Model Context Protocol (MCP)

Co je Model Context Protocol?

Model Context Protocol, zkráceně MCP, je otevřený a standardizovaný protokol. Umožňuje vytvářet strukturovanou a spolehlivou komunikaci mezi klientským softwarem a servery jazykových modelů (LLM). Na rozdíl od běžných API nabízí MCP konzistentní způsob výměny kontextu, nástrojů a zdrojů. Díky tomu můžete propojit AI systémy od různých dodavatelů bez problémů s kompatibilitou. MCP definuje, jak balit a odesílat nejen prompty, ale také doplňující informace jako metadata, popisy nástrojů a odkazy na zdroje. To dělá komunikaci předvídatelnou a snadno rozšiřitelnou, když potřebujete přidat nové funkce.

Jak MCP souvisí s vývojem Python serverů

Použitím MCP v Python projektech se vyhnete zmatkům, které vznikají při práci s vlastními nebo nestandardními rozhraními. Servery kompatibilní s MCP umí číst a zpracovávat tyto strukturované požadavky. Tento přístup vám šetří čas při integraci a udržuje kód snadno spravovatelný. Rychle postavíte AI aplikace, snadno je škálujete a spolupracujete s jakýmkoli klientem podporujícím MCP, bez ohledu na to, jaký AI systém používá. Jasně definovaný způsob, jak MCP pracuje s kontextem, zdroji a nástroji, znamená méně překladového kódu a vývoj na pevném základu znovupoužitelných komponent.

Základní principy a architektura

MCP má několik hlavních částí:

• Servery: Systémy, které provozují MCP endpointy. Přijímají detaily kontextu, požadavky na nástroje i volání zdrojů od klientů.
• Zdroje a nástroje: Modulární funkce, například kalkulačky nebo vyhledávače, které server nabízí přes MCP. Klienti a LLM je mohou využívat podle potřeby.
• Kontext a prompty: MCP umožňuje posílat detailní kontext včetně pokynů uživatele, historie konverzace a doplňujících informací. To podporuje přesnější a personalizované odpovědi modelu.
• Rozšiřitelnost: MCP můžete rozšířit o vlastní nástroje, zdroje nebo způsoby strukturování kontextu. Díky tomu snadno podpoříte nové AI workflow podle měnících se potřeb.

Postavením na schématech MCP připravujete Python projekty na budoucí změny. Servery kompatibilní s MCP budou hladce spolupracovat s novými LLM a AI nástroji, jakmile přijdou. Protokol vás vede ke struktuře, přizpůsobitelnosti a zajišťuje, že všechny vaše AI systémy budou spolupracovat.

Python knihovny jako základ pro MCP servery

Budování MCP serveru v Pythonu je nejefektivnější s využitím konkrétních knihoven, které protokol podporují, zvládají požadavky hladce a škálují s růstem uživatelů nebo úloh.

MCP Python SDK

MCP Python SDK je hlavní nástroj pro tvorbu serverů dle pravidel MCP. Tato sada nabízí funkce pro kontrolu datových formátů (validaci schémat), správu kontextu i obsluhu protokolu. Rychle s ní nadefinujete zdroje a nastavíte nástroje. SDK zajišťuje, že váš server odpovídá aktuálním MCP standardům. Protože většinu logiky protokolu řeší za vás, trávíte méně času psaním vlastního kódu a aktualizacemi při změnách protokolu.

Základní webové frameworky: FastAPI a Flask

FastAPI

FastAPI je moderní a rychlý webový framework vhodný pro MCP servery. Podporuje asynchronní programování, což znamená, že server zvládne mnoho požadavků najednou bez zablokování. FastAPI automaticky generuje OpenAPI dokumentaci a kontroluje data pomocí pydantic. Díky architektuře ASGI (Asynchronous Server Gateway Interface) a neblokujícímu zpracování zvládne obsloužit velké množství souběžných požadavků. Je tak silnou volbou pro AI aplikace nebo případy, kde je třeba spravovat mnoho kontextu najednou.

Flask

Flask je další velmi oblíbený framework. Mnoho vývojářů ho volí pro jeho jednoduchost a přehlednost. Ve výchozím stavu zpracovává Flask jeden požadavek v čase, což stačí pro jednodušší aplikace nebo úlohy, které nemusí běžet paralelně. Pokud potřebujete ve Flasku více souběžnosti, můžete přidat doplňkové knihovny. Flask je vhodný pro rychlé prototypování nebo aplikace, které nemusí obsluhovat velké množství uživatelů najednou.

Asynchronní souběžnost: asyncio a trio

asyncio

asyncio je součástí Pythonu a umožňuje psát asynchronní kód. S jeho pomocí můžete používat příkazy async a await, což umožní serveru reagovat na mnoho požadavků a dělat background práci bez čekání na dokončení jedné úlohy před spuštěním další. Pokud používáte FastAPI nebo stavíte své ASGI aplikace, asyncio vám umožní spravovat více úloh (například paralelní volání nebo background tasks) bez potřeby dalších vláken.

trio

trio je alternativní knihovna pro asynchronní programování s několika rozšířenými možnostmi. Používá tzv. strukturovanou souběžnost, která usnadňuje organizaci a bezpečné ukončování skupin úloh. trio vylepšuje správu chyb a zjednodušuje složité asynchronní workflow. Vývojáři volí trio pro MCP servery, kde je potřeba velmi přesná kontrola nad paralelními úlohami.

Základ pro škálovatelné MCP servery

Kombinací MCP Python SDK s FastAPI (nebo Flaskem) a přidáním asyncio či trio získáte solidní základ pro svůj MCP server. Toto řešení podporuje organizovanou komunikaci a připravuje server na pokročilé funkce, nové integrace i provoz ve větším měřítku.

Pokročilé knihovny a nástroje pro rozšíření funkcionality serveru

Serializace a validace dat

Pro udržení spolehlivosti serveru založeného na protokolu je nutná precizní validace dat. Můžete využít pydantic, který čte Python type anotace a kontroluje i parsuje data za běhu. Tato knihovna je velmi rychlá a hodí se pro tvorbu přísných datových schémat pro MCP zprávy i vstupy nástrojů. Pydantic využívá moderní metody parsování a podle měření zvládá validovat typické datové modely pod jednu milisekundu. Pomáhá rychle odhalit špatné typy dat a blokovat požadavky, které neodpovídají pravidlům.
marshmallow je další nástroj pro správu vstupních a výstupních dat. Podporuje vlastní datová pole, skládá komplexní data do zanořených struktur a umožňuje spouštět extra kroky před nebo po zpracování. To oceníte při potřebě transformovat či čistit data při příchodu na MCP server.

Reálná komunikace: Websockets a SSE

Mnoho interaktivních AI systémů potřebuje komunikovat v reálném čase. Pomocí websockets může server i klient kdykoli posílat zprávy po jednom TCP spojení. To umožní streamovat odpovědi, posílat živé aktualizace z nástrojů nebo spolupracovat na úlohách modelu v týmu. Testy a studie ukazují, že websocket spojení obvykle udrží latenci pod 50 ms, což je výrazně rychlejší než long-polling nebo běžné HTTP požadavky pro průběžnou komunikaci.

Pokud potřebujete posílat aktualizace jen ze serveru ke klientovi, pomůže Server-Sent Events (SSE). SSE využívá jednoduché HTTP spojení, které podporuje většina prohlížečů. Hodí se pro jednosměrné zprávy, jako jsou notifikace či stavové aktualizace, a šetří serverové zdroje, když nepotřebujete obousměrnou komunikaci.

Bezpečnost a autentizace

Pro ochranu kontextů modelu i uživatelských dat je třeba silná autentizace. Authlib usnadní nasazení OAuth2 a OpenID Connect, což jsou běžné metody pro bezpečné přihlášení a správu přístupových tokenů. Authlib dodržuje standardy a zjednodušuje propojení s různými poskytovateli identity, přičemž minimalizuje slabá místa v zabezpečení.

Pro správu session můžete použít PyJWT, který umožňuje využívat JSON Web Tokeny. Tyto tokeny jsou kryptograficky podepsané, takže můžete rychle ověřit identitu a práva uživatele bez nutnosti pokaždé sahat do databáze. PyJWT podporuje pokročilé algoritmy podepisování jako RS256 a HS512, čímž splňuje přísné bezpečnostní požadavky podle průmyslových norem a doporučení.

Použitím pydantic, marshmallow, websockets, SSE, Authlib a PyJWT ve vašem MCP serveru zajistíte přísnou kontrolu dat, rychlou komunikaci v reálném čase a bezpečnou autentizaci. Každá knihovna pokrývá jasně definovanou oblast, což pomáhá udržet server modulární, snadno spravovatelný a připravený na produkční provoz.

Strategie integrace pro MCP servery

Efektivní integrace umožňuje MCP serverům komunikovat s externími službami, řídit data a nasazovat spolehlivě. Zde najdete konkrétní strategie, srozumitelná vysvětlení a praktické příklady pro každou klíčovou knihovnu používanou při moderním vývoji MCP serverů v Pythonu.

Připojení k externím API

MCP servery často potřebují data od třetích stran pro lepší modelový kontext. Pro synchronní HTTP volání, kdy nevadí blokování (například při startu serveru nebo nízké zátěži), můžete použít knihovnu requests. Pokud server potřebuje obsloužit mnoho požadavků najednou a vyhnout se blokování, nabízí httpx asynchronní HTTP funkcionalitu. HTTPX podporuje pooling spojení i HTTP/2, což zrychluje a zefektivňuje obsluhu datově náročných serverů (viz HTTPX benchmarky pro detailní měření výkonu).

Příklad:

• Zavolejte requests.get() pro získání zdrojů ve skriptech nebo synchonních nástrojích.
• Použijte await httpx.AsyncClient().get() v asynchronních FastAPI endpointech pro paralelní načítání dat.

Databázová integrace

MCP servery často potřebují dlouhodobě ukládat a spravovat data. Pro relační databáze slouží SQLAlchemy jako objektově-relační mapovač (ORM). Umožňuje psát Python kód pro tvorbu, čtení, úpravu i mazání záznamů a zvládá složité dotazy i migrace. ORM SQLAlchemy vás chrání před psaním syrového SQL, díky čemuž je kód bezpečnější a údržba snazší (viz SQLAlchemy dokumentace a studie o výhodách ORM).

Pokud vaše aplikace využívá asynchronní programování, nabízí asyncpg plnou asynchronní podporu pro PostgreSQL. Hodí se tam, kde je potřeba zvládat mnoho databázových spojení současně, například u MCP serverů poháněných FastAPI. Testy ukazují, že asyncpg zkracuje prodlevy a zvládá více požadavků za sekundu oproti synchronním ovladačům.

Příklad:

• Použijte ORM SQLAlchemy pro záznam akcí uživatelů nebo využití nástrojů do databáze.
• Využijte asyncpg pro event-driven úlohy vyžadující neblokující práci s databází.

Produkční nasazení

Pro provoz MCP API pro mnoho uživatelů je vhodný uvicorn jako ASGI server pro FastAPI aplikace. Uvicorn využívá asyncio a zvládá mnoho požadavků současně. Pro servery postavené na WSGI frameworcích jako Flask spravuje gunicorn více worker procesů, což zvyšuje spolehlivost aplikace při silné zátěži. Odborné testy ukazují, že event loop uvicornu je velmi efektivní pro I/O náročné asynchronní úlohy. Gunicorn je ideální pro tradiční synchronní aplikace.

K nasazení využijte Docker, který zabalí server i všechny závislosti do jednoho, opakovatelně použitelného image. Docker server zjednodušuje přesun mezi prostředími, usnadňuje orchestrace (například Kubernetes) a podporuje spolehlivý CI/CD proces. Výzkumy potvrzují, že Docker snižuje chybovost při nasazení a umožňuje snadné škálování napříč servery.

Příklad:

• Spusťte FastAPI MCP server příkazem uvicorn main:app --host 0.0.0.0 --port 80.
• Uložte serverový kód do Dockerfile a stavte konzistentní image pro každé prostředí.

Můžete kombinovat requests nebo httpx pro volání API, SQLAlchemy či asyncpg pro ukládání dat, uvicorn nebo gunicorn pro samotný provoz a Docker k nasazení. Tyto strategie umožní MCP serverům připojit se k externím systémům, efektivně ukládat data a spolehlivě běžet v reálném produkčním prostředí.

Praktický příklad – stavba jednoduchého MCP serveru

Krok 1: Instalace potřebných balíčků

Nejprve použijte pip a nainstalujte všechny knihovny, které pro MCP server potřebujete:

pip install fastapi uvicorn pydantic mcp-sdk

Krok 2: Definujte kalkulační nástroj a vytvořte MCP server

Použijete FastAPI pro obsluhu HTTP požadavků, pydantic pro validaci a strukturování vstupních dat a MCP Python SDK pro dodržení MCP protokolu.

from fastapi import FastAPI  
from pydantic import BaseModel  
from mcp_sdk import MCPServer, Tool

app = FastAPI()  
mcp_server = MCPServer(app)

class AddInput(BaseModel):  
    a: float  
    b: float

@Tool(name="add", input_model=AddInput)  
def add(inputs: AddInput):  
    return {"result": inputs.a + inputs.b}

mcp_server.register_tool(add)

Vysvětlení:

• FastAPI nastaví webovou aplikaci i potřebné HTTP cesty.
• pydantic pomocí třídy AddInput zajistí správné typy a strukturu vstupů pro nástroj.
• Dekorátor Tool z MCP SDK publikuje funkci add jako MCP zdroj odpovídající protokolu.
• MCPServer propojí váš nástroj s FastAPI a automaticky vytvoří MCP-kompatibilní endpointy.

Krok 3: Spuštění serveru

Spusťte ASGI server pomocí uvicorn, aby byly MCP endpointy dostupné:

uvicorn main:app --reload

Jak to funguje

Když server obdrží správně formátovaný MCP požadavek na nástroj add, FastAPI jej předá správné funkci. pydantic ověří data. MCP SDK se postará o všechny pravidla protokolu. Samotný nástroj add spočítá součet a vrátí JSON s výsledkem. Další nástroje přidáte vytvořením nových vstupních modelů a funkcí a jejich registrací do MCP serveru.

Tento příklad vám dává kompletní základ pro jednoduchý, standardizovaný MCP server. Používáte FastAPI, pydantic, MCP Python SDK i uvicorn. Tento vzor můžete použít pro stavbu rozsáhlejších MCP serverů s dalšími nástroji a funkcemi.