Wat zijn MCP-tools en hoe gebruiken AI-modellen ze?

Ontdek wat MCP-tools zijn, hoe AI-modellen ze via MCP-servers vinden en aanroepen, en hoe je ze veilig gebruikt.

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-tools zijn functies die een AI-model kan aanroepen om een taak buiten het gesprek uit te voeren, zoals je notities doorzoeken of een database bevragen. Elke tool staat op een MCP-server (Model Context Protocol) en heeft een naam en een korte beschrijving die het model helpen te bepalen wanneer het de tool moet gebruiken.

De term "MCP-tool" wordt ook op andere manieren gebruikt. In het dagelijks taalgebruik zeggen mensen "MCP-tools" wanneer ze MCP-servers bedoelen (de applicaties die tools aanbieden) of de directory's waarin die servers worden vermeld. MCP Tools is ook de naam van een opdrachtregelprogramma waarmee je de tools op een MCP-server kunt weergeven en aanroepen.

Deze gids gaat over de protocolfuncties, niet over servers, directory's of opdrachtregels. Je leest waaruit een tool bestaat, welke soorten tools servers aanbieden en hoe tools verschillen van resources, prompts en function calling. Daarna lopen we de stappen door die een model zet om een tool te gebruiken, en tot slot bespreken we de meest voorkomende problemen bij het gebruik ervan.

Wat zijn MCP-tools?

Een MCP-tool is een functie waarmee AI-modellen taken kunnen uitvoeren in andere softwareapplicaties. Mijn AI-agents en workflows gebruiken bijvoorbeeld MCP-tools om e-mailconcepten op te stellen in Gmail (create_draft), Trello-kaarten aan te maken (trelloWriteCard) en live zoekresultaten op te halen uit DataForSEO (serp_organic_live_advanced), om er maar een paar te noemen.

Softwareapps bieden vaak meerdere MCP-tools aan op hun MCP-servers. De MCP-server van Trello heeft momenteel bijvoorbeeld 14 MCP-tools waarmee AI-modellen borden, lijsten, checklists, kaarten en meer kunnen lezen en bijwerken.

En omdat MCP standaardiseert hoe tools worden beschreven en aangeboden, kan elke AI-app die het protocol ondersteunt dezelfde MCP-tool gebruiken.

Waaruit een MCP-tool bestaat

Elke MCP-tool bestaat uit drie onderdelen:

  • Naam: Een korte identificatiecode die het model gebruikt wanneer het de tool aanroept (bijv. get_event in Google Calendar).
  • Beschrijving: Een uitleg in gewone taal van wat de tool doet en wanneer die nuttig is. Het grote taalmodel (LLM) leest deze uitleg om te bepalen of de tool bij je verzoek past (bijv. "Returns a single event on the given calendar.").
  • Invoer: De informatie die de tool nodig heeft om te kunnen draaien, zoals een klantnaam en een datum voor een zoekopdracht in notities. Deze wordt in JSON geschreven, en ontwikkelaars noemen dit het invoerschema, omdat het de vorm van elke invoer vastlegt (tekst, getal of lijst).

Sommige tools voegen extra metadata toe: een weergavenaam, een beschrijving van de resultaten die ze teruggeven (een uitvoerschema) en annotaties over hoe de tool zich gedraagt.

Het AI-model ziet nooit de code achter een tool. Het gaat uit van wat de tool over zichzelf zegt, dus een vage naam of beschrijving zorgt ervoor dat het model de verkeerde tool kiest.

Welke soorten MCP-tools er zijn

MCP-tools zijn op basis van wat ze doen in vier groepen in te delen:

  • Zoek- en opzoektools: Informatie vinden of ophalen (bijv. notities doorzoeken, een bestand lezen of een database bevragen).
  • Actietools: Iets aanmaken of wijzigen in een andere app (bijv. een taak toevoegen, een agenda-afspraak aanmaken, een supportticket openen of een e-mail versturen).
  • Gegevensverwerkingstools: Gegevens transformeren of analyseren (bijv. een spreadsheetbestand analyseren of een berekening uitvoeren).
  • Systeemtools: Interageren met het lokale systeem (bijv. een opdracht uitvoeren in een terminal).

MCP-tools vs. resources & prompts

Naast MCP-tools kan een MCP-server nog twee andere soorten bouwstenen aanbieden, die het protocol primitives noemt: resources en prompts.

De officiële MCP-server van GitHub biedt bijvoorbeeld:

  • Een tool genaamd issue_write die issues aanmaakt of bijwerkt,
  • Een resource genaamd repository_content die toegang geeft tot de bestanden in een repository,
  • Een prompt genaamd issue_to_fix_workflow die de stappen klaarzet om een probleem als issue te melden en de Copilot coding agent van GitHub een pull request te laten genereren om het op te lossen.

Het verschil zit in wat elk ervan doet en wie bepaalt wanneer het wordt gebruikt: jij, de AI-app waarin je werkt (bijv. Perplexity), of het AI-model dat in die app draait.

  • Een MCP-tool voert acties uit of zoekt dingen op. Het AI-model bepaalt zelfstandig wanneer het een tool aanroept, en je AI-app geeft de aanroep door aan de server. Je AI-model kiest de tools; je AI-app hoort je elke aanroep te tonen en je de mogelijkheid te geven die te weigeren.
  • Een resource is content die op de MCP-server beschikbaar is, zoals een bestand of een verzameling records, elk met een eigen adres (een URI). Je AI-app vraagt de server welke resources er beschikbaar zijn, leest de benodigde resource via het adres en voegt de content als context aan het gesprek toe.
  • Een prompt is een kant-en-klaar berichtsjabloon dat de server aanbiedt, soms met lege velden die je zelf invult. Je AI-app toont je de beschikbare prompts en jij kiest er een, vaak als slash-commando.

Hoe AI-modellen MCP-tools gebruiken

Een AI-model gebruikt een MCP-tool in vijf stappen: ontdekking, toolselectie, aanroep, resultaten en foutafhandeling. Je AI-app geeft alles door tussen het model en de server.

Stel dat je je AI-app vraagt om je Trello-lijst "Deze week" te bekijken en een e-mail met een update aan je redacteur op te stellen. Dit is wat er van begin tot eind gebeurt:

  1. Ontdekking: Wanneer je AI-app via MCP-clients verbinding maakt met een MCP-server, vraagt die de lijst met beschikbare tools van de server op (een verzoek dat tools/list heet). Het LLM ziet alleen wat de app doorgeeft: de naam, beschrijving en invoer van elke tool.
  2. Toolselectie: Het AI-model vergelijkt je verzoek met die beschrijvingen en kiest de tools die passen. In dit geval zijn dat trelloReadList van Trello om de lijst te lezen en create_draft van Gmail om de e-mail te schrijven. Het vult ook de invoer in, zoals welke lijst er gelezen moet worden.
  3. Aanroep: Het model antwoordt met een gestructureerd verzoek om de tool uit te voeren (een stap die "function calling" heet). Je AI-app stuurt dat verzoek naar de juiste server (een tools/call-verzoek). De app hoort je de aanroep ook te tonen en je de mogelijkheid te geven die te weigeren.
  4. Resultaten: De server voert de functie uit en stuurt het result terug, in dit geval de kaarten op je lijst. Je AI-app voegt het resultaat toe aan het gesprek en het model bepaalt wat er daarna gebeurt: jou een antwoord geven of een andere tool aanroepen, zoals create_draft met een e-mail op basis van die kaarten.
  5. Foutafhandeling: Als de tool wel draait maar mislukt, bijvoorbeeld omdat de lijst niet bestaat, komt de fout terug als onderdeel van het resultaat. Het model kan die fout lezen en het opnieuw proberen met andere invoer. Als het verzoek zelf ongeldig is, bijvoorbeeld omdat het een tool aanroept die de server niet heeft, krijgt de app in plaats daarvan een protocolfout. Het model herstelt zich daar minder snel van.

Het belangrijkste is dat het model tools uitsluitend kiest op basis van hun beschrijvingen, en dat je AI-app alle communicatie met servers verzorgt.

Veelvoorkomende problemen met MCP-tools en hoe je ze voorkomt

Problemen met MCP-tools komen neer op vier dingen: hoeveel tools er zijn verbonden, hoe ze zijn benoemd en beschreven, hoeveel gegevens ze teruggeven en van welke servers ze afkomstig zijn.

Hieronder zie je hoe elk probleem eruitziet en wat helpt:

Probleem

Hoe het eruitziet

Wat helpt

Te veel tools verbonden

Elke tooldefinitie staat al in het contextvenster van het model voordat je iets hebt gevraagd, en de toolselectie wordt slechter naarmate de lijst groeit.

Verbind alleen de servers die een taak nodig heeft en schakel ongebruikte tools uit als je AI-app dat toestaat. Voorbeeld: met de MCP-server van GitHub kun je alleen de groepen tools (toolsets) inschakelen die je nodig hebt.

Vage of overlappende beschrijvingen

Het model roept de verkeerde tool aan, of de juiste tool met de verkeerde invoer, omdat twee beschrijvingen op elkaar lijken of één beschrijving te weinig zegt.

Geef tools duidelijke, specifieke namen en beschrijvingen, bij voorkeur met een voorbeeld van wanneer de tool gebruikt moet worden. Gaan de tools van een server steeds de mist in? Dan laat MCP Inspector, de officiële testtool, precies zien wat elke tool over zichzelf zegt.

Dezelfde toolnaam op twee servers

Twee servers bieden elk een tool genaamd search aan, en het is onmogelijk te zeggen voor welke server een aanroep bedoeld is.

Laat toolnamen beginnen met de naam van de server. Voorbeeld: de server van Trello (trelloSearch, trelloReadList).

Te grote resultaten

Een tool geeft meer terug dan de taak vereist, zoals een volledige e-maildraad inclusief opmaak, en zet de context van het model vol.

Gebruik tools die compacte formaten bieden. Voorbeeld: de beschrijving van de tool get_thread van Gmail raadt platte tekst aan "om uitputting van de context te voorkomen."

Niet-vertrouwde servers

Een onzorgvuldige of kwaadwillende server kan toolaanroepen gebruiken om gegevens uit je gesprek te halen.

Verbind alleen servers uit bronnen die je vertrouwt, en laat goedkeuringen ingeschakeld voor tools die dingen wijzigen of gegevens naar buiten sturen.

Waarom hebben MCP-tools je goedkeuring nodig?

MCP-tools hebben je goedkeuring nodig omdat het AI-model zonder die goedkeuring wijzigingen zou kunnen aanbrengen die je niet bedoelde, of gevoelige gegevens zou kunnen delen met een server waar je geen controle over hebt.

Een verkeerd begrepen verzoek of een vaag beschreven tool kan de verkeerde actie in gang zetten. Bovendien stuurt elke aanroep een deel van je gegevens naar een server.

Daarom verwacht het protocol dat AI-apps altijd een mens bij het proces betrekken, die elke toolaanroep kan weigeren.

Zo kun je tools in de praktijk indelen op basis van hoeveel controle ze nodig hebben:

  • Acties die alleen lezen: Iets opzoeken, zoals een lijst lezen met trelloReadList van Trello, verandert niets. Deze aanroepen kunnen worden uitgevoerd zonder dat er eerst om toestemming wordt gevraagd, zolang je AI-app laat zien welke tool is uitgevoerd en wat die heeft opgezocht.
  • Acties die je ongedaan kunt maken: Een e-mailconcept maken met create_draft van Gmail of een Trello-kaart toevoegen verandert iets wat je kunt terugdraaien. Controleer de invoer voordat de aanroep wordt uitgevoerd.
  • Acties die je niet ongedaan kunt maken: Een e-mail versturen met send_message van Gmail, records verwijderen of alles wat met betalingen of gevoelige gegevens te maken heeft, kan niet worden teruggedraaid. Geef hier elke keer uitdrukkelijk toestemming voor.

MCP-tools gebruiken in Perplexity

Perplexity werkt in beide richtingen met MCP-tools: het kan tools gebruiken van MCP-servers die je verbindt, en het biedt zijn eigen tools aan andere AI-apps aan.

  • MCP-servers verbinden met Perplexity: Met een Pro-, Max- of Enterprise-abonnement kun je Perplexity verbinden met elke externe tool of gegevensbron die een MCP-server heeft, en die gebruiken in antwoorden en agentische workflows in Perplexity Computer. In de Mac-app kun je ook MCP-servers verbinden die op je computer draaien
  • De tools van Perplexity gebruiken in andere AI-apps: De MCP-server van Perplexity biedt vier tools (perplexity_search, perplexity_ask, perplexity_research en perplexity_reason) aan elke AI-app die externe MCP-servers ondersteunt, zoals Claude Code. Via een aparte server kunnen andere AI-apps taken met meerdere stappen overdragen aan Perplexity Computer.

Veelgestelde vragen over MCP-tools

Is MCP gewoon tool calling?

Nee, MCP is niet gewoon tool calling. Met tool calling vraagt het model om een tool, en met MCP vindt de AI-app tools en leidt de app elke aanroep naar de server die de tool uitvoert.

Tool calling (ook wel function calling genoemd) is het deel van het werk dat het AI-model doet: het model ziet een lijst met tools en antwoordt met een verzoek om er een uit te voeren. Met alleen tool calling moet elke AI-app elke tool zelf definiëren en uitvoeren.

Met MCP kunnen tools op servers staan, zodat elke AI-app die MCP ondersteunt ze aan zijn model kan aanbieden en de verzoeken van het model naar de juiste server kan sturen.

Gaat MCP API's vervangen?

Nee, MCP gaat API's niet vervangen, want MCP en API's werken samen. MCP-tools zijn vaak gebouwd bovenop bestaande API's, en wanneer het model een tool aanroept, doet de MCP-server doorgaans een API-verzoek.

Welke AI-apps ondersteunen MCP-tools?

MCP-tools werken in AI-assistenten zoals Claude, ChatGPT en Perplexity, en in ontwikkeltools zoals Visual Studio Code en Cursor. De MCP-documentatie noemt deze apps en merkt op dat nog veel andere apps MCP-tools ondersteunen.

Moet het AI-model zelf MCP ondersteunen?

Nee. Het AI-model hoeft MCP niet te ondersteunen, omdat je AI-app het protocol afhandelt. De app maakt verbinding met servers, geeft hun tools door aan het model en stuurt de toolverzoeken van het model terug naar de juiste server. Het model hoeft alleen function calling te ondersteunen.

Raakt MCP verouderd?

Nee, MCP wordt nog actief ontwikkeld. De beheerders brachten in juli 2026 een nieuwe versie van de MCP-specificatie uit en publiceerden in augustus 2026 een bijgewerkte roadmap, waarin onder meer wordt gewerkt aan een manier waarop servers hun tools geleidelijk kunnen tonen naarmate een gesprek specifieker wordt.