Sejak diperkenalkan Anthropic pada akhir 2024, Model Context Protocol (MCP) berkembang menjadi standar de facto untuk menghubungkan AI dengan alat dan data eksternal. Sepanjang 2025 hampir semua pemain besar ikut mendukung, dan akhir 2025 MCP disumbangkan ke Linux Foundation lewat Agentic AI Foundation. Di 2026, kemampuan membuat server MCP sendiri jadi skill yang dicari banyak tim.
Kenapa MCP Penting
Sebelum MCP, setiap integrasi AI harus dibuat khusus: plugin untuk aplikasi A, function calling khusus untuk aplikasi B. MCP menyederhanakannya menjadi satu protokol: buat server sekali, pakai di banyak host (Claude Desktop, Claude Code, IDE, dan lainnya).
Server MCP bisa menyediakan tiga hal:
| Primitive | Fungsi | Contoh |
|---|---|---|
| Tools | Aksi yang bisa dipanggil model | cari_artikel, buat_draft |
| Resources | Data yang bisa dibaca | isi file, baris database |
| Prompts | Template prompt siap pakai | "ringkas artikel ini" |
Persiapan
# uv adalah package manager Python yang cepat
pip install uv
uv init blog-mcp && cd blog-mcp
uv add "mcp[cli]" pymysql
Server MCP Pertama
Kita buat server yang bisa mencari artikel di database blog ini.
# server.py
import os
import pymysql
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("blog-novan")
def db():
return pymysql.connect(
host=os.environ.get("DB_HOST", "localhost"),
user=os.environ["DB_USER"],
password=os.environ["DB_PASS"],
database=os.environ["DB_NAME"],
cursorclass=pymysql.cursors.DictCursor,
)
@mcp.tool()
def cari_artikel(kata_kunci: str, batas: int = 5) -> list[dict]:
"""Cari artikel terbit berdasarkan judul atau isi."""
with db() as conn, conn.cursor() as cur:
cur.execute(
"""SELECT title, slug, published_at FROM posts
WHERE status = 'published' AND (title LIKE %s OR content LIKE %s)
ORDER BY published_at DESC LIMIT %s""",
(f"%{kata_kunci}%", f"%{kata_kunci}%", min(batas, 20)),
)
return [
{**r, "published_at": str(r["published_at"])} for r in cur.fetchall()
]
@mcp.resource("artikel://{slug}")
def baca_artikel(slug: str) -> str:
"""Isi lengkap satu artikel dalam Markdown."""
with db() as conn, conn.cursor() as cur:
cur.execute("SELECT title, content FROM posts WHERE slug = %s", (slug,))
row = cur.fetchone()
return f"# {row['title']}\n\n{row['content']}" if row else "Tidak ditemukan."
@mcp.prompt()
def ide_artikel_lanjutan(topik: str) -> str:
return f"Cari artikel tentang '{topik}' lalu usulkan 3 judul lanjutan yang belum ada."
if __name__ == "__main__":
mcp.run() # default: transport stdio
Docstring pada fungsi bukan hiasan — itulah deskripsi yang dibaca model untuk memutuskan kapan tool dipakai. Tulis dengan jelas.
Menguji dengan MCP Inspector
uv run mcp dev server.py
Perintah ini membuka MCP Inspector di browser, tempat kamu bisa memanggil tool secara manual sebelum menghubungkannya ke AI.
Menghubungkan ke Claude Code
claude mcp add blog-novan \
-e DB_USER=blog -e DB_PASS=rahasia -e DB_NAME=blog \
-- uv run --directory /path/ke/blog-mcp server.py
Setelah itu kamu bisa bertanya: "Artikel apa saja di blog yang membahas Docker?" — dan model akan memanggil cari_artikel sendiri.
Tips Keamanan
Penting: server MCP berjalan dengan hak akses yang kamu berikan. Perlakukan seperti API publik.
- Gunakan user database read-only untuk tool yang hanya membaca.
- Batasi hasil (
LIMIT) agar konteks model tidak banjir. - Jangan pernah membuat tool "jalankan SQL bebas".
- Validasi setiap argumen — model bisa saja mengirim nilai aneh, apalagi jika terkena prompt injection.
Penutup
MCP mengubah cara kita membangun integrasi AI: dari kode lem yang rapuh menjadi komponen yang bisa dipakai ulang. Mulailah dari satu tool read-only yang berguna untuk tim kamu, uji di Inspector, lalu kembangkan perlahan.
0 Komentar