# Архитектурная проблема ДО MCP (2023-2024):
LangChain → кастомный плагин для PostgreSQL
CrewAI    → ещё один плагин для PostgreSQL
Claude     → третий плагин для PostgreSQL
# Итого: 3 разные интеграции для одного и того же действия.

# Архитектура С MCP (2025-2026):
MCP Server (PostgreSQL) ← написан один раз
├── Claude Desktop использует через stdio
├── LangChain использует через MCP Adapter
├── CrewAI использует через MCP Tool
└── Codex CLI использует через stdio
# Итого: 1 сервер → N клиентов.
    

# Шаг 1: создаём виртуальное окружение
python3 -m venv mcp-env
source mcp-env/bin/activate

# Шаг 2: установка MCP Python SDK
pip install "mcp>=1.0.0"

# Шаг 3: проверка установки
python3 -c "import mcp; print(mcp.__version__)"
# Вывод:
1.13.0

# Дополнительно: установка утилит для разработки
pip install mcp[cli]         # CLI-утилиты: mcp dev, mcp inspect
pip install httpx python-dotenv # HTTP-клиент и .env для токенов
    

# hello_mcp.py — минимальный MCP-сервер
from mcp.server import Server
from mcp.server.stdio import stdio_server

# Создаём экземпляр сервера с уникальным именем
server = Server("hello-world-mcp")

# Регистрируем инструмент через декоратор
@server.tool()
def echo(message: str) -> str:
    """Возвращает переданное сообщение обратно — демонстрация MCP Tool."""
    return f"Эхо MCP: {message}"

@server.tool()
def add_numbers(a: int, b: int) -> int:
    """Складывает два числа — пример инструмента с несколькими параметрами."""
    return a + b

# Точка входа: запускаем сервер через stdio
if __name__ == "__main__":
    stdio_server.run(server)

# Запуск:
python3 hello_mcp.py
# Сервер запущен и ждёт JSON-RPC сообщений на stdin...
    

# agent_tools_server.py — ПРОДАКШЕН MCP-СЕРВЕР
# Предоставляет агенту: SQLite + файловую систему
import os
import sqlite3
from pathlib import Path
from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent

# Конфигурация
DATABASE_PATH = "agent_data.db"
ALLOWED_DIRS = ["./data", "./logs", "/tmp/agent-workspace"]
ALLOWED_SQL_KEYWORDS = {"SELECT", "EXPLAIN", "PRAGMA"}

# Создаём сервер
server = Server("agent-toolkit-mcp")

# ─── ИНСТРУМЕНТ 1: SQL-запросы ───
@server.tool()
def execute_sql(sql: str) -> str:
    """Выполняет SQL-запрос к SQLite базе данных agent_data.db.
    Разрешены только операции чтения: SELECT, EXPLAIN, PRAGMA.
    Пример запроса: SELECT * FROM users WHERE age > 25 LIMIT 10
    """
    # Проверка безопасности: только чтение
    first_word = sql.strip().upper().split()[0]
    if first_word not in ALLOWED_SQL_KEYWORDS:
        return f"⛔ Запрещено: операция '{first_word}' не разрешена. Только SELECT/EXPLAIN/PRAGMA."

    try:
        conn = sqlite3.connect(DATABASE_PATH)
        conn.row_factory = sqlite3.Row  # Именованные колонки
        cursor = conn.execute(sql)
        rows = cursor.fetchmany(100)  # Лимит 100 строк
        columns = [d[0] for d in cursor.description] if cursor.description else []

        # Форматируем результат
        result_lines = [" | ".join(columns)]
        result_lines.append("-" * 50)
        for row in rows:
            result_lines.append(" | ".join(str(v) for v in row))

        result_lines.append(f"\n✅ {len(rows)} rows returned.")
        conn.close()
        return "\n".join(result_lines)

    except sqlite3.Error as e:
        return f"❌ SQLite error: {e}"
    except Exception as e:
        return f"❌ Unexpected error: {e}"

# ─── ИНСТРУМЕНТ 2: Чтение файлов ───
@server.tool()
def read_local_file(filepath: str) -> str:
    """Читает содержимое файла из разрешённой директории.
    Разрешены только директории: ./data, ./logs, /tmp/agent-workspace
    Пример: read_local_file("data/config.json")
    """
    resolved = Path(filepath).resolve()
    allowed = any(
        str(resolved).startswith(str(Path(d).resolve()))
        for d in ALLOWED_DIRS
    )
    if not allowed:
        return f"⛔ Доступ запрещён: '{filepath}' вне разрешённых директорий."

    try:
        content = Path(filepath).read_text(encoding="utf-8")
        # Ограничиваем размер ответа — 8000 символов
        if len(content) > 8000:
            content = content[:8000] + "\n\n... (truncated)"
        return content
    except FileNotFoundError:
        return f"❌ Файл не найден: '{filepath}'"
    except Exception as e:
        return f"❌ Ошибка чтения: {e}"

# ─── ИНСТРУМЕНТ 3: Листинг директорий ───
@server.tool()
def list_directory(path: str) -> str:
    """Показывает содержимое директории (файлы и поддиректории).
    Только для разрешённых директорий.
    Пример: list_directory("data/")
    """
    resolved = Path(path).resolve()
    allowed = any(
        str(resolved).startswith(str(Path(d).resolve()))
        for d in ALLOWED_DIRS
    )
    if not allowed:
        return f"⛔ Доступ запрещён: '{path}'"

    try:
        items = sorted(resolved.iterdir(), key=lambda x: (not x.is_dir(), x.name))
        lines = []
        for item in items:
            icon = "📁" if item.is_dir() else "📄"
            size = item.stat().st_size if item.is_file() else 0
            lines.append(f"{icon} {item.name} ({size:,} bytes)")
        return "\n".join(lines) or "(пустая директория)"
    except Exception as e:
        return f"❌ Ошибка: {e}"

# ─── ЗАПУСК ───
if __name__ == "__main__":
    print(f"🚀 Agent Toolkit MCP Server starting...", file=__import__('sys').stderr)
    print(f"   Database: {DATABASE_PATH}", file=__import__('sys').stderr)
    print(f"   Allowed dirs: {ALLOWED_DIRS}", file=__import__('sys').stderr)
    stdio_server.run(server)
    

// ~/Library/Application Support/Claude/claude_desktop_config.json (macOS)
// %APPDATA%\Claude\claude_desktop_config.json (Windows)
{
  "mcpServers": {
    "agent-toolkit": {
      "command": "python3",
      "args": ["/home/user/projects/agent_tools_server.py"],
      "env": {
        "PYTHONUNBUFFERED": "1"
      }
    }
  }
}
    

# langchain_mcp_integration.py
from langchain_mcp import MCPToolkit
from langchain.agents import create_agent
from langchain.chat_models import ChatOpenAI

# Создаём MCP-клиент для нашего сервера
mcp_toolkit = MCPToolkit.from_stdio_command(
    command="python3",
    args=["agent_tools_server.py"],
)

# Асинхронная инициализация (получает tools/list от сервера)
await mcp_toolkit.initialize()

# Все инструменты сервера становятся LangChain Tools
tools = mcp_toolkit.get_tools()
print(f"📦 Загружено {len(tools)} инструментов из MCP-сервера")
# Вывод:
📦 Загружено 3 инструментов из MCP-сервера

# Создаём LangChain-агента с MCP-инструментами
llm = ChatOpenAI(model="claude-opus-8-2026")
agent = create_agent(llm=llm, tools=tools)

# Запускаем агента: он сам решит, какой инструмент вызвать
result = await agent.ainvoke("Сколько пользователей в таблице users?")
print(result)
    

# crewai_mcp_integration.py
from crewai import Agent, Task, Crew
from crewai.tools.mcp import MCPTool

# Подключаем инструменты MCP-сервера
sql_tool = MCPTool(
    server_command="python3",
    server_args=["agent_tools_server.py"],
    tool_name="execute_sql",
)

file_tool = MCPTool(
    server_command="python3",
    server_args=["agent_tools_server.py"],
    tool_name="read_local_file",
)

# Создаём агентов CrewAI
data_analyst = Agent(
    role="Data Analyst",
    goal="Анализировать данные через SQL-запросы",
    tools=[sql_tool],
)

file_reader = Agent(
    role="File Reader",
    goal="Читать и анализировать файлы",
    tools=[file_tool],
)

# Задача: анализ данных из БД + чтение конфигурации из файла
analysis_task = Task(
    description="Проанализируй таблицу sales за текущий месяц и сверь с планом из файла plan.json",
    expected_output="Отчёт о выполнении плана продаж",
    agent=data_analyst,
)

crew = Crew(agents=[data_analyst, file_reader], tasks=[analysis_task])
result = crew.kickoff()
print(result)
    

# rag_mcp_server.py — RAG через MCP
import chromadb
from mcp.server import Server
from mcp.server.stdio import stdio_server
from openai import OpenAI

server = Server("rag-mcp-server")
chroma = chromadb.PersistentClient(path="./chroma_data")
collection = chroma.get_or_create_collection(name="knowledge_base")
client = OpenAI()  # Для эмбеддингов через API

@server.tool()
def search_documents(query: str, top_k: int = 5) -> str:
    """Поиск релевантных документов в RAG-базе знаний.
    Возвращает top_k наиболее подходящих фрагментов.
    Пример: search_documents("Как настроить OAuth 2.0", top_k=3)
    """
    try:
        # Генерируем эмбеддинг запроса
        embedding = client.embeddings.create(
            model="text-embedding-3-small",
            input=query
        ).data[0].embedding

        # Поиск в ChromaDB
        results = collection.query(
            query_embeddings=[embedding],
            n_results=top_k,
        )

        # Форматируем результат
        docs = results["documents"][0]
        distances = results["distances"][0]

        output = []
        for i, (doc, dist) in enumerate(zip(docs, distances), 1):
            output.append(f"## Результат {i} (релевантность: {dist:.3f})\n{doc[:500]}")

        return "\n\n".join(output)

    except Exception as e:
        return f"❌ Ошибка поиска: {e}"
    

# Архитектура мульти-агентной системы с MCP (2026):
┌─────────────────────────────────────────────┐
│  СЛОЙ АГЕНТОВ (Agent Layer)                  │
│  ┌──────┐ ┌────────┐ ┌──────────┐           │
│  │Аналитик│ │Деплойер│ │Коммуникатор│          │
│  │CrewAI │ │AutoGen │ │LangChain │           │
│  └──┬───┘ └───┬────┘ └────┬─────┘           │
│     │         │           │                  │
│     └─────────┼───────────┘                  │
│               │ MCP Protocol (JSON-RPC 2.0)  │
├───────────────┼──────────────────────────────┤
│  СЛОЙ MCP-СЕРВЕРОВ (Tool Layer)              │
│  ┌────────┐┌──────────┐┌────────┐┌───────┐ │
│  │PostgreSQL││Kubernetes││ Slack ││ Brave │ │
│  │  MCP   ││   MCP    ││  MCP  ││Search │ │
│  └────────┘└──────────┘└────────┘└───────┘ │
└─────────────────────────────────────────────┘
# Ключевое преимущество: смена агента/фреймворка
# не требует переписывания интеграций с инструментами.
    

# Установка и запуск MCP Inspector
npx @modelcontextprotocol/inspector python3 agent_tools_server.py

# Альтернативно — через CLI самого MCP SDK:
mcp dev agent_tools_server.py

# Открывается http://localhost:5173
# → Вкладка Tools: список инструментов с сигнатурами
# → Вкладка Resources: доступные ресурсы
# → Консоль: JSON-RPC запросы и ответы в реальном времени
    

MCP решает проблему фрагментации AI-интеграций: один раз написанный сервер работает с Claude Desktop, LangChain, CrewAI, AutoGen, Mastra, Codex CLI, Cursor и десятками других клиентов. Экосистема из 1000+ готовых серверов покрывает 90% сценариев — от файловой системы до Kubernetes. SDK на 10 языках позволяют создавать кастомные серверы за минуты, а не дни. Если вы разрабатываете AI-агентов в 2026 году — MCP должен быть в основе вашей архитектуры.

Ключевые выводы:
🔌 Единый интерфейс: JSON-RPC 2.0 + stdio/HTTP — всё, что нужно для интеграции любого инструмента с любым агентом.
🔒 Безопасность из коробки: белые списки директорий, read-only SQL, гранулярные права доступа — агент не получит больше, чем вы разрешили.
📦 1000+ серверов в реестре: PostgreSQL, GitHub, Brave Search, Puppeteer, Slack, Google Drive, Redis, Kubernetes — всё готово к использованию.
🚀 5 минут до первого запуска: pip install mcp → создать server.py → подключить к Claude Desktop.

🚀 ГОТОВЫ ЗАПУСТИТЬ СВОЕГО AI-АГЕНТА?

QantCore — ваш проводник в мир AI-агентов. Мы помогаем российским разработчикам и бизнесу внедрять передовые AI-решения: от настройки MCP-серверов до создания автономных агентов на Claude, LangChain и CrewAI. Оплата из РФ без ограничений.