Bygg en MCP-server som faktiskt används
MCP är ett gränssnitt, inte en produkt. Här är delarna jag brukar bygga, och fallgroparna som avgör om servern blir använd eller bara ligger kvar i en mapp.
Vad MCP löser
Model Context Protocol är ett sätt att beskriva verktyg och data för en AI-klient. Servern säger vilka verktyg som finns, vilka indata de tar och vad de svarar. Klienten, till exempel Claude Desktop, en IDE eller en egen agent, väljer sedan när verktyget ska användas.
Det låter som ett API, och det är det: ett API med en gemensam beskrivning som AI-klienten förstår. Värdet kommer inte från protokollet i sig. Det kommer från att samma verktyg kan användas från flera klienter utan att någon skriver en ny integration varje gång.
När det är värt att bygga
Bygg en MCP-server när en förmåga ska återanvändas. Det kan vara att läsa ordrar, söka i interna dokument, slå upp en kund eller skapa ett ärende. Om bara en enda app ska anropa en enda endpoint är en vanlig funktion enklare.
Det passar också när behörigheter och spårbarhet måste ligga på ett ställe. Då kan servern avgöra vad användaren får göra, oavsett vilken AI-klient som frågar.
- Samma verktyg behövs i flera AI-klienter eller team.
- Data ligger i interna system som saknar ett bra AI-gränssnitt.
- Du vill styra behörigheter, loggning och godkännanden centralt.
- Du vill kunna byta modell eller klient utan att bygga om integrationen.
En server med tre delar
Jag börjar alltid med en liten yta: ett läsverktyg, en tydlig beskrivning och ett felmeddelande som går att förstå. Skrivverktyg kommer först när läsflödet fungerar och någon faktiskt använder det.
Här är en minimal server i TypeScript. Den exponerar ett verktyg för att läsa en order. SDK-versionen kan skilja sig, så kontrollera alltid mot dokumentationen för den version du installerar.
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: 'orders',
version: '1.0.0',
});
server.registerTool(
'get_order',
{
description: 'Read one order by id. Returns status, customer and lines.',
inputSchema: {
orderId: z.string().describe('Order id, for example ORD-1042'),
},
},
async ({ orderId }) => {
const order = await orders.find(orderId);
if (!order) {
return {
isError: true,
content: [{ type: 'text', text: 'No order with id ' + orderId }],
};
}
return {
content: [{ type: 'text', text: JSON.stringify(order) }],
};
},
);
await server.connect(new StdioServerTransport());Beskriv verktyget för modellen
Modellen ser inte din databas. Den ser namn, beskrivning och schema. Ett verktyg som heter `get_data` och tar en fri sträng är nästan omöjligt att använda rätt. Ett verktyg som heter `get_order` och tar `orderId` med ett exempel är lättare.
Skriv beskrivningen som en instruktion till en ny kollega: vad verktyget gör, när det ska användas och vad det inte gör. Returnera hellre ett tydligt fel än en tom sträng. Då kan modellen backa och fråga användaren i stället för att hitta på.
Behörighet, godkännande och logg
En MCP-server är en ny väg in i systemen. Behandla den som vilken integration som helst. Autentisera anropet, kontrollera behörigheten på servern och logga vem som gjorde vad. Lita aldrig på att klienten skickar rätt användar-id.
För skrivande verktyg brukar jag kräva ett explicit godkännande innan något skickas, bokas eller betalas. Det kan vara en bekräftelse i klienten eller ett separat steg i servern. Ett verktyg som skickar ett mejl är inte ett läsverktyg med ett annat namn.
- Läsverktyg får vara friare än skrivverktyg.
- Skrivverktyg ska vara idempotenta eller kräva en unik nyckel.
- Logga verktygets namn, parametrar utan känsliga värden och resultatets status.
- Sätt gränser för storlek, tidsgräns och antal anrop.
Testa och driftsätt
Testa servern med riktiga frågor, inte bara med ett anrop som ger 200. Be en klient lösa samma uppgift som en användare skulle göra. Fråga sedan vad som hände när verktyget saknade data eller svarade långsamt.
För lokal utveckling är stdio enklast. För en server som flera ska nå använder jag HTTP med autentisering och en tydlig gräns för vilka verktyg som är publika. Logga versionen av servern tillsammans med varje anrop, så går det att förstå vad som förändrades.
- Kör servern lokalt och anslut en klient.
- Testa ett lyckat anrop, ett tomt svar och ett fel.
- Testa med en användare som inte har behörighet.
- Sätt upp loggning och en enkel larmgräns innan fler börjar använda servern.
Vad jag skulle bygga först
Börja med det tråkigaste verktyget som sparar mest tid: läs en order, slå upp en artikel eller hämta en kunds senaste ärende. Mät hur ofta det används och var det går fel. Bygg ut när någon saknar en förmåga, inte för att protokollet gör det möjligt.
En liten MCP-server som löser ett verkligt problem är mer värd än tio verktyg som bara finns för att demonstrationen ska se stor ut.
Tjänster som hör hit
Läs vidare
Frågor och svar
Måste jag bygga en MCP-server för att använda AI i mitt system?
Nej. Om bara en app ska anropa en endpoint räcker en vanlig funktion. MCP är värt det när samma förmåga ska användas från flera AI-klienter eller när behörigheter och loggning behöver samlas på ett ställe.
Ska servern köra lokalt eller i molnet?
Börja lokalt med stdio om du utvecklar själv. Om flera personer eller klienter ska nå servern behöver du en driftmiljö med autentisering, loggning och en tydlig gräns för vilka verktyg som får anropas.
Hur hindrar jag att AI:n gör fel saker?
Begränsa verktygen, kontrollera behörigheter på servern och kräv godkännande för skrivande steg. Logga anropen och testa både lyckade och misslyckade flöden innan servern får fler användare.