MCP (Model Context Protocol): Ο Πλήρης Οδηγός για Προγραμματιστές

Το Model Context Protocol (MCP) είναι ένα ανοιχτό πρότυπο που δημιουργήθηκε από την Anthropic και ορίζει πώς τα μοντέλα AI επικοινωνούν με εξωτερικά εργαλεία, πηγές δεδομένων και υπηρεσίες. Σκεφτείτε το ως το "USB-C της AI" - ένα καθολικό βύσμα που επιτρέπει σε οποιονδήποτε AI agent να μιλήσει με οποιοδήποτε εργαλείο μέσω μιας τυποποιημένης διεπαφής.

Από την κυκλοφορία του, το MCP έχει ξεπεράσει τα 97 εκατομμύρια μηνιαίες λήψεις SDK και έχει υιοθετηθεί από κάθε μεγάλο πάροχο AI: Anthropic, OpenAI, Google, Microsoft και Amazon. Σε αυτόν τον οδηγό, θα εξερευνήσουμε όλα όσα χρειάζεται να γνωρίζετε για να χτίσετε με MCP.

Γιατί Υπάρχει το MCP

Πριν το MCP, κάθε εφαρμογή AI έπρεπε να χτίσει προσαρμοσμένες ενσωματώσεις για κάθε εργαλείο που ήθελε να χρησιμοποιήσει. Θέλετε η AI σας να διαβάζει αρχεία; Γράψτε προσαρμοσμένο κώδικα. Ερώτημα σε βάση δεδομένων; Περισσότερος προσαρμοσμένος κώδικας. Δημοσίευση στο Slack; Ακόμα μία ενσωμάτωση.

Αυτό δημιούργησε ένα πρόβλημα N×M: N εφαρμογές AI που η κάθε μία χρειαζόταν M προσαρμοσμένες ενσωματώσεις, οδηγώντας σε διπλή προσπάθεια και κατακερματισμένα οικοσυστήματα.

Το MCP λύνει αυτό με ένα μόνο πρωτόκολλο που οποιοσδήποτε AI client μπορεί να χρησιμοποιήσει για να επικοινωνήσει με οποιονδήποτε MCP server:

Βασικές Έννοιες

Το MCP έχει τρία θεμελιώδη primitives:

1. Εργαλεία (Tools)

Τα εργαλεία είναι συναρτήσεις που η AI μπορεί να καλέσει. Αντιπροσωπεύουν ενέργειες όπως "δημιούργησε ένα αρχείο", "ρώτησε μια βάση δεδομένων" ή "στείλε ένα μήνυμα". Κάθε εργαλείο έχει όνομα, περιγραφή και JSON Schema για τις παραμέτρους του.

{
  name: "create_issue",
  description: "Create a new GitHub issue",
  inputSchema: {
    type: "object",
    properties: {
      title: { type: "string", description: "Issue title" },
      body: { type: "string", description: "Issue body" },
      repo: { type: "string", description: "Repository name" }
    },
    required: ["title", "repo"]
  }
}

2. Πόροι (Resources)

Οι πόροι είναι δεδομένα που η AI μπορεί να διαβάσει. Αντιπροσωπεύουν αρχεία, εγγραφές βάσεων δεδομένων, απαντήσεις API ή οποιαδήποτε άλλη πηγή δεδομένων. Οι πόροι αναγνωρίζονται μέσω URIs.

{
  uri: "file:///Users/dev/project/README.md",
  name: "Project README",
  mimeType: "text/markdown"
}

3. Prompts

Τα prompts είναι επαναχρησιμοποιήσιμα πρότυπα που βοηθούν στη δόμηση αλληλεπιδράσεων. Μπορούν να περιλαμβάνουν δυναμικές παραμέτρους και είναι χρήσιμα για την τυποποίηση κοινών ροών εργασίας.

{
  name: "code_review",
  description: "Review code changes for quality and security",
  arguments: [
    { name: "diff", description: "The code diff to review", required: true }
  ]
}

Αρχιτεκτονική

Το MCP ακολουθεί αρχιτεκτονική client-server:

• Host: Η εφαρμογή AI (Claude Desktop, Cursor, η δική σας εφαρμογή)
• Client: Διατηρεί σύνδεση 1:1 με έναν MCP server
• Server: Εκθέτει εργαλεία, πόρους και prompts στον client
• Transport: Η επικοινωνία γίνεται μέσω JSON-RPC 2.0 πάνω από stdio (τοπικά) ή Server-Sent Events (απομακρυσμένα)

Δημιουργία MCP Server

Ας χτίσουμε έναν πρακτικό MCP server που αλληλεπιδρά με μια λίστα εργασιών αποθηκευμένη σε αρχείο JSON.

Εγκατάσταση

mkdir mcp-todo-server && cd mcp-todo-server
npm init -y
npm install @modelcontextprotocol/sdk zod

Υλοποίηση Server

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

const TODO_FILE = "./todos.json";

function readTodos(): { id: number; text: string; done: boolean }[] {
  if (!fs.existsSync(TODO_FILE)) return [];
  return JSON.parse(fs.readFileSync(TODO_FILE, "utf-8"));
}

function writeTodos(todos: { id: number; text: string; done: boolean }[]) {
  fs.writeFileSync(TODO_FILE, JSON.stringify(todos, null, 2));
}

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

// Tool: Add a todo
server.tool(
  "add_todo",
  "Add a new todo item",
  { text: z.string().describe("The todo text") },
  async ({ text }) => {
    const todos = readTodos();
    const newTodo = { id: Date.now(), text, done: false };
    todos.push(newTodo);
    writeTodos(todos);
    return { content: [{ type: "text", text: `Added: "${text}"` }] };
  }
);

// Tool: List todos
server.tool(
  "list_todos",
  "List all todo items",
  {},
  async () => {
    const todos = readTodos();
    const list = todos
      .map((t) => `${t.done ? "✅" : "⬜"} [${t.id}] ${t.text}`)
      .join("\n");
    return { content: [{ type: "text", text: list || "No todos yet." }] };
  }
);

// Tool: Complete a todo
server.tool(
  "complete_todo",
  "Mark a todo as completed",
  { id: z.number().describe("The todo ID to complete") },
  async ({ id }) => {
    const todos = readTodos();
    const todo = todos.find((t) => t.id === id);
    if (!todo) return { content: [{ type: "text", text: "Todo not found." }] };
    todo.done = true;
    writeTodos(todos);
    return { content: [{ type: "text", text: `Completed: "${todo.text}"` }] };
  }
);

// Resource: Current todos as a readable resource
server.resource(
  "todos://list",
  "Current todo list",
  async () => ({
    contents: [{
      uri: "todos://list",
      mimeType: "application/json",
      text: JSON.stringify(readTodos(), null, 2),
    }],
  })
);

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

Ρύθμιση

Για να χρησιμοποιήσετε αυτόν τον server με το Claude Desktop, προσθέστε τον στη ρύθμιση:

{
  "mcpServers": {
    "todo": {
      "command": "npx",
      "args": ["tsx", "/path/to/mcp-todo-server/src/index.ts"]
    }
  }
}

Δημιουργία MCP Client

Μπορείτε επίσης να χτίσετε έναν προσαρμοσμένο client που συνδέεται με οποιονδήποτε MCP server:

import { Client } from "@modelcontextprotocol/sdk/client/index.js";
import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";

const transport = new StdioClientTransport({
  command: "npx",
  args: ["tsx", "./src/index.ts"],
});

const client = new Client({ name: "my-client", version: "1.0.0" });
await client.connect(transport);

// List available tools
const { tools } = await client.listTools();
console.log("Available tools:", tools.map((t) => t.name));

// Call a tool
const result = await client.callTool({
  name: "add_todo",
  arguments: { text: "Write MCP blog post" },
});
console.log(result);

Δημοφιλείς MCP Servers

Το οικοσύστημα MCP έχει αναπτυχθεί ραγδαία. Εδώ είναι μερικοί από τους πιο δημοφιλείς servers:

MCP εναντίον A2A (Agent-to-Agent)

Ενώ το MCP χειρίζεται την επικοινωνία agent-εργαλείο, το πρωτόκολλο A2A (Agent-to-Agent) της Google χειρίζεται την επικοινωνία agent-agent. Είναι συμπληρωματικά:

• MCP: Πώς ένας AI agent χρησιμοποιεί εργαλεία (κάθετη ενσωμάτωση)
• A2A: Πώς οι AI agents συνεργάζονται μεταξύ τους (οριζόντια ενσωμάτωση)

Βέλτιστες Πρακτικές

1. Κρατήστε τους servers εστιασμένους: Ένας server ανά τομέα (server GitHub, server Slack, κλπ.). Μη χτίζετε μονολιθικούς servers.
2. Επικυρώστε εισόδους με Zod: Πάντα επικυρώνετε τις εισόδους εργαλείων με σωστά schemas.
3. Χειριστείτε τα σφάλματα κομψά: Επιστρέψτε ουσιαστικά μηνύματα σφάλματος, όχι stack traces.
4. Χρησιμοποιήστε πόρους για δεδομένα μόνο ανάγνωσης: Αν η AI χρειάζεται μόνο να διαβάσει δεδομένα, εκθέστε τα ως πόρο αντί για εργαλείο.
5. Προσθέστε κατάλληλες περιγραφές: Καλές περιγραφές εργαλείων και παραμέτρων βοηθούν την AI να κατανοήσει πότε και πώς να χρησιμοποιήσει κάθε εργαλείο.
6. Δοκιμάστε με το MCP Inspector: Χρησιμοποιήστε npx @modelcontextprotocol/inspector για να δοκιμάσετε τον server σας διαδραστικά.

Ξεκινώντας

# Create a new MCP server from template
npx @modelcontextprotocol/create-server my-server

# Test with the MCP Inspector
npx @modelcontextprotocol/inspector npx tsx ./src/index.ts

Συμπέρασμα

Το MCP έχει γίνει το de facto πρότυπο για τη χρήση εργαλείων AI το 2026. Είτε χτίζετε προσαρμοσμένους AI agents, επεκτείνετε το Claude Code ή δημιουργείτε ενσωματώσεις για υπάρχουσες πλατφόρμες, η κατανόηση του MCP είναι απαραίτητη. Το πρωτόκολλο είναι αρκετά απλό για να μαθευτεί σε ένα απόγευμα αλλά αρκετά ισχυρό για να χτίσει ροές εργασίας AI επιπέδου παραγωγής.

Επόμενα βήματα:

• Εξερευνήστε την Προδιαγραφή MCP
• Περιηγηθείτε στους υπάρχοντες MCP servers για έμπνευση
• Χτίστε τον πρώτο σας server με το TypeScript ή Python SDK
• Δοκιμάστε τον με το Claude Desktop ή το MCP Inspector