Teknisk utforskning: Test av modellkontextprotokollet för AI-integrationer

Inledning

På Ketryon är vi alltid på jakt efter teknik som effektiviserar utvecklingen och levererar värde till företag. Model Context Protocol (MCP), som lanserades av Anthropic i november 2024, fångade vår uppmärksamhet för sitt löfte att standardisera hur AI-modeller ansluter till externa data och verktyg. Som utvecklare är vi glada över att utforska MCP:s potential att förbättra AI-drivna applikationer. I denna Tech Exploration testar vi MCP genom att bygga en Todo-app med stöd för naturligt språk och berättar vad vi lärt oss och hur MCP kan stärka globala och svenska företag. Låt oss dyka ner i varför MCP är en game-changer för AI-integrationer!

Vad är modellkontextprotokollet?

MCP är ett protokoll med öppen källkod som standardiserar hur AI-applikationer, som Claude eller anpassade agenter, ansluter till externa datakällor (t.ex. databaser, GitHub) och verktyg (t.ex. Slack, Notion). Tänk på det som en USB-C-port för AI: precis som USB-C förenar enhetsanslutningar ger MCP ett enda gränssnitt för AI för att komma åt olika system, vilket ersätter anpassade integrationer.

Till skillnad från traditionella API:er, där varje tjänst kräver en unik kod, använder MCP en klient-server-arkitektur:

• MCP Host: AI-appen (t.ex. Claude Desktop) initierar förfrågningar.
• MCP Client: Hanterar säkra anslutningar till servrar inom värden.
• MCP Server: Exponerar verktyg, resurser eller prompts (t.ex. en GitHub-server som hämtar issues).

MCP använder JSON-RPC 2.0 för kommunikation, vilket möjliggör dynamisk verktygsupptäckt och kontextuppdateringar i realtid. Den är utformad för flexibilitet, säkerhet och skalbarhet, vilket gör den idealisk för komplexa AI-arbetsflöden.

Varför det är relevant

MCP tar itu med en viktig AI-utmaning: isolering från realtidsdata. LLM:er förlitar sig ofta på statiska träningsdata, vilket kräver manuella inmatningar för aktuell information. MCP bryter dessa silor och gör det möjligt för AI att hämta live-data - tänk Slack-meddelanden eller GitHub PR - sömlöst.

1. For Företag: MCP effektiviserar arbetsflöden. Säljteam kan till exempel använda AI för att automatiskt logga CRM-anteckningar (t.ex. Salesforce) eller skriva utkast till e-postmeddelanden baserat på Slack-diskussioner, vilket sparar upp till 72% av administrationstiden. I Sverige, där efterlevnad av GDPR är avgörande, säkerställer MCP:s detaljerade behörigheter säker dataåtkomst.
2. For Utvecklare: MCP minskar komplexiteten i integrationen. Istället för att skriva anpassade API-omslag bygger eller använder utvecklare förbyggda MCP-servrar, som kan återanvändas mellan olika LLM:er. Det finns över 1 000 community-byggda servrar, från Google Drive till Postgres.
3. Branschtrender: MCP lanserades i november 2024 och fick en kraftig ökning av GitHub-stjärnor i början av 2025, med användare som Block och IntelliJ IDEA som integrerar det. Upwork-jobb nämner allt oftare MCP för AI-drivna IDE:er eller arbetsflöden, vilket signalerar dess uppgång.

Vår provkörning

För att utforska MCP byggde vi en TypeScript-baserad Todo-app som låter Claude Desktop hantera uppgifter med hjälp av uppmaningar på naturligt språk, till exempel ”Lägg till en uppgift för att köpa matvaror i morgon.” Vi använde Node.js och MCP TypeScript SDK för att skapa en MCP-server.

Uppsättning

Vi följde Anthropics dokument när vi konfigurerade Node.js-projektet med TypeScript:

npm init -y
npm install @mcp/core typescript ts-node @types/node
npx tsc --init

Vi skapade en Todo-appserver (todo-server.ts) för att hantera uppgifter som lagras i en minnesmatris (simulerar en databas för enkelhetens skull):

import { Server } from '@mcp/core';
import { stdioServer } from '@mcp/server';

interface Task {
  id: number;
  text: string;
  dueDate?: string;
}

const tasks: Task[] = [];
const app = new Server('todo-server');

app.callTool('add_task', async (params: { text: string; dueDate?: string }) => {
  const task: Task = { id: tasks.length + 1, text: params.text, dueDate: params.dueDate };
  tasks.push(task);
  return { success: true, task };
});

app.callTool('list_tasks', async () => {
  return { tasks };
});

async function main() {
  const streams = await stdioServer();
  await app.run(streams[0], streams[1], app.createInitializationOptions());
}

main().catch(console.error);

Vi kompilerade och körde servern:

npx tsc
node dist/todo-server.js

Anslutning till Claude

Vi konfigurerade Claude Desktops claude_desktop_config.json för att använda vår server:

{
  "mcpServers": {
    "todo": {
      "command": "node",
      "args": ["dist/todo-server.js"]
    }
  }
}

Efter att ha startat om Claude, frågade vi: ”Lägg till en uppgift att handla mat i morgon.” Claude skickade begäran via MCP, och vår server svarade och lade till uppgiften. Vi frågade sedan: ”Lista alla uppgifter” och Claude svarade:

Tasks:
1. Buy groceries (Due: Tomorrow)

Lärdomar

MCP:s verktygsupptäckt var sömlös - Claude kände igen våra verktyg add_task och list_tasks direkt. TypeScript SDK:s typsäkerhet hjälpte oss att upptäcka parameterfel tidigt, vilket förstärkte vår kärlek till typad JavaScript. Servern var lätt och snabb, och integrationen med Claude kändes intuitiv, vilket antyder MCP:s potential för AI-appar i den verkliga världen.

Referenser

1. https://modelcontextprotocol.io/introduction
2. https://www.anthropic.com/news/model-context-protocol
3. https://github.com/modelcontextprotocol/typescript-sdk