AI & Machine Learning

Model Context Protocol (MCP): Membuat Server MCP Sendiri dengan Python

MCP jadi 'colokan USB-C' untuk AI. Pelajari konsepnya lalu buat server MCP sendiri yang bisa membaca database blog dalam kurang dari 60 baris Python.

NP
novan putra 5 Februari 2026 · 3 mnt baca · 2.682 dilihat
Model Context Protocol (MCP): Membuat Server MCP Sendiri dengan Python

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).

Arsitektur Model Context Protocol
Host memuat client; tiap client terhubung ke satu server MCP lewat stdio atau HTTP.

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.

NP
Ditulis oleh

novan putra

Penulis utama blog ini.

0 Komentar

Komentar ditinjau dulu sebelum tampil.