Hvad er MCP-værktøjer, og hvordan bruger AI-modeller dem?

Lær, hvad MCP-værktøjer er, hvordan AI-modeller finder og kalder dem via MCP-servere, og hvordan du bruger dem sikkert.

Diagram of how MCP works: an AI app (the MCP host) sends tool requests through an MCP client to an MCP server, which connects to tools and returns results.

MCP-værktøjer er funktioner, som en AI-model kan kalde for at udføre en opgave uden for samtalen – for eksempel at søge i dine noter eller forespørge en database. Hvert værktøj ligger på en MCP-server (Model Context Protocol) og har et navn og en kort beskrivelse, der hjælper modellen med at afgøre, hvornår det skal bruges.

Udtrykket „MCP-værktøj“ bruges også på andre måder. I daglig tale siger folk „MCP-værktøjer“, når de mener MCP-servere (de applikationer, der tilbyder værktøjer) eller de kataloger, der oplister disse servere. MCP Tools er også navnet på et kommandolinjeprogram til at liste og kalde værktøjerne på en MCP-server.

Denne guide handler om protokollens funktioner – ikke om servere, kataloger eller kommandolinjer. Den forklarer, hvad et værktøj består af, hvilke typer værktøjer servere tilbyder, og hvordan værktøjer adskiller sig fra ressourcer, prompts og funktionskald. Derefter gennemgår den de trin, en model tager for at bruge et værktøj, og slutter af med de mest almindelige problemer ved brugen af dem.

Hvad er MCP-værktøjer?

Et MCP-værktøj er en funktion, der lader AI-modeller udføre opgaver med andre softwareapplikationer. Mine AI-agenter og arbejdsprocesser bruger for eksempel MCP-værktøjer til at skrive udkast til e-mails i Gmail (create_draft), oprette Trello-kort (trelloWriteCard) og hente live-søgeresultater fra DataForSEO (serp_organic_live_advanced) – for blot at nævne nogle få.

Softwareapps tilbyder ofte flere MCP-værktøjer på deres MCP-servere. Trellos MCP-server har for eksempel i øjeblikket 14 MCP-værktøjer, som gør det muligt for AI-modeller at læse og opdatere tavler, lister, tjeklister, kort og meget mere.

Og fordi MCP standardiserer, hvordan værktøjer beskrives og tilbydes, kan enhver AI-app, der understøtter protokollen, bruge det samme MCP-værktøj.

Hvad et MCP-værktøj indeholder

Hvert MCP-værktøj indeholder tre ting:

  • Navn: En kort identifikator, som modellen bruger, når den kalder værktøjet (f.eks. get_event i Google Kalender).
  • Beskrivelse: En forklaring i almindeligt sprog af, hvad værktøjet gør, og hvornår det er nyttigt. Den store sprogmodel (LLM) læser den for at afgøre, om værktøjet passer til din forespørgsel (f.eks. „Returnerer en enkelt begivenhed i den angivne kalender.“).
  • Input: De oplysninger, værktøjet skal bruge for at køre, såsom et kundenavn og en dato til en søgning i noter. Det er skrevet i JSON, og udviklere kalder det inputskemaet, fordi det fastlægger formatet for hvert input (tekst, tal eller en liste).

Nogle værktøjer tilføjer ekstra metadata: et visningsnavn, en beskrivelse af de resultater, de returnerer (et outputskema), og annotationer om, hvordan værktøjet opfører sig.

AI-modellen ser aldrig koden bag et værktøj. Den arbejder ud fra det, værktøjet siger om sig selv, så et uklart navn eller en uklar beskrivelse får modellen til at vælge det forkerte værktøj.

Hvilke typer MCP-værktøjer findes der

MCP-værktøjer falder i fire grupper efter, hvad de gør:

  • Søge- og opslagsværktøjer: Finder eller henter information (f.eks. søger i noter, læser en fil eller forespørger en database).
  • Handlingsværktøjer: Opretter eller ændrer noget i en anden app (f.eks. tilføjer en opgave, opretter en kalenderbegivenhed, åbner en supportsag eller sender en e-mail).
  • Databehandlingsværktøjer: Transformerer eller analyserer data (f.eks. analyserer et regneark eller udfører en beregning).
  • Systemværktøjer: Interagerer med det lokale system (f.eks. kører en kommando i en terminal).

MCP-værktøjer vs. ressourcer & prompts

Ud over MCP-værktøjer kan en MCP-server tilbyde to andre typer byggesten, som protokollen kalder primitiver: ressourcer og prompts.

GitHubs officielle MCP-server tilbyder for eksempel:

  • Et værktøj ved navn issue_write, der opretter eller opdaterer issues,
  • En ressource ved navn repository_content, der giver adgang til filerne i et repository,
  • En prompt ved navn issue_to_fix_workflow, der opsætter trinnene til at rapportere et problem som et issue og få GitHubs Copilot-kodningsagent til at generere en pull request, der løser det.

Forskellen ligger i, hvad hver enkelt gør, og hvem der afgør, hvornår den skal bruges: dig, den AI-app, du arbejder i (f.eks. Perplexity), eller den AI-model, der kører i appen.

  • Et MCP-værktøj udfører handlinger eller slår ting op. AI-modellen afgør selvstændigt, hvornår et værktøj skal kaldes, og din AI-app sender kaldet videre til serveren. Din AI-model vælger værktøjerne; din AI-app bør vise dig hvert kald og lade dig afvise det.
  • En ressource er indhold, der er tilgængeligt på MCP-serveren, såsom en fil eller et sæt poster, hver med sin egen adresse (en URI). Din AI-app spørger serveren, hvilke ressourcer den har, læser den, den har brug for, via dens adresse og tilføjer indholdet til samtalen som kontekst.
  • En prompt er en færdig beskedskabelon, som serveren stiller til rådighed, nogle gange med felter, du selv udfylder. Din AI-app viser dig de tilgængelige prompts, og du vælger en, ofte som en slash-kommando.

Sådan bruger AI-modeller MCP-værktøjer

En AI-model bruger et MCP-værktøj i fem trin: opdagelse, valg af værktøj, kald, resultater og fejlhåndtering. Din AI-app formidler alt mellem modellen og serveren.

Lad os sige, at du beder din AI-app om at tjekke din Trello-liste „Denne uge“ og skrive et udkast til en e-mail med en opdatering til din redaktør. Her er, hvad der sker fra start til slut:

  1. Opdagelse: Når din AI-app opretter forbindelse til en MCP-server via MCP-klienter, beder den om serverens liste over tilgængelige værktøjer (en anmodning kaldet tools/list). LLM'en ser kun det, appen sender videre: hvert værktøjs navn, beskrivelse og input.
  2. Valg af værktøj: AI-modellen sammenligner din forespørgsel med disse beskrivelser og vælger de værktøjer, der passer. Her er det Trellos trelloReadList til at læse listen og Gmails create_draft til at skrive e-mailen. Den udfylder også inputtet, f.eks. hvilken liste der skal læses.
  3. Kald: Modellen svarer med en struktureret anmodning om at køre værktøjet (et trin, der kaldes „funktionskald“ eller „function calling“). Din AI-app sender anmodningen til den rette server (en tools/call-anmodning). Den bør også vise dig kaldet og lade dig afvise det.
  4. Resultater: Serveren kører funktionen og sender resultatet tilbage som result – i dette tilfælde kortene på din liste. Din AI-app tilføjer resultatet til samtalen, og modellen afgør, hvad der skal ske derefter: svare dig eller kalde et andet værktøj, såsom create_draft med en e-mail baseret på de kort.
  5. Fejlhåndtering: Hvis værktøjet kører, men fejler – for eksempel fordi listen ikke findes – kommer fejlen tilbage som en del af resultatet. Modellen kan læse den og prøve igen med andet input. Hvis selve anmodningen er ugyldig – for eksempel fordi den kalder et værktøj, som serveren ikke har – får appen i stedet en protokolfejl. Så er det mindre sandsynligt, at modellen kan rette op på det.

Det vigtigste er, at modellen udelukkende vælger værktøjer ud fra deres beskrivelser, og at din AI-app står for al kommunikation med serverne.

Almindelige problemer med MCP-værktøjer, og hvordan du undgår dem

Problemer med MCP-værktøjer handler om fire ting: hvor mange værktøjer der er tilsluttet, hvordan de er navngivet og beskrevet, hvor meget data de returnerer, og hvilke servere de kommer fra.

Her kan du se, hvordan hvert problem ser ud, og hvad der hjælper:

Problem

Sådan ser det ud

Hvad der hjælper

For mange tilsluttede værktøjer

Hver værktøjsdefinition ligger i modellens kontekstvindue, før du overhovedet har spurgt om noget, og valget af værktøj bliver dårligere, jo længere listen bliver.

Tilslut kun de servere, en opgave kræver, og slå ubrugte værktøjer fra, hvor din AI-app tillader det. Eksempel: GitHubs MCP-server lader dig kun aktivere de grupper af værktøjer (toolsets), du har brug for.

Uklare eller overlappende beskrivelser

Modellen kalder det forkerte værktøj – eller det rigtige med forkert input – fordi to beskrivelser lyder ens, eller fordi én siger for lidt.

Brug klare, specifikke navne og beskrivelser, gerne med et eksempel på, hvornår værktøjet skal bruges. Hvis en servers værktøjer bliver ved med at blive kaldt forkert, viser MCP Inspector, det officielle testværktøj, præcis hvad hvert værktøj siger om sig selv.

Samme værktøjsnavn på to servere

To servere tilbyder hver et værktøj ved navn search, og det er umuligt at vide, hvilket af dem et kald er tiltænkt.

Sæt serverens navn foran værktøjsnavnene. Eksempel: Trellos server (trelloSearch, trelloReadList).

For store resultater

Et værktøj returnerer mere, end opgaven kræver, f.eks. en hel e-mailtråd med formatering, og fylder modellens kontekst op.

Brug værktøjer, der tilbyder kompakte formater. Eksempel: Beskrivelsen af Gmails get_thread-værktøj anbefaler ren tekst som format „for at undgå, at konteksten bliver opbrugt“.

Upålidelige servere

En skødesløs eller ondsindet server kan bruge værktøjskald til at trække data ud af din samtale.

Tilslut kun servere fra kilder, du har tillid til, og behold godkendelser slået til for værktøjer, der ændrer ting eller sender data ud.

Hvorfor skal MCP-værktøjer have din godkendelse?

MCP-værktøjer skal have din godkendelse, fordi AI-modellen ellers kunne foretage ændringer, du ikke havde til hensigt, eller dele følsomme data med en server, du ikke har kontrol over.

En misforstået forespørgsel eller et uklart beskrevet værktøj kan udløse den forkerte handling. Hvert kald sender også nogle af dine oplysninger til en server.

Derfor forventer protokollen, at AI-apps sørger for, at et menneske er med i processen og kan afvise ethvert værktøjskald.

Her er en praktisk måde at sortere værktøjer på efter, hvor meget kontrol de kræver:

  • Handlinger, der kun læser: At slå noget op, som at læse en liste med Trellos trelloReadList, ændrer ingenting. Disse kald kan køre uden at spørge først, så længe din AI-app viser, hvilket værktøj der kørte, og hvad det slog op.
  • Handlinger, du kan fortryde: At oprette et e-mailudkast med Gmails create_draft eller tilføje et Trello-kort ændrer noget, som kan rulles tilbage. Tjek inputtet, før kaldet kører.
  • Handlinger, du ikke kan fortryde: At sende en e-mail med Gmails send_message, slette poster eller alt, der involverer betalinger eller følsomme data, kan ikke rulles tilbage. Giv udtrykkelig tilladelse til disse hver gang.

Brug af MCP-værktøjer i Perplexity

Perplexity arbejder med MCP-værktøjer i begge retninger: Perplexity kan bruge værktøjer fra MCP-servere, du tilslutter, og tilbyder sine egne værktøjer til andre AI-apps.

  • Tilslut MCP-servere til Perplexity: Med Pro-, Max- og Enterprise-abonnementer kan du forbinde Perplexity med ethvert eksternt værktøj eller enhver datakilde, der har en MCP-server, og bruge det i svar og i agentiske arbejdsprocesser i Perplexity Computer. I Mac-appen kan du også tilslutte MCP-servere, der kører på din computer
  • Brug Perplexitys værktøjer i andre AI-apps: Perplexitys MCP-server tilbyder fire værktøjer (perplexity_search, perplexity_ask, perplexity_research og perplexity_reason) til enhver AI-app, der understøtter fjernbaserede MCP-servere, såsom Claude Code. En separat server lader andre AI-apps overdrage opgaver i flere trin til Perplexity Computer.

Ofte stillede spørgsmål om MCP-værktøjer

Er MCP bare værktøjskald?

Nej, MCP er ikke bare værktøjskald. Værktøjskald er den måde, modellen beder om et værktøj på, og MCP er den måde, AI-appen finder værktøjer på og sender hvert kald videre til den server, der kører det.

Værktøjskald (også kaldet funktionskald eller function calling) er AI-modellens del af arbejdet: Modellen ser en liste over værktøjer og svarer med en anmodning om at køre et af dem. Med værktøjskald alene skal hver AI-app selv definere og køre hvert eneste værktøj.

MCP gør det muligt for værktøjer at ligge på servere, så enhver AI-app, der understøtter MCP, kan tilbyde dem til sin model og sende modellens anmodninger til den rette server.

Vil MCP erstatte API'er?

Nej, MCP vil ikke erstatte API'er, fordi MCP og API'er arbejder sammen. MCP-værktøjer ligger ofte oven på eksisterende API'er, og når modellen kalder et værktøj, sender MCP-serveren typisk en API-anmodning.

Hvilke AI-apps understøtter MCP-værktøjer?

MCP-værktøjer fungerer i AI-assistenter som Claude, ChatGPT og Perplexity og i udviklingsværktøjer som Visual Studio Code og Cursor. MCP-dokumentationen nævner disse og bemærker, at mange andre apps også understøtter dem.

Skal AI-modellen selv understøtte MCP?

Nej. AI-modellen behøver ikke at understøtte MCP, fordi din AI-app håndterer protokollen. Appen opretter forbindelse til servere, giver deres værktøjer videre til modellen og sender modellens værktøjsanmodninger tilbage til den rette server. Modellen skal kun understøtte funktionskald.

Er MCP ved at blive forældet?

Nej, MCP er stadig under aktiv udvikling. Protokollens vedligeholdere udgav en ny version af MCP-specifikationen i juli 2026 og offentliggjorde en opdateret køreplan i august 2026, som blandt andet omfatter arbejde på at lade servere afsløre deres værktøjer gradvist, efterhånden som en samtale indsnævres.