Мой боевой набор MCP-серверов для работы с AI

Делюсь инструментами, которые реально меняют подход к разработке с нейросетями. Использую их и в личных проектах, и в связке с агентами вроде Claude Code или Cursor.

Что такое MCP и почему это важно

Model Context Protocol — это протокол, который даёт AI-ассистенту прямой доступ к вашим инструментам: файловой системе, базам данных, git-репозиториям и API. Вместо бесконечного копипаста нейросеть сама читает код, выполняет запросы к БД и коммитит изменения.

Пять серверов, которые я настраиваю в каждом проекте

1. Filesystem — фундамент работы

"filesystem": {
  "command": "npx",
  "args": [
    "-y",
    "@modelcontextprotocol/server-filesystem",
    "/путь/к/вашему/проекту"
  ]
}

Зачем нужен: AI получает доступ к файлам проекта — может читать код, анализировать структуру, вносить изменения. Это базовый инструмент, без которого остальное не имеет смысла. Особенно актуальный инструмент в работе с собственными ии-проектами.

Совет: указывайте путь к корню конкретного проекта, а не к домашней директории. Это и безопаснее, и помогает AI сфокусироваться на релевантных файах.

2. Git — версионирование на автопилоте

"git": {
  "type": "stdio",
  "command": "uvx",
  "args": [
    "mcp-server-git",
    "--repository",
    "/путь/к/вашему/проекту"
  ]
}

Зачем нужен: AI может изучать историю коммитов, создавать ветки, делать коммиты. Особенно полезно для code review и анализа того, как менялся код со временем.

Требования: нужен Python и установленный uvx.

3. Postgres — работа с БД без головной боли

"postgres": {
  "command": "uv",
  "args": ["run", "postgres-mcp", "--access-mode=unrestricted"],
  "env": {
    "DATABASE_URI": "postgresql://user:password@localhost:5432/dbname"
  }
}

Зачем нужен: AI может выполнять SQL-запросы, анализировать схему базы данных, помогать с миграциями. Экономит массу времени на отладке запросов и оптимизации.

Важно:
- Флаг --access-mode=unrestricted используйте только в dev-окружении
- Никогда не коммитьте реальные пароли в конфиг — используйте переменные окружения

4. cURL — свобода работы с API

"curl": {
  "command": "npx",
  "args": ["-y", "@mcp-get-community/server-curl"]
}

Зачем нужен: AI может делать HTTP-запросы к любым API. Тестирование эндпоинтов, интеграция с внешними сервисами — всё через простое текстовое описание задачи.

5. Context7 — актуальная документация библиотек

"context7": {
  "command": "npx",
  "args": ["-y", "@upstash/context7-mcp"],
  "env": {
    "CONTEXT7_API_KEY": "ваш_api_ключ"
  }
}

Зачем нужен: даёт AI доступ к актуальной документации популярных библиотек и фреймворков. Вместо того чтобы полагаться на устаревшие знания из обучающей выборки, нейросеть получает свежую информацию об API, best practices и изменениях в новых версиях. Особенно критично для быстро развивающихся экосистем вроде React, Next.js или FastAPI.

API-ключ: получить можно на Сontext7

Как это работает в реальной жизни

Мой типичный workflow выглядит так:

1. Filesystem + Git — AI читает код, вносит изменения, коммитит их с осмысленными сообщениями
2. Postgres — проверяю и оптимизирую SQL-запросы, анализирую данные
3. cURL — тестирую API endpoints прямо в диалоге с AI
4. Context7 — AI работает с актуальной документацией библиотек, не галлюцинирует устаревшие методы

Безопасность превыше всего

Несколько правил, которых я строго придерживаюсь:

- Никогда не давайте AI доступ к продакшн-базам данных
- Создавайте отдельного пользователя БД с минимально необходимыми правами
- Храните секреты и пароли в переменных окружения, а не в конфигах
- Всегда ревьюте действия AI, особенно git-коммиты и изменения в БД

Эти пять MCP-серверов покрывают около 90% моих задач при работе с AI в проектах. Настраиваются один раз, работают везде. AI получает все необходимые инструменты для реальной работы — не просто генерации кода, а полноценного участия в разработке.

Какие MCP-серверы используете вы? Поделитесь опытом в комментариях! 👇