Mis on MCP-tööriistad ja kuidas AI-mudelid neid kasutavad?

Siit saate teada, mis on MCP-tööriistad, kuidas AI-mudelid neid MCP-serverite kaudu leiavad ja välja kutsuvad ning kuidas neid turvaliselt kasutada.

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-tööriistad on funktsioonid, mida AI-mudel saab välja kutsuda, et täita mõnd ülesannet väljaspool vestlust. Näiteks saab nendega otsida teie märkmetest või teha andmebaasipäringu. Iga tööriist asub MCP-serveris (MCP ehk Model Context Protocol) ning sellel on nimi ja lühikirjeldus, mis aitavad mudelil otsustada, millal seda kasutada.

Mõistet „MCP-tööriist“ kasutatakse ka muus tähenduses. Igapäevakeeles öeldakse „MCP-tööriistad“, kui peetakse silmas MCP-servereid (rakendusi, mis tööriistu pakuvad) või katalooge, mis neid servereid loetlevad. MCP Tools on ka käsureaprogrammi nimi, millega saab MCP-serveri tööriistu loetleda ja välja kutsuda.

See juhend käsitleb protokolli funktsioone, mitte servereid, katalooge ega käsuridu. Selles selgitatakse, millest tööriist koosneb, milliseid tööriistu serverid pakuvad ning mille poolest tööriistad erinevad ressurssidest, viipadest ja funktsioonikutsumisest. Seejärel vaadatakse läbi sammud, mida mudel tööriista kasutamiseks teeb, ning lõpetuseks käsitletakse levinumaid probleeme, mis tööriistade kasutamisel tekivad.

Mis on MCP-tööriistad?

MCP-tööriist on funktsioon, mis võimaldab AI-mudelitel täita ülesandeid teiste tarkvararakenduste abil. Näiteks kasutavad minu AI-agendid ja töövood MCP-tööriistu, et koostada Gmailis meilimustandeid (create_draft), luua Trello kaarte (trelloWriteCard) ja tuua DataForSEO-st reaalajas otsingutulemusi (serp_organic_live_advanced), kui nimetada vaid mõnda.

Tarkvararakendused pakuvad oma MCP-serverites sageli mitut MCP-tööriista. Näiteks on Trello MCP-serveris praegu 14 MCP-tööriista, mis võimaldavad AI-mudelitel lugeda ja uuendada tahvleid, loendeid, kontroll-loendeid, kaarte ja muud.

Ja kuna MCP standardiseerib tööriistade kirjeldamise ja pakkumise viisi, saab sama MCP-tööriista kasutada iga AI-rakendus, mis protokolli toetab.

Millest MCP-tööriist koosneb

Igal MCP-tööriistal on kolm osa:

  • Nimi: lühike identifikaator, mida mudel tööriista väljakutsumisel kasutab (nt Google Calendaris get_event).
  • Kirjeldus: lihtsas keeles selgitus selle kohta, mida tööriist teeb ja millal sellest kasu on. Suur keelemudel (LLM) loeb seda, et otsustada, kas tööriist teie päringule sobib (nt „Returns a single event on the given calendar.“).
  • Sisendid: teave, mida tööriist töötamiseks vajab, näiteks märkmeotsingu puhul kliendi nimi ja kuupäev. See kirjutatakse JSON-vormingus ja arendajad nimetavad seda sisendskeemiks, sest see määrab iga sisendi tüübi (tekst, number või loend).

Mõned tööriistad lisavad täiendavaid metaandmeid: kuvatava nime, tagastatavate tulemuste kirjelduse (väljundskeemi) ja annotatsioonid selle kohta, kuidas tööriist käitub.

AI-mudel ei näe kunagi tööriista taga olevat koodi. Mudel lähtub sellest, mida tööriist enda kohta ütleb, nii et ebamäärane nimi või kirjeldus paneb mudeli valima vale tööriista.

Milliseid MCP-tööriistu on olemas

MCP-tööriistad jagunevad oma otstarbe järgi nelja rühma:

  • Otsingu- ja päringutööriistad: leiavad või hangivad teavet (nt otsivad märkmetest, loevad faili või teevad andmebaasipäringu).
  • Toimingutööriistad: loovad või muudavad midagi teises rakenduses (nt lisavad ülesande, loovad kalendrisündmuse, avavad tugipileti või saadavad meili).
  • Andmetöötlustööriistad: teisendavad või analüüsivad andmeid (nt analüüsivad arvutustabelifaili või teevad arvutuse).
  • Süsteemitööriistad: suhtlevad kohaliku süsteemiga (nt käivitavad terminalis käsu).

MCP-tööriistad vs. ressursid & viibad

Lisaks MCP-tööriistadele võib MCP-server pakkuda veel kahte tüüpi ehitusplokke, mida protokoll nimetab primitiivideks: ressursse ja viipu.

Näiteks pakub GitHubi ametlik MCP-server järgmist:

  • tööriista issue_write, mis loob või uuendab probleemikirjeid (issues),
  • ressurssi repository_content, mis annab juurdepääsu repositooriumi failidele,
  • viipa issue_to_fix_workflow, mis seab paika sammud, et probleemist probleemikirjena teatada ja lasta GitHubi Copiloti kodeerimisagendil luua selle parandamiseks pull request.

Erinevus seisneb selles, mida igaüks neist teeb ja kes otsustab, millal seda kasutada: teie, AI-rakendus, milles töötate (nt Perplexity), või selles rakenduses töötav AI-mudel.

  • MCP-tööriist teeb toiminguid või otsib teavet. AI-mudel otsustab iseseisvalt, millal tööriista välja kutsuda, ja teie AI-rakendus edastab väljakutse serverile. Tööriistad valib AI-mudel; AI-rakendus peaks teile iga väljakutse näitama ja võimaldama teil selle tagasi lükata.
  • Ressurss on MCP-serveris saadaolev sisu, näiteks fail või kirjete kogum, millest igaühel on oma aadress (URI). AI-rakendus küsib serverilt, millised ressursid sellel on, loeb vajaliku ressursi selle aadressi järgi ja lisab sisu vestlusele kontekstiks.
  • Viip on serveri pakutav valmis sõnumimall, mõnikord tühjade väljadega, mille täidate ise. AI-rakendus näitab teile saadaolevaid viipu ja teie valite neist ühe, sageli kaldkriipsukäsuna.

Kuidas AI-mudelid MCP-tööriistu kasutavad

AI-mudel kasutab MCP-tööriista viies etapis: avastamine, tööriista valimine, väljakutsumine, tulemused ja vigade käsitlemine. AI-rakendus vahendab kõike mudeli ja serveri vahel.

Oletame, et palute AI-rakendusel vaadata üle teie Trello loend „See nädal“ ja koostada toimetajale meil, mis annab ülevaate hetkeseisust. Algusest lõpuni toimub järgmine:

  1. Avastamine: kui AI-rakendus loob MCP-klientide kaudu ühenduse MCP-serveriga, küsib see serverilt saadaolevate tööriistade loendit (päring nimega tools/list). LLM näeb ainult seda, mida rakendus edasi annab: iga tööriista nime, kirjeldust ja sisendeid.
  2. Tööriista valimine: AI-mudel võrdleb teie päringut nende kirjeldustega ja valib sobivad tööriistad. Selles näites on need Trello trelloReadList loendi lugemiseks ja Gmaili create_draft meili kirjutamiseks. Samuti täidab mudel sisendid, näiteks selle, millist loendit lugeda.
  3. Väljakutsumine: mudel vastab struktureeritud päringuga tööriista käivitamiseks (seda sammu nimetatakse funktsioonikutsumiseks ehk function calling). AI-rakendus saadab selle päringu õigesse serverisse (päring tools/call). Samuti peaks rakendus teile väljakutse näitama ja võimaldama teil selle tagasi lükata.
  4. Tulemused: server käivitab funktsiooni ja saadab tagasi tulemuse (result), selles näites teie loendi kaardid. AI-rakendus lisab tulemuse vestlusele ja mudel otsustab, mis edasi saab: kas vastata teile või kutsuda välja mõni teine tööriist, näiteks create_draft, et koostada nende kaartide põhjal meil.
  5. Vigade käsitlemine: kui tööriist käivitub, kuid ebaõnnestub, näiteks seetõttu, et loendit pole olemas, tuleb viga tagasi tulemuse osana. Mudel saab selle läbi lugeda ja proovida uuesti teistsuguste sisenditega. Kui päring ise on vigane, näiteks kutsub välja tööriista, mida serveril pole, saab rakendus selle asemel protokollivea. Sellisest veast suudab mudel harvemini taastuda.

Peamine on see, et mudel valib tööriistad ainuüksi nende kirjelduste põhjal ning kogu suhtluse serveritega teeb AI-rakendus.

Levinud MCP-tööriistade probleemid ja kuidas neid vältida

MCP-tööriistade probleemid taanduvad neljale asjale: kui palju tööriistu on ühendatud, kuidas need on nimetatud ja kirjeldatud, kui palju andmeid need tagastavad ja millistest serveritest need pärinevad.

Allpool on näha, kuidas iga probleem avaldub ja mis aitab:

Probleem

Kuidas see avaldub

Mis aitab

Liiga palju ühendatud tööriistu

Iga tööriista definitsioon on mudeli kontekstiaknas juba enne, kui olete midagi küsinud, ja loendi kasvades muutub tööriista valik ebatäpsemaks.

Ühendage ainult need serverid, mida ülesanne vajab, ja lülitage kasutamata tööriistad välja, kui AI-rakendus seda võimaldab. Näide: GitHubi MCP-server võimaldab lubada ainult vajalikke tööriistarühmi (toolsets).

Ebamäärased või kattuvad kirjeldused

Mudel kutsub välja vale tööriista või õige tööriista valede sisenditega, sest kaks kirjeldust kõlavad sarnaselt või üks neist ütleb liiga vähe.

Kasutage selgeid ja täpseid nimesid ning kirjeldusi, ideaalis koos näitega, millal tööriista kasutada. Kui serveri tööriistad toimivad pidevalt valesti, näitab ametlik testimistööriist MCP Inspector täpselt, mida iga tööriist enda kohta ütleb.

Sama tööriistanimi kahes serveris

Kaks serverit pakuvad kumbki tööriista nimega search ja pole võimalik öelda, kummale väljakutse on mõeldud.

Lisage tööriistade nimedele eesliiteks serveri nimi. Näide: Trello server (trelloSearch, trelloReadList).

Liiga suured tulemused

Tööriist tagastab rohkem, kui ülesanne vajab, näiteks terve meililõime koos vormindusega, ja koormab mudeli konteksti üle.

Kasutage tööriistu, mis pakuvad kompaktseid vorminguid. Näide: Gmaili tööriista get_thread kirjeldus soovitab lihtteksti vormingut, „et vältida konteksti ammendumist“.

Ebausaldusväärsed serverid

Hooletu või pahatahtlik server võib kasutada tööriistakutseid, et teie vestlusest andmeid välja viia.

Ühendage servereid ainult usaldusväärsetest allikatest ja hoidke kinnitused sisse lülitatuna nende tööriistade puhul, mis midagi muudavad või andmeid välja saadavad.

Miks vajavad MCP-tööriistad teie kinnitust?

MCP-tööriistad vajavad teie kinnitust, sest ilma selleta võiks AI-mudel teha muudatusi, mida te ei kavatsenud, või jagada tundlikke andmeid serveriga, mida te ei kontrolli.

Valesti mõistetud päring või ebamääraselt kirjeldatud tööriist võib käivitada vale toimingu. Lisaks saadab iga väljakutse osa teie teabest serverisse.

Seepärast eeldab protokoll, et AI-rakendused hoiavad inimese protsessi kaasatuna ja annavad talle võimaluse iga tööriistakutse tagasi lükata.

Siin on praktiline viis tööriistade jaotamiseks selle järgi, kui palju kontrolli need vajavad:

  • Ainult lugevad toimingud: millegi otsimine, näiteks loendi lugemine Trello tööriistaga trelloReadList, ei muuda midagi. Neid väljakutseid võib käivitada ilma eelnevalt luba küsimata, kui AI-rakendus näitab, milline tööriist käivitus ja mida see otsis.
  • Tagasivõetavad toimingud: meili mustandi loomine Gmaili tööriistaga create_draft või Trello kaardi lisamine muudab midagi, mida saate tagasi pöörata. Kontrollige sisendid enne väljakutse käivitumist üle.
  • Pöördumatud toimingud: meili saatmist Gmaili tööriistaga send_message, kirjete kustutamist ega midagi, mis puudutab makseid või tundlikke andmeid, ei saa tagasi pöörata. Andke neile iga kord selgesõnaline luba.

MCP-tööriistade kasutamine Perplexitys

Perplexity töötab MCP-tööriistadega mõlemas suunas: see saab kasutada teie ühendatud MCP-serverite tööriistu ja pakub oma tööriistu teistele AI-rakendustele.

  • MCP-serverite ühendamine Perplexityga: Pro-, Max- ja Enterprise-paketiga saate ühendada Perplexity mis tahes välise tööriista või andmeallikaga, millel on MCP-server, ning kasutada seda vastustes ja agentsetes töövoogudes, mida käitab Perplexity Computer. Maci rakenduses saate ühendada ka MCP-servereid, mis töötavad teie arvutis
  • Perplexity tööriistade kasutamine teistes AI-rakendustes: Perplexity MCP-server pakub nelja tööriista (perplexity_search, perplexity_ask, perplexity_research ja perplexity_reason) igale AI-rakendusele, mis toetab kaug-MCP-servereid (nt Claude Code). Eraldi server võimaldab teistel AI-rakendustel anda mitmeetapilisi ülesandeid üle Perplexity Computerile.

KKK MCP-tööriistade kohta

Kas MCP on lihtsalt tööriistakutsumine?

Ei, MCP ei ole lihtsalt tööriistakutsumine. Tööriistakutsumine on viis, kuidas mudel tööriista küsib, ning MCP on viis, kuidas AI-rakendus tööriistu leiab ja iga väljakutse seda käitavasse serverisse suunab.

Tööriistakutsumine (ka funktsioonikutsumine) on AI-mudeli osa tööst: mudel näeb tööriistade loendit ja vastab päringuga mõne neist käivitamiseks. Ainult tööriistakutsumisega peab iga AI-rakendus iga tööriista ise määratlema ja käitama.

MCP võimaldab tööriistadel asuda serverites, nii et iga MCP-d toetav AI-rakendus saab neid oma mudelile pakkuda ja saata mudeli päringud õigesse serverisse.

Kas MCP asendab API-d?

Ei, MCP ei asenda API-sid, sest MCP ja API-d töötavad koos. MCP-tööriistad toimivad sageli olemasolevate API-de peal ning kui mudel tööriista välja kutsub, teeb MCP-server tavaliselt API-päringu.

Millised AI-rakendused toetavad MCP-tööriistu?

MCP-tööriistad töötavad AI-assistentides, nagu Claude, ChatGPT ja Perplexity, ning arendustööriistades, nagu Visual Studio Code ja Cursor. MCP dokumentatsioonis on need nimetatud ja märgitud, et ka paljud teised rakendused toetavad MCP-tööriistu.

Kas AI-mudel ise peab MCP-d toetama?

Ei. AI-mudel ei pea MCP-d toetama, sest protokolli eest hoolitseb AI-rakendus. See loob ühenduse serveritega, edastab nende tööriistad mudelile ja saadab mudeli tööriistapäringud tagasi õigesse serverisse. Mudel peab toetama ainult funktsioonikutsumist.

Kas MCP on aegumas?

Ei, MCP on endiselt aktiivses arenduses. Selle haldajad avaldasid 2026. aasta juulis MCP spetsifikatsiooni uue versiooni ja 2026. aasta augustis uuendatud tegevuskava, mis hõlmab tööd selle nimel, et serverid saaksid oma tööriistu vestluse kitsenedes järk-järgult avaldada.