🤔

🤩

🥰

😬

🙂

В прошлом посте разобрались, что MCP позволяет дать нейросети собственные инструменты.
Теперь попробуем сделать такой инструмент самостоятельно.

Для самого простого варианта нам нужен только установленный Python.

pip install "mcp[cli]"

from mcp.server import MCPServer

mcp = MCPServer("Freelance Helper")


@mcp.tool()
def calculate_price(hours: int, rate: int) -> int:
"""Рассчитать стоимость работы."""
    return hours * rate


@mcp.tool()
def make_offer(client: str, price: int, days: int) -> str:
"""Создать предложение для клиента."""
    return (
    f"{client}, стоимость проекта — {price} руб. "
    f"Срок выполнения — {days} дней."
    )


if __name__ == "__main__":
mcp.run()

И всё. 💃

У нас уже есть MCP-сервер с двумя инструментами.
Первый считает стоимость проекта.
Второй формирует предложение клиенту.
Причём нам не пришлось отдельно описывать формат каждого инструмента.
MCP SDK понимает по Python-аннотациям, что hours, rate, price и days должны быть числами.
Теперь сервер можно подключить, например, к Codex:

codex mcp add freelance-helper -- python C:\mcp\server.py

После этого пишем нейросети:
«Проект займёт 18 часов. Моя ставка 1500 рублей. Посчитай стоимость и подготовь предложение для Андрея со сроком 5 дней».
Нейросеть сможет вызвать:

calculate_price(18, 1500)

27000

make_offer("Андрей", 27000, 5)

Конечно, считать стоимость проекта через MCP — немного бессмысленно :)
Но вместо calculate_price может быть что угодно:

🍿 запрос к базе данных;
🍿 получение клиента из CRM;
🍿 создание задачи;
🍿 работа с API;
🍿 генерация документа;
🍿 получение статистики сайта.


Именно поэтому MCP становится интересен не только как игрушка для разработчиков.
В следующем посте посмотрим, как из этого сделать реальный фриланс-кейс

get_client_info

get_active_tasks

get_last_messages

get_payments

create_task

«Что сейчас происходит с клиентом ООО Ромашка?»

get_client_info()

get_active_tasks()

get_last_messages()

get_payments()

«Создай задачу связаться с ними завтра. Укажи, что клиент ждёт новую смету».

create_task()

CRM / Backend клиента
↓
REST API
↓
MCP Server
↓
Codex / Claude / другой AI-клиент

«Я подключу вам ChatGPT».

«Я подключу AI к вашей внутренней системе, чтобы он мог получать клиентов, анализировать данные и выполнять рабочие действия».

get_client
get_orders
get_statistics

create_task
update_client
generate_report

И постепенно превратить это в полноценного внутреннего AI-ассистента.

При этом действия, которые реально что-то меняют, лучше отделять от обычного чтения данных.

Посмотреть клиента — одно.

Удалить клиента, отправить сообщение или провести оплату — совсем другое.

Для таких действий уже стоит оставлять подтверждение пользователя.

А в следующем посте будет ещё интереснее.

Потому что даже сам MCP-сервер необязательно полностью писать вручную.

Теперь кейс посерьёзнее.

Допустим, приходит клиент и говорит:

«У нас есть внутренний API. Хотим работать с ним через нейросеть».

В API уже существуют методы:

GET /clients

GET /clients/{id}

GET /tasks

POST /tasks

GET /payments

«Создай MCP-сервер на Python с использованием актуального MCP SDK.

Есть API со следующими методами:

GET /clients
GET /clients/{id}
GET /tasks
POST /tasks
GET /payments

Создай отдельный MCP tool для каждого необходимого действия.

URL API и токен бери из переменных окружения.

Добавь обработку ошибок.

Не давай модели прямой доступ к произвольным HTTP-запросам.

Инструменты чтения отдели от инструментов, изменяющих данные.

Добавь requirements и инструкцию запуска».

Дальше агент уже может создать структуру проекта, server.py, работу с API, .env.example и документацию.

«Проверь код, установи зависимости и протестируй MCP-инструменты».

нейросеть помогает написать инструменты для нейросети, после чего сама начинает этими инструментами пользоваться.