Titel: De USB-C van AI: Maak je eigen MCP

Anthropic heeft het Model Context Protocol (MCP) als open source uitgebracht, een plug-in standaard waarmee elke AI-agent kan communiceren met databases, monitoringtools, code-repositories en meer via één enkele, uniforme interface. Ontwikkelaars kunnen nu een handvol op maat gemaakte connectoren vervangen door één MCP-server, waardoor elke compatibele client direct toegang heeft tot dezelfde gegevens.

Waarom ontwikkelaars van AI-apps een gemeenschappelijke "USB-C" nodig hebben

Het bouwen van een AI-gestuurde workflow voelt tegenwoordig als het aan elkaar naaien van aangepaste code. Wil je dat Claude, een Python-script of een editor van een derde partij gegevens leest uit PostgreSQL, een Datadog-dashboard bevraagt of een GitHub-issue opent? Dan schrijf je telkens een nieuwe integratielaag. De inspanning neemt exponentieel toe naarmate de stack groeit, en de glue code wordt moeilijk te onderhouden, testen en beveiligen.

MCP doorbreekt die cyclus. Het definieert één enkel protocol voor het blootleggen van resources (alleen-lezen gegevens zoals logs of API-specificaties), tools (acties die een agent kan uitvoeren, zoals het draaien van SQL of het aanmaken van tickets) en prompts (sjablonen die sturen hoe de AI de gegevens moet gebruiken). Elke conforme client behandelt verschillende services alsof ze in dezelfde poort zijn aangesloten.

Hoe het protocol is gestructureerd

  • MCP Hosts – applicaties waarin AI is ingebed, zoals Claude Desktop of een code-assistent editor.
  • MCP Clients – dunne lagen binnen een host die de handshake afhandelen en verzoeken routeren.
  • MCP Servers – lichtgewicht programma's die een specifieke gegevensbron of service blootleggen, zoals een SQLite-bestand, een Slack-workspace of een monitoring-endpoint.

Wanneer een AI verbinding maakt, ontdekt de client de catalogus van resources, tools en prompts van de server. De agent doet vervolgens oproepen die er identiek uitzien, of de onderliggende service nu een relationele database of een ticketsysteem is. De server vertaalt deze oproepen naar de juiste API- of querytaal en geeft de resultaten terug in een formaat dat de agent kan verwerken.

Een concreet workflow-voorbeeld

Stel je een ontwikkelaar voor die een PostgreSQL-server en een Datadog-monitoring-endpoint via MCP koppelt aan een AI-assistent. De ontwikkelaar vraagt de assistent om recente foutpieken te lokaliseren, de bijbehorende gebruikersgegevens uit de database op te halen en een code-fix voor te stellen. De AI:

  1. Bevraagt Datadog via de via MCP blootgestelde monitoringtool en haalt de relevante logs op.
  2. Voert een SQL-query uit op de PostgreSQL-server met behulp van de door MCP aangeboden database-tool.
  3. Genereert een patch op basis van een prompt die de typische structuur beschrijft van een oplossing voor het waargenomen foutpatroon.

Alle drie de stappen vinden plaats via hetzelfde protocol, zonder dat de ontwikkelaar aparte adapters voor elke service hoeft te schrijven.

Een MCP-server bouwen

De referentie-implementatie van Anthropic laat zien dat een server geschreven kan worden in bekende talen zoals TypeScript of Python. Het proces komt neer op:

  1. Het declareren van de resources die de server zal blootleggen (bijv. een set tabellen, een verzameling logbestanden).
  2. Het definiëren van de tools die de AI mag aanroepen (SQL-executie, HTTP POST, bestandsschrijven).
  3. Het aanbieden van prompt-sjablonen die de AI helpen bij het formatteren van de verzoeken.

Zodra de server draait, wordt deze automatisch ontdekt door elke MCP-compatibele client, waardoor de nieuwe gegevensbron direct bruikbaar is binnen de AI-tools van de organisatie.

Conclusie

Het Model Context Protocol biedt een enkele "USB-C" voor AI-agents, waardoor een verward web van aangepaste connectoren wordt omgezet in een plug-and-play-ecosysteem. Teams die klaar zijn met het schrijven van glue code kunnen MCP vandaag nog testen en een praktische versnelling in de praktijk zien.