCP server (pro správu PR a issue) a Postgres MCP server (pro dotazy do databáze).

Jak vytvořit MCP server?

Použijte Python s FastMCP (pip install fastmcp) nebo TypeScript s oficiálním SDK (npm install @modelcontextprotocol/sdk). Definujte své nástroje jako dekorované funkce (Python) nebo registrované handlery (TypeScript) a spusťte server. Úplný funkční kód najdete v sekci tutoriálu výše, nebo se podívejte na náš podrobný průvodce budováním MCP serveru od nuly.

Je MCP bezpečné?

Samotný protokol podporuje OAuth 2.1 pro autentizaci a oprávnění s omezeným rozsahem. Výzkum Astrix Security však zjistil, že 88 % existujících implementací MCP serverů se spoléhá na statická tajemství spíše než na OAuth. Protokol je bezpečný by design, ale většina reálných nasazení zatím nedohnala.

Které LLM podporují MCP?

Claude má nativní podporu MCP od svého vzniku v listopadu 2024. ChatGPT přidal podporu v březnu 2025 a Gemini následoval v dubnu 2025. Open-source modely mohou používat MCP prostřednictvím adaptérů v LangChain a LlamaIndex.

Jaký je rozdíl mezi MCP a REST API?

REST API jsou navržena pro obecnou komunikaci mezi službami. MCP je navrženo speciálně pro interakci s modely AI, zahrnuje objevování nástrojů, vyjednávání schémat, přístup ke zdrojům a šablony promptů, které REST nemá. Nenahrazovali byste svá REST API pomocí MCP; slouží různým vrstvám.

Kdo nyní spravuje MCP?

Agentic AI Foundation (AAIF) Linux Foundation, založená v prosinci 2025, spravuje MCP. Byla spoluzaložena společnostmi Anthropic, Block a OpenAI. Tato vendor-neutrální správa je klíčovým důvodem, proč podniky přijímají MCP.

Co je Streamable HTTP v MCP?

Streamable HTTP je produkční transportní mechanismus přidaný v aktualizaci specifikace MCP 2025. Nahrazuje starší transport HTTP+SSE čistším designem: klienti posílají HTTP POST požadavky a servery mohou odpovídat synchronně nebo prostřednictvím SSE streamování. Funguje za load balancery a podporuje standardní HTTP autentizaci.

Kolik existuje MCP serverů?

Linux Foundation citovala více než 10 000 aktivních serverů a 97 milionů měsíčních stažení SDK, když bylo MCP darováno AAIF v prosinci 2025. Ekosystém zahrnuje databáze, kódové nástroje, integrace SaaS, vyhledávače a poskytovatele cloudové infrastruktury.

Závěr

MCP se za něco málo přes rok změnil z open-source experimentu Anthropic na industriální standardní protokol pro připojování modelů AI k nástrojům. Zde je to, na čem záleží:

• MCP řeší problém M x N, jeden server funguje s každým kompatibilním modelem, jeden klient funguje s každým serverem
• Funkční MCP server můžete vytvořit za méně než 50 řádků v Pythonu (FastMCP) nebo TypeScriptu
• Používejte stdio pro vývoj, Streamable HTTP pro produkci, volba transportu je přímočará
• Zabezpečte své servery pomocí OAuth 2.1 – 88 % současných implementací to nedělá a je to skutečné riziko
• Ekosystém je připraven pro produkci – 10 000+ serverů, všechny hlavní LLM, vendor-neutrální správa pod Linux Foundation

Do budoucna se roadmapa 2026 zaměřuje na komunikaci agent-agent prostřednictvím nového primitiva Tasks, vylepšené enterprise zabezpečení a MCP Apps pro interaktivní UI řízené serverem. MCP již není jen protokol pro přístup k nástrojům, stává se infrastrukturální vrstvou pro agentní AI.

Začněte s kódem z tutoriálu výše, otestujte jej v MCP Inspector a připojte jej k Claude Desktop. Za méně než hodinu budete mít funkční integraci MCP.

Zdroje

• Specifikace MCP (2025-11-25)
• Specifikace autorizace MCP
• Specifikace transportů MCP
• Dokumentace MCP Inspector
• Představení Model Context Protocol, Anthropic
• Darování MCP Linux Foundation, Anthropic
• Oznámení Linux Foundation AAIF
• Podpora Google Cloud MCP
• FastMCP Python SDK
• MCP TypeScript SDK
• Astrix Security: Stav zabezpečení MCP serverů 2025
• Roadmapa MCP 2026