Vad är MCP-verktyg och hur använder AI-modeller dem?

MCP-verktyg är funktioner som en AI-modell kan anropa för att utföra en uppgift utanför konversationen, till exempel att söka i dina anteckningar eller köra en fråga mot en databas. Varje verktyg finns på en MCP-server (Model Context Protocol) och har ett namn och en kort beskrivning som hjälper modellen att avgöra när det ska användas.

Begreppet ”MCP-verktyg” används även på andra sätt. I vardagligt tal säger man ”MCP-verktyg” när man menar MCP-servrar (applikationerna som erbjuder verktyg) eller katalogerna som listar dessa servrar. MCP Tools är också namnet på ett kommandoradsprogram för att lista och anropa verktygen på en MCP-server.

Den här guiden handlar om protokollets funktioner, inte om servrar, kataloger eller kommandorader. Den förklarar vad ett verktyg består av, vilka typer av verktyg servrar erbjuder och hur verktyg skiljer sig från resurser, promptar och funktionsanrop. Därefter går den igenom de steg som en modell följer för att använda ett verktyg och avslutas med de vanligaste problemen som uppstår när verktygen används.

Vad är MCP-verktyg?

Ett MCP-verktyg är en funktion som låter AI-modeller utföra uppgifter med andra program. Mina AI-agenter och arbetsflöden använder till exempel MCP-verktyg för att skriva utkast till mejl i Gmail (create_draft), skapa Trello-kort (trelloWriteCard) och hämta sökresultat i realtid från DataForSEO (serp_organic_live_advanced), för att bara nämna några.

Program erbjuder ofta flera MCP-verktyg på sina MCP-servrar. Trellos MCP-server har till exempel för närvarande 14 MCP-verktyg som gör det möjligt för AI-modeller att läsa och uppdatera tavlor, listor, checklistor, kort med mera.

Och eftersom MCP standardiserar hur verktyg beskrivs och erbjuds kan alla AI-appar som stöder protokollet använda samma MCP-verktyg.

Vad ett MCP-verktyg innehåller

Varje MCP-verktyg består av tre delar:

• Namn: En kort identifierare som modellen använder när den anropar verktyget (t.ex. get_event i Google Kalender).
• Beskrivning: En förklaring på vanligt språk av vad verktyget gör och när det är användbart. Den stora språkmodellen (LLM) läser den för att avgöra om verktyget passar din förfrågan (t.ex. ”Returns a single event on the given calendar.”).
• Indata: Den information som verktyget behöver för att köras, till exempel ett kundnamn och ett datum för en sökning i anteckningar. Den skrivs i JSON, och utvecklare kallar den för indataschema (input schema) eftersom den anger formatet för varje indata (text, tal eller en lista).

Förstora

Vissa verktyg lägger till extra metadata: ett visningsnamn, en beskrivning av resultaten de returnerar (ett utdataschema) och annoteringar om hur verktyget beter sig.

AI-modellen ser aldrig koden bakom ett verktyg. Den utgår från det som verktyget säger om sig självt, så ett vagt namn eller en vag beskrivning får modellen att välja fel verktyg.

Typer av MCP-verktyg

MCP-verktyg delas in i fyra grupper efter vad de gör:

• Sök- och uppslagsverktyg: Hittar eller hämtar information (t.ex. söker i anteckningar, läser en fil eller kör en fråga mot en databas).
• Åtgärdsverktyg: Skapar eller ändrar något i en annan app (t.ex. lägger till en uppgift, skapar en kalenderhändelse, öppnar ett supportärende eller skickar ett mejl).
• Databehandlingsverktyg: Omvandlar eller analyserar data (t.ex. analyserar en kalkylbladsfil eller utför en beräkning).
• Systemverktyg: Interagerar med det lokala systemet (t.ex. kör ett kommando i en terminal).

MCP-verktyg kontra resurser & promptar

Utöver MCP-verktyg kan en MCP-server erbjuda två andra typer av byggstenar, som protokollet kallar primitiver: resurser och promptar.

Förstora

GitHubs officiella MCP-server erbjuder till exempel:

• Ett verktyg som heter issue_write och som skapar eller uppdaterar ärenden,
• En resurs som heter repository_content och som ger åtkomst till filerna i ett repository,
• En prompt som heter issue_to_fix_workflow och som lägger upp stegen för att rapportera ett problem som ett ärende och låta GitHubs kodningsagent Copilot generera en pull request som åtgärdar det.

Skillnaden ligger i vad var och en gör och vem som bestämmer när den ska användas: du, AI-appen du arbetar i (t.ex. Perplexity) eller AI-modellen som körs i den appen.

• Ett MCP-verktyg utför åtgärder eller slår upp information. AI-modellen avgör självständigt när ett verktyg ska anropas, och din AI-app skickar vidare anropet till servern. Din AI-modell väljer verktyg; din AI-app bör visa dig varje anrop och låta dig neka det.
• En resurs är innehåll som finns tillgängligt på MCP-servern, till exempel en fil eller en uppsättning poster, var och en med sin egen adress (en URI). Din AI-app frågar servern vilka resurser den har, läser den som behövs via dess adress och lägger till innehållet i konversationen som kontext.
• En prompt är en färdig meddelandemall som servern tillhandahåller, ibland med luckor som du fyller i. Din AI-app visar de tillgängliga promptarna och du väljer en, ofta som ett snedstreckskommando.

Så använder AI-modeller MCP-verktyg

En AI-modell använder ett MCP-verktyg i fem steg: upptäckt, verktygsval, anrop, resultat och felhantering. Din AI-app förmedlar allt mellan modellen och servern.

Förstora

Anta att du ber din AI-app att gå igenom din Trello-lista ”Den här veckan” och skriva ett utkast till ett mejl till din redaktör med en uppdatering. Så här går det till från början till slut:

1. Upptäckt: När din AI-app ansluter till en MCP-server via MCP-klienter ber den om serverns lista över tillgängliga verktyg (en begäran som kallas tools/list). LLM:en ser bara det som appen skickar vidare: varje verktygs namn, beskrivning och indata.
2. Verktygsval: AI-modellen jämför din förfrågan med beskrivningarna och väljer de verktyg som passar. Här är det Trellos trelloReadList för att läsa listan och Gmails create_draft för att skriva mejlet. Den fyller också i indata, till exempel vilken lista som ska läsas.
3. Anrop: Modellen svarar med en strukturerad begäran om att köra verktyget (ett steg som kallas ”funktionsanrop”). Din AI-app skickar begäran till rätt server (en tools/call-begäran). Den bör också visa dig anropet och låta dig neka det.
4. Resultat: Servern kör funktionen och skickar tillbaka ett result, i det här fallet korten på din lista. Din AI-app lägger till resultatet i konversationen, och modellen avgör vad som händer härnäst: att svara dig eller anropa ett annat verktyg, till exempel create_draft med ett mejl baserat på korten.
5. Felhantering: Om verktyget körs men misslyckas, till exempel för att listan inte finns, skickas felet tillbaka som en del av resultatet. Modellen kan läsa det och försöka igen med andra indata. Om själva begäran är felaktig, till exempel för att den anropar ett verktyg som servern inte har, får appen i stället ett protokollfel. Då är det mindre troligt att modellen kan återhämta sig.

Det viktiga är att modellen väljer verktyg enbart utifrån deras beskrivningar och att din AI-app sköter all kommunikation med servrarna.

Vanliga problem med MCP-verktyg och hur du undviker dem

Problem med MCP-verktyg handlar om fyra saker: hur många verktyg som är anslutna, hur de namnges och beskrivs, hur mycket data de returnerar och vilka servrar de kommer från.

Så här ser varje problem ut och vad som hjälper:

Varför behöver MCP-verktyg ditt godkännande?

MCP-verktyg behöver ditt godkännande eftersom AI-modellen annars skulle kunna göra ändringar som du inte avsåg eller dela känsliga uppgifter med en server som du inte kontrollerar.

En feltolkad förfrågan eller ett vagt beskrivet verktyg kan utlösa fel åtgärd. Varje anrop skickar dessutom en del av din information till en server.

Därför förväntar sig protokollet att AI-appar alltid låter en människa vara delaktig, med möjlighet att neka vilket verktygsanrop som helst.

Här är ett praktiskt sätt att sortera verktyg efter hur mycket kontroll de kräver:

• Åtgärder som bara läser: Att slå upp något, till exempel att läsa en lista med Trellos trelloReadList, ändrar ingenting. Sådana anrop kan köras utan att du tillfrågas först, så länge din AI-app visar vilket verktyg som kördes och vad det slog upp.
• Åtgärder som du kan ångra: Att skapa ett mejlutkast med Gmails create_draft eller lägga till ett Trello-kort ändrar något som går att återställa. Kontrollera indata innan anropet körs.
• Åtgärder som du inte kan ångra: Att skicka ett mejl med Gmails send_message, radera poster eller allt som rör betalningar eller känsliga uppgifter går inte att ångra. Ge uttryckligt tillstånd till sådana åtgärder varje gång.

Så använder du MCP-verktyg i Perplexity

Perplexity fungerar med MCP-verktyg i båda riktningarna: det kan använda verktyg från MCP-servrar som du ansluter, och det erbjuder sina egna verktyg till andra AI-appar.

• Anslut MCP-servrar till Perplexity: Med Pro-, Max- och Enterprise-abonnemangen kan du ansluta Perplexity till alla externa verktyg eller datakällor som har en MCP-server och använda dem i svar och i agentbaserade arbetsflöden i Perplexity Computer. I Mac-appen kan du också ansluta MCP-servrar som körs på din dator
• Använd Perplexitys verktyg i andra AI-appar: Perplexitys MCP-server erbjuder fyra verktyg (perplexity_search, perplexity_ask, perplexity_research och perplexity_reason) till alla AI-appar som stöder fjärranslutna MCP-servrar, till exempel Claude Code. En separat server låter andra AI-appar lämna över uppgifter i flera steg till Perplexity Computer.

Vanliga frågor om MCP-verktyg

Är MCP bara verktygsanrop?

Nej, MCP är inte bara verktygsanrop. Med verktygsanrop ber modellen om ett verktyg, och med MCP hittar AI-appen verktyg och dirigerar varje anrop till den server som kör det.

Verktygsanrop (även kallat funktionsanrop) är AI-modellens del av jobbet: modellen ser en lista med verktyg och svarar med en begäran om att köra ett av dem. Med enbart verktygsanrop måste varje AI-app själv definiera och köra varje verktyg.

MCP gör att verktyg kan finnas på servrar, så att alla AI-appar som stöder MCP kan erbjuda dem till sin modell och skicka modellens förfrågningar till rätt server.

Kommer MCP att ersätta API:er?

Nej, MCP kommer inte att ersätta API:er, eftersom MCP och API:er fungerar tillsammans. MCP-verktyg bygger ofta på befintliga API:er, och när modellen anropar ett verktyg gör MCP-servern vanligtvis en API-begäran.

Vilka AI-appar stöder MCP-verktyg?

MCP-verktyg fungerar i AI-assistenter som Claude, ChatGPT och Perplexity, och i utvecklingsverktyg som Visual Studio Code och Cursor. MCP-dokumentationen nämner dessa och påpekar att många andra appar också har stöd för dem.

Behöver själva AI-modellen ha stöd för MCP?

Nej. AI-modellen behöver inte ha stöd för MCP eftersom din AI-app hanterar protokollet. Den ansluter till servrar, skickar deras verktyg till modellen och skickar tillbaka modellens verktygsförfrågningar till rätt server. Modellen behöver bara ha stöd för funktionsanrop.

Håller MCP på att bli föråldrat?

Nej, MCP utvecklas fortfarande aktivt. Projektets förvaltare släppte en ny version av MCP-specifikationen i juli 2026 och publicerade en uppdaterad färdplan i augusti 2026, som bland annat omfattar arbete med att låta servrar visa sina verktyg gradvis i takt med att en konversation blir mer avgränsad.