Apa Itu Alat MCP dan Bagaimana Model AI Menggunakannya?

Pelajari apa itu alat MCP, cara model AI menemukan dan memanggilnya melalui server MCP, serta cara menggunakannya dengan aman.

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.

Alat MCP adalah fungsi yang dapat dipanggil model AI untuk melakukan tugas di luar percakapan. Misalnya, mencari catatan Anda atau mengkueri basis data. Setiap alat berada di server MCP (Model Context Protocol) dan memiliki nama serta deskripsi singkat yang membantu model memutuskan kapan harus menggunakannya.

Istilah "alat MCP" juga digunakan dengan cara lain. Dalam penggunaan sehari-hari, orang menyebut "alat MCP" padahal yang mereka maksud adalah server MCP (aplikasi yang menawarkan alat) atau direktori yang mencantumkan server-server tersebut. MCP Tools juga merupakan nama program baris perintah untuk mencantumkan dan memanggil alat di server MCP.

Panduan ini membahas fungsi protokol, bukan server, direktori, atau baris perintah. Panduan ini menjelaskan komponen sebuah alat, jenis-jenis alat yang ditawarkan server, serta perbedaan alat dengan sumber daya, prompt, dan pemanggilan fungsi. Selanjutnya, panduan ini menguraikan langkah-langkah yang dilakukan model untuk menggunakan alat, lalu ditutup dengan masalah paling umum terkait penggunaannya.

Apa itu alat MCP?

Alat MCP adalah fungsi yang memungkinkan model AI menyelesaikan tugas dengan aplikasi perangkat lunak lain. Sebagai contoh, agen dan alur kerja AI saya menggunakan alat MCP untuk membuat draf email di Gmail (create_draft), membuat kartu Trello (trelloWriteCard), dan menarik hasil penelusuran langsung dari DataForSEO (serp_organic_live_advanced), dan masih banyak lagi.

Aplikasi perangkat lunak sering kali menawarkan beberapa alat MCP di server MCP-nya. Misalnya, server MCP Trello saat ini memiliki 14 alat MCP yang memungkinkan model AI membaca dan memperbarui papan, daftar, daftar periksa, kartu, dan banyak lagi.

Dan karena MCP menstandarkan cara alat dideskripsikan dan ditawarkan, aplikasi AI apa pun yang mendukung protokol ini dapat menggunakan alat MCP yang sama.

Komponen alat MCP

Setiap alat MCP dilengkapi tiga hal:

  • Nama: Pengenal singkat yang digunakan model saat memanggil alat (misalnya, get_event di Google Calendar).
  • Deskripsi: Penjelasan dalam bahasa sederhana tentang fungsi alat dan kapan alat tersebut berguna. Model bahasa besar (LLM) membacanya untuk memutuskan apakah alat tersebut sesuai dengan permintaan Anda (misalnya, "Returns a single event on the given calendar.").
  • Input: Informasi yang dibutuhkan alat untuk berjalan, seperti nama klien dan tanggal untuk pencarian catatan. Informasi ini ditulis dalam JSON, dan pengembang menyebutnya skema input karena skema ini menetapkan bentuk setiap input (teks, angka, atau daftar).

Beberapa alat menambahkan metadata tambahan: nama tampilan, deskripsi hasil yang dikembalikan (skema output), dan anotasi tentang perilaku alat tersebut.

Model AI tidak pernah melihat kode di balik sebuah alat. Model bekerja berdasarkan apa yang dikatakan alat tentang dirinya sendiri, sehingga nama atau deskripsi yang tidak jelas akan membuat model memilih alat yang salah.

Jenis-jenis alat MCP

Alat MCP terbagi menjadi empat kelompok berdasarkan fungsinya:

  • Alat penelusuran dan pencarian: Menemukan atau mengambil informasi (misalnya, menelusuri catatan, membaca file, atau mengkueri basis data).
  • Alat tindakan: Membuat atau mengubah sesuatu di aplikasi lain (misalnya, menambahkan tugas, membuat acara kalender, membuka tiket dukungan, atau mengirim email).
  • Alat pemrosesan data: Mengubah atau menganalisis data (misalnya, menganalisis file spreadsheet atau menjalankan perhitungan).
  • Alat sistem: Berinteraksi dengan sistem lokal (misalnya, menjalankan perintah di terminal).

Alat MCP vs. sumber daya & prompt

Selain alat MCP, server MCP dapat menawarkan dua jenis blok penyusun lainnya, yang oleh protokol disebut primitif: sumber daya dan prompt.

Misalnya, server MCP resmi GitHub menawarkan:

  • Alat bernama issue_write yang membuat atau memperbarui issue,
  • Sumber daya bernama repository_content yang memberikan akses ke file dalam repositori,
  • Prompt bernama issue_to_fix_workflow yang menyiapkan langkah-langkah untuk melaporkan masalah sebagai issue dan meminta agen pengodean Copilot milik GitHub membuat pull request untuk memperbaikinya.

Perbedaannya terletak pada fungsi masing-masing dan siapa yang memutuskan kapan menggunakannya: Anda, aplikasi AI yang Anda gunakan (misalnya, Perplexity), atau model AI yang berjalan di dalam aplikasi tersebut.

  • Alat MCP menjalankan tindakan atau mencari informasi. Model AI memutuskan secara mandiri kapan memanggil alat, dan aplikasi AI Anda meneruskan panggilan tersebut ke server. Model AI Anda memilih alat; aplikasi AI Anda harus menampilkan setiap panggilan dan memungkinkan Anda menolaknya.
  • Sumber daya adalah konten yang tersedia di server MCP, seperti file atau sekumpulan entri data, yang masing-masing memiliki alamatnya sendiri (URI). Aplikasi AI Anda menanyakan sumber daya apa saja yang dimiliki server, membaca sumber daya yang dibutuhkan berdasarkan alamatnya, lalu menambahkan kontennya ke percakapan sebagai konteks.
  • Prompt adalah templat pesan siap pakai yang disediakan server, terkadang dengan bagian kosong yang perlu Anda isi. Aplikasi AI Anda menampilkan prompt yang tersedia, lalu Anda memilih salah satunya, sering kali sebagai perintah garis miring.

Cara model AI menggunakan alat MCP

Model AI menggunakan alat MCP dalam lima langkah: penemuan, pemilihan alat, pemanggilan, hasil, dan penanganan kesalahan. Aplikasi AI Anda meneruskan semua hal antara model dan server.

Misalkan Anda meminta aplikasi AI untuk memeriksa daftar "Minggu ini" di Trello Anda dan membuat draf email berisi kabar terbaru untuk editor Anda. Berikut yang terjadi dari awal hingga akhir:

  1. Penemuan: Saat aplikasi AI Anda terhubung ke server MCP melalui klien MCP, aplikasi tersebut meminta daftar alat yang tersedia di server (permintaan yang disebut tools/list). LLM hanya melihat apa yang diteruskan aplikasi: nama, deskripsi, dan input setiap alat.
  2. Pemilihan alat: Model AI membandingkan permintaan Anda dengan deskripsi tersebut dan memilih alat yang sesuai. Dalam contoh ini, alatnya adalah trelloReadList dari Trello untuk membaca daftar dan create_draft dari Gmail untuk menulis email. Model juga mengisi input, seperti daftar mana yang akan dibaca.
  3. Pemanggilan: Model membalas dengan permintaan terstruktur untuk menjalankan alat (langkah yang disebut "pemanggilan fungsi"). Aplikasi AI Anda mengirimkan permintaan tersebut ke server yang tepat (permintaan tools/call). Aplikasi juga harus menampilkan panggilan tersebut dan memungkinkan Anda menolaknya.
  4. Hasil: Server menjalankan fungsi dan mengirimkan kembali result, dalam hal ini kartu-kartu di daftar Anda. Aplikasi AI Anda menambahkan hasil tersebut ke percakapan, lalu model memutuskan langkah berikutnya: menjawab Anda atau memanggil alat lain, seperti create_draft dengan email berdasarkan kartu-kartu tersebut.
  5. Penanganan kesalahan: Jika alat berjalan tetapi gagal, misalnya karena daftarnya tidak ada, kesalahan tersebut dikembalikan sebagai bagian dari hasil. Model dapat membacanya dan mencoba lagi dengan input yang berbeda. Jika permintaannya sendiri bermasalah, misalnya karena memanggil alat yang tidak dimiliki server, aplikasi akan menerima kesalahan protokol. Dalam kasus ini, model cenderung lebih sulit untuk pulih.

Poin pentingnya adalah model memilih alat hanya berdasarkan deskripsinya, dan aplikasi AI Anda yang menangani seluruh komunikasi dengan server.

Masalah umum alat MCP dan cara menghindarinya

Masalah pada alat MCP bermuara pada empat hal: berapa banyak alat yang terhubung, bagaimana alat tersebut diberi nama dan dideskripsikan, berapa banyak data yang dikembalikan, dan dari server mana alat tersebut berasal.

Berikut gambaran setiap masalah dan cara mengatasinya:

Masalah

Gejala

Solusi

Terlalu banyak alat yang terhubung

Setiap definisi alat sudah berada di jendela konteks model bahkan sebelum Anda menanyakan apa pun, dan pemilihan alat makin buruk seiring bertambah panjangnya daftar.

Hubungkan hanya server yang dibutuhkan untuk suatu tugas, dan nonaktifkan alat yang tidak digunakan jika aplikasi AI Anda memungkinkannya. Contoh: server MCP GitHub memungkinkan Anda mengaktifkan hanya kelompok alat (toolset) yang Anda butuhkan.

Deskripsi yang tidak jelas atau tumpang tindih

Model memanggil alat yang salah, atau alat yang benar dengan input yang salah, karena dua deskripsi terdengar mirip atau salah satunya terlalu minim informasi.

Berikan nama dan deskripsi yang jelas dan spesifik, idealnya disertai contoh kapan alat tersebut digunakan. Jika alat di suatu server terus salah sasaran, MCP Inspector, alat pengujian resmi, menunjukkan secara persis apa yang dikatakan setiap alat tentang dirinya sendiri.

Nama alat yang sama di dua server

Dua server masing-masing menawarkan alat bernama search, sehingga tidak ada cara untuk mengetahui server mana yang dituju oleh suatu panggilan.

Tambahkan nama server sebagai awalan nama alat. Contoh: server Trello (trelloSearch, trelloReadList).

Hasil yang terlalu besar

Alat mengembalikan lebih banyak data daripada yang dibutuhkan tugas, seperti seluruh utas email beserta formatnya, sehingga memenuhi konteks model.

Gunakan alat yang menawarkan format ringkas. Contoh: deskripsi alat get_thread milik Gmail merekomendasikan format teks biasa "untuk mencegah kehabisan konteks."

Server yang tidak tepercaya

Server yang ceroboh atau berbahaya dapat menggunakan panggilan alat untuk menarik data keluar dari percakapan Anda.

Hubungkan server hanya dari sumber yang Anda percayai, dan tetap aktifkan persetujuan untuk alat yang mengubah sesuatu atau mengirim data ke luar.

Mengapa alat MCP memerlukan persetujuan Anda?

Alat MCP memerlukan persetujuan Anda karena tanpanya, model AI dapat membuat perubahan yang tidak Anda inginkan atau membagikan data sensitif dengan server yang tidak Anda kendalikan.

Permintaan yang disalahpahami atau alat yang dideskripsikan secara samar dapat memicu tindakan yang salah. Setiap panggilan juga mengirimkan sebagian informasi Anda ke server.

Itulah sebabnya protokol ini mengharapkan aplikasi AI untuk tetap melibatkan manusia dalam prosesnya, dengan kemampuan untuk menolak panggilan alat apa pun.

Berikut cara praktis untuk mengelompokkan alat berdasarkan seberapa banyak pemeriksaan yang dibutuhkan:

  • Tindakan yang hanya membaca: Mencari sesuatu, seperti membaca daftar dengan trelloReadList milik Trello, tidak mengubah apa pun. Panggilan ini dapat berjalan tanpa meminta izin terlebih dahulu, asalkan aplikasi AI Anda menampilkan alat mana yang dijalankan dan apa yang dicarinya.
  • Tindakan yang dapat dibatalkan: Membuat draf email dengan create_draft milik Gmail atau menambahkan kartu Trello mengubah sesuatu yang dapat Anda kembalikan. Periksa input sebelum panggilan dijalankan.
  • Tindakan yang tidak dapat dibatalkan: Mengirim email dengan send_message milik Gmail, menghapus data, atau apa pun yang melibatkan pembayaran atau data sensitif tidak dapat dikembalikan. Berikan izin secara eksplisit untuk tindakan ini setiap kali.

Menggunakan alat MCP di Perplexity

Perplexity bekerja dengan alat MCP dari dua arah: Perplexity dapat menggunakan alat dari server MCP yang Anda hubungkan, dan menawarkan alatnya sendiri ke aplikasi AI lain.

  • Hubungkan server MCP ke Perplexity: Pada paket Pro, Max, dan Enterprise, Anda dapat menghubungkan Perplexity ke alat atau sumber data eksternal apa pun yang memiliki server MCP dan menggunakannya dalam jawaban serta alur kerja agentik Perplexity Computer. Di aplikasi Mac, Anda juga dapat menghubungkan server MCP yang berjalan di komputer Anda
  • Gunakan alat Perplexity di aplikasi AI lain: Server MCP Perplexity menawarkan empat alat (perplexity_search, perplexity_ask, perplexity_research, dan perplexity_reason) ke aplikasi AI apa pun yang mendukung server MCP jarak jauh, seperti Claude Code. Server terpisah memungkinkan aplikasi AI lain menyerahkan tugas multilangkah ke Perplexity Computer.

FAQ alat MCP

Apakah MCP hanya sekadar pemanggilan alat?

Tidak, MCP bukan sekadar pemanggilan alat. Pemanggilan alat adalah cara model meminta alat, sedangkan MCP adalah cara aplikasi AI menemukan alat dan merutekan setiap panggilan ke server yang menjalankannya.

Pemanggilan alat (disebut juga pemanggilan fungsi) adalah bagian tugas model AI: model melihat daftar alat dan membalas dengan permintaan untuk menjalankan salah satunya. Dengan pemanggilan alat saja, setiap aplikasi AI harus mendefinisikan dan menjalankan setiap alat sendiri.

MCP memungkinkan alat berada di server, sehingga aplikasi AI apa pun yang mendukung MCP dapat menawarkannya kepada modelnya dan mengirimkan permintaan model ke server yang tepat.

Apakah MCP akan menggantikan API?

Tidak, MCP tidak akan menggantikan API, karena MCP dan API bekerja bersama. Alat MCP sering kali dibangun di atas API yang sudah ada, dan saat model memanggil alat, server MCP biasanya membuat permintaan API.

Aplikasi AI apa saja yang mendukung alat MCP?

Alat MCP dapat digunakan di asisten AI seperti Claude, ChatGPT, dan Perplexity, serta di alat pengembangan seperti Visual Studio Code dan Cursor. Dokumentasi MCP menyebutkan aplikasi-aplikasi tersebut dan mencatat bahwa banyak aplikasi lain juga mendukungnya.

Apakah model AI itu sendiri perlu mendukung MCP?

Tidak. Model AI tidak perlu mendukung MCP karena aplikasi AI Anda yang menangani protokolnya. Aplikasi terhubung ke server, meneruskan alat-alatnya ke model, dan mengirimkan kembali permintaan alat dari model ke server yang tepat. Model hanya perlu mendukung pemanggilan fungsi.

Apakah MCP mulai usang?

Tidak, MCP masih dikembangkan secara aktif. Para pengelolanya merilis versi baru spesifikasi MCP pada Juli 2026 dan menerbitkan peta jalan terbaru pada Agustus 2026, yang mencakup upaya agar server dapat menampilkan alatnya secara bertahap seiring percakapan makin terfokus.