MCP Python: własny serwer Model Context Protocol krok po kroku

MCP rozwiązuje ten problem raz na zawsze. I prawie nikt o tym nie mówi.

{% youtube "NBfQKEgCqXE" %}

Czym jest MCP?

Model Context Protocol to otwarty standard stworzony przez Anthropic. Jeden protokół, który definiuje jak AI komunikuje się z zewnętrznymi narzędziami.

Pomyśl o USB. Przed USB każde urządzenie miało inny kabel. Po USB — jeden standard, wszystko działa. MCP to "USB dla AI".

Architektura:

AI (Claude/GPT/Gemini)  ←→  MCP Client  ←→  MCP Server (Twoje narzędzia)

MCP Server to program, który udostępnia AI dostęp do:

• Plików na dysku
• Baz danych (SQL, NoSQL)
• API zewnętrznych serwisów
• Narzędzi systemowych (git, docker, CLI)
• Czegokolwiek, co potrafisz zaprogramować

Dlaczego to jest przełomowe?

1. Jeden standard zamiast wielu integracji

Napisze raz MCP Server → działa z Claude, VS Code, Cursor, Claude Code i każdym klientem MCP. Nie piszesz integracji per narzędzie.

2. AI "widzi" Twoje dane w kontekście

Zamiast kopiować dane do promptu, AI wywołuje narzędzie MCP i dostaje aktualne dane z Twojego systemu. Real-time, zawsze świeże.

3. Bezpieczeństwo

MCP Server działa lokalnie — dane nie wychodzą z Twojego komputera/serwera. AI dostaje tylko to, co MCP Server mu udostępni.

Budujemy MCP Server w Pythonie

Zbudujmy prosty MCP Server, który daje AI dostęp do bazy danych SQLite.

Instalacja

Bash
Kopiuj
1
pip install mcp

Kod serwera

Python
Kopiuj
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
import sqlite3
from mcp.server import Server
from mcp.types import Tool, TextContent

app = Server("my-database")
DB_PATH = "company.db"

@app.tool()
async def query_database(sql: str) -> str:
    """Wykonaj zapytanie SQL na bazie danych firmy.
    Używaj SELECT do odczytu danych. Dostępne tabele:
    - clients (id, name, email, plan, created_at)
    - orders (id, client_id, amount, status, date)
    """
    conn = sqlite3.connect(DB_PATH)
    cursor = conn.cursor()
    try:
        cursor.execute(sql)
        rows = cursor.fetchall()
        columns = [desc[0] for desc in cursor.description] if cursor.description else []
        result = [{col: val for col, val in zip(columns, row)} for row in rows]
        return str(result[:50])  # limit wyników
    except Exception as e:
        return f"Błąd SQL: {e}"
    finally:
        conn.close()

@app.tool()
async def get_client_summary(client_id: int) -> str:
    """Pobierz podsumowanie klienta — dane kontaktowe i historię zamówień."""
    conn = sqlite3.connect(DB_PATH)
    cursor = conn.cursor()
    cursor.execute("SELECT * FROM clients WHERE id = ?", (client_id,))
    client = cursor.fetchone()
    if not client:
        return "Klient nie znaleziony"
    cursor.execute(
        "SELECT COUNT(*), SUM(amount) FROM orders WHERE client_id = ?",
        (client_id,)
    )
    stats = cursor.fetchone()
    conn.close()
    return f"Klient: {client[1]} ({client[2]})\nPlan: {client[3]}\nZamówienia: {stats[0]}, łączna kwota: {stats[1]} zł"

if __name__ == "__main__":
    import asyncio
    from mcp.server.stdio import stdio_server
    asyncio.run(stdio_server(app))

I to tyle. Masz MCP Server, który daje AI dostęp do Twojej bazy.

Podłączenie do Claude Desktop

W pliku konfiguracji Claude Desktop (claude_desktop_config.json):

JSON
Kopiuj
1
2
3
4
5
6
7
8
{
  "mcpServers": {
    "my-database": {
      "command": "python",
      "args": ["server.py"]
    }
  }
}

Od teraz Claude "widzi" Twoją bazę danych. Możesz zapytać: "Który klient złożył najwięcej zamówień w marcu?" i Claude sam napisze SQL, odpyta bazę i da Ci odpowiedź.

Praktyczne przykłady MCP Serverów

Dostęp do plików projektu

MCP Server, który daje AI dostęp do plików w katalogu projektu — czytanie, wyszukiwanie, analiza kodu.

Integracja z CRM

Server podłączony do API HubSpot/Pipedrive — AI pyta o dane klientów, pipeline sprzedażowy, prognozę.

Monitoring serwerów

Server z dostępem do metryk (Grafana, Prometheus) — pytasz AI "jak wygląda CPU na produkcji" i dostajesz odpowiedź w kontekście.

Baza wiedzy firmy

Server z dostępem do Confluence/Notion — AI odpowiada na pytania na podstawie dokumentacji wewnętrznej. RAG bez budowania RAG.

MCP vs Function Calling — co lepsze?

Function calling nie zniknie — ale MCP jest warstwą wyżej. Budujesz MCP Server raz, a function calling staje się detalem implementacji.

Gotowe MCP Servery — nie musisz pisać wszystkiego

Społeczność już zbudowała setki MCP Serverów:

• filesystem — dostęp do plików
• github — repozytoria, issues, PR-y
• slack — wiadomości, kanały
• postgres — bazy danych
• google-drive — dokumenty
• brave-search — wyszukiwanie w internecie

Większość instalujesz jedną komendą i konfigurujesz w JSON.

Podsumowanie

• MCP to otwarty standard komunikacji AI ↔ narzędzia ("USB dla AI")
• Budujesz MCP Server raz → działa z Claude, VS Code, Cursor i innymi
• Prosty server w Pythonie to ~30 linii kodu
• Dane zostają lokalnie — AI dostaje tylko to, co mu udostępnisz
• Gotowe serwery: filesystem, github, slack, postgres, google-drive i setki innych

MCP zmienia sposób w jaki myślimy o integracji AI z naszymi narzędziami. Zamiast "wklej dane do promptu" mamy "AI, użyj tego narzędzia". I to jest ogromna różnica.

Więcej o budowaniu integracji AI? Sprawdź mój kurs n8n gdzie łączymy automatyzację z AI.