Искусственный интеллект Бизнес-модели * IT-инфраструктура * Будущее здесь Мнение Революция произошла еще в прошлом году, но ее мало кто заметил. В среде бизнеса так уж точно. И зря! Я считаю, что именно стандарту Model Context Protocol от Anthropic суждено сформировать ландшафт внедрений искусственного интеллекта в бизнес в ближайшие несколько лет. Сейчас расскажу, почему. Всем привет! На связи Влад Кармаков, CEO Siberian.pro, компании по разработке цифровых решений для бизнеса. Не так давно я уже рассказывал о внедрении AI технологий в бизнес . Тогда я коротко касался выгод использования технологии MCP в разрезе решения тех или иных бизнес-задач, но, считаю, что на этой теме не грех остановиться подробнее. Уж больно широкие открываются возможности! Но сначала короткий ликбез. Что такое MCP Внедрение LLM-решений в бизнес активно набирает обороты. Интерес к теме растет: за прошедший год число запросов на внедрение ИИ в бизнес выросло в 5 раз . Кто-то только изучает возможности, кто-то уже вовсю извлекает выгоду. Однако у языковых моделей существует проблема контекста. Искусственный интеллект ничего не знает о вашем бизнесе, не имеет доступа к метрикам и бизнес-данным и не может их извлечь самостоятельно. MCP или Model Context Protocol — это открытый стандарт, как раз и предназначенный для того, чтобы позволить ИИ подключиться напрямую к внешним источникам данных и тем самым интегрироваться в бизнес-процессы. AI без MCP — это такой больцмановский мозг, существующий в себе и для себя. А вот с MCP у него отрастают глаза, уши и где-то даже руки для полноценной связи с реальностью. И с вашим бизнесом, как следствие. К следствиям скоро перейдем, но сначала давайте вкратце расскажу, как устроено взаимодействие LLM с внешними или локальными источниками данных. Как работает MCP На самом деле подключить LLM к тем или иным источникам данных можно и без MCP. Но в каждом конкретном случае придется изобретать велосипед. Сила Model Context Protocol — в стандартизации протоколов обмена между моделью и внешними источниками. Ключевыми компонентами архитектуры MCP являются хост, клиент и сервер. Хост (Host) — это приложение, которое выполняет работу в рамках какого-то бизнес-процесса. Это может быть AI-ассистент, обрабатывающий заказы; ИИ-система контроля качества на основе фотографий изделий; корпоративный чат-бот, упрощающий работу с клиентскими заявками и т.д. Клиент (MCP Client) — создается хостом и обслуживает выделенное подключение к одному или нескольким серверам. Задача клиента — перевести запрос хоста на «язык», понимаемый конкретным сервером. А потом перевести его ответ обратно. Сервер (MCP Server) — это фактическая «рабочая лошадка», приложение, имеющее доступ к конкретным данным и методам, которые требуются для выполнения запроса от хоста. Классическая иллюстрация архитектуры MCP Хост-Клиент-Сервер. Отсюда . Что это дает в итоге? Один и тот же хост успешно взаимодействует с самыми разными инструментами обработки данных, не вникая в то, как именно эти инструменты взаимодействуют, как именно сервер получает свои данные и что он с ними делает, прежде чем отдать готовый результат хосту. Протокол взаимодействия всегда единообразный — а это и была основная цель разработки MCP, — следовательно, его легко приспособить практически к любому процессу. Скажу больше: в архитектуре MCP предусмотрено динамическое обнаружение новых MCP-серверов, поэтому ИИ-агенты смогут начать использовать возможности новых MCP-серверов сразу после их появления и без каких бы то ни было изменений в самих агентах. Упрощенно, схема работы выглядит так: Хост через клиента подключается к серверу, запрашивая у того список его возможностей, доступных ресурсов, промтов, инструментарий и т.д. Как правило транспортом служит JSON-RPC. Хост на основе исходной команды пользователя или по инициативе LLM выбирает нужное действие. Этот запрос идет MCP-клиенту. Клиент выбирает, какой именно инструмент из доступных на MCP-сервере он будет использовать, и отправляет соответствующий JSON-запрос серверу. Если подключено несколько MCP-серверов, то сначала выбирается подходящий, в зависимости от той функциональности, которая соответствует запросу хоста. Далее, клиент отправляет серверу конкретные запросы с выбранным методом и параметрами. Сервер обрабатывает запрос и возвращает результат или ошибку. Например. Пусть в компании имеется некий ИИ-ассистент оператора, помогающий обрабатывать клиентские обращения в чате поддержки. Такие решения много где востребованы: банкинг, страхование, маркетплейсы и т.д. MCP-компонентами такого решения будут: Приложение для оператора с интегрированной LLM Client MCP-клиент с настроенной интеграцией в CRM компании Server База данных клиентов (имеется в виду, customers) плюс алгоритмы скоринга, аналитики и интеграции с внешними ресурсами, например, бюро кредитных историй Тогда взаимодействие в рамках MCP-архитектуры выглядит так: Оператор через ИИ-ассистента вводит промт: «Проверь статус заявления №31337»; MCP-клиент формирует запрос к MCP-серверу: get_resource(claim_status, id=31337); Сервер обращается к БД, выполняя соответствующий запрос, формирует ответ и отдает его MCP-клиенту; MCP-клиент формирует промт для ИИ-асистента и включает туда статус заявления, полученный от сервера; Оператор видит статус заявления «Ожидает подтверждения» и уже сформированный шаблон ответа, который можно просто переслать в чат клиенту. Приведу еще один пример, на этот раз не гипотетический, а реально существующий: ImageSorcery MCP Server , разработанный моим коллегой . Простое и элегантное решение наделяет ИИ-агента способностью редактировать изображения: кроп, масштабирование, поиск объектов и т.д. Человек вводит промт: «Найди всех собак на этом изображении с threshold не менее 0.4»; MCP-клиент формирует запрос к MCP-серверу, используя метод find; Сервер использует CV-модель Ultralytics YOLO, чтобы найти собак и выделить их на изображении; MCP-клиент получает ответ и возвращает хосту готовое изображение. Найди кота и обрежь изображение так, чтобы кот был в центре. Важный плюс работы через MCP в том, что явным образом указывать все промежуточные операции не нужно, LLM сама разобьет задачу на необходимые последовательные вызовы MCP-функций. Например, на промт «удали фон» модель сначала использует метод detect для определения контуров объекта, а затем — fill, чтобы заполнить прозрачным цветом. И это очень круто именно для бизнес применений. Я сходу могу назвать десяток направлений, где MCP-сервер, аналогичный ImageSorcery, будет полезен: автоматическая унификация изображений товаров в каталоге для маркетплейсов и e-commerce; ИИ-модерация контента; извлечение данных из фотографий, например, номерных знаков или маркировок жд-вагонов; поиск определенных паттернов на изображении для автоматического контроля качества по фото, и многое другое. А ведь это всего один MCP-сервер! Об особенностях технической реализации архитектуры MCP на Хабре есть много материалов. Поэтому давайте углубимся именно в ценность MCP для бизнеса. Зачем бизнесу MCP-серверы? Здесь и далее я рассуждаю не в контексте «бизнеса вообще», а в контексте бизнеса, который серьезно настроился на внедрение ИИ в свои процессы. Рассматривать MCP в отрыве от внедрения ИИ-решений, конечно, нет никакого смысла. А внедрение LLM в бизнес тормозится тем простым фактом, что кроме работы с текстом языковая модель ничего толком не умеет. Потому что ИИ оторван от данных и метрик бизнеса! Не говоря уже о том, чтобы повлиять на них. Как отдать ИИшке данные из CRM, ERP, бухгалтерии или с внешних устройств? Либо вручную, либо через не самые прямые интеграции и управление контекстом. И то, и другое — костыли. MCP решает эту проблему, вводя дополнительный уровень абстракции и единообразный формат взаимодействия с любыми внешними источниками данных и актуаторами. Тем самым, ИИ-агент получает возможность работать с базами данных, редактировать изображения, находить паттерны в данных, получать произвольную информацию из локальных или внешних источников, открывать ссылки в браузере, и т.д. — все через абстракции. Основная мощь MCP заключается в том, что пользователю не нужно детально декомпозировать задачу. LLM сама разобьет ее на составные элементы и выберет из имеющегося стека функций нужные. Что это дает условному ООО «Металлочерепица»? Эффективное решение бизнес-задач с помощью ИИ. Любой ИИ-агент крайне зависим от контекста. Вот MCP и дает агенту нужный контекст, т.е. именно тот набор данных, который ему нужен в момент запроса. Ускорение внедрения ИИ в бизнес-процессы. Вместо кастомной разработки — стандартизованное взаимодействие. Proof of Concept на MCP можно запилить быстрее. А после тестов так же быстро создать уже готовое решение. Универсальность. Реализацию на MCP можно мгновенно перепрофилировать, перековав мечи на орала. Однажды внедрив MCP-сервер для, скажем, CRM-системы, компания затем сможет его использовать для множества других агентов: чат-ассистента продаж, внутреннего ИИ-чата, BI-аналитика. Масштабируемость. К хосту можно подключить любое число MCP-серверов, выполняющих самые разные функции. А значит — наделяющих ИИ-агентов все большими возможностями. Вполне можно задуматься даже о реализации целой сети корпоративных сервисов на базе разных MCP с единой точкой входа. Например, в CRM, где все сотрудники и так тусуются. Как это выглядит на практике? Рассмотрю еще несколько кейсов, где внедрение MCP позволяет бизнесу использовать возможности LLM для автоматизации разных задач. В ритейле для аналитики продаж Host Source: https://habr.com/ru/articles/957352/