MCP Dijelaskan: Apa yang Sebenarnya Diselesaikan Model Context Protocol

Dua tahun lalu, menghubungkan asisten AI ke tool Anda berarti menulis integrasi khusus per model per tool: satu lapisan perekat untuk Claude dan database Anda, satu lagi untuk ChatGPT dan database yang sama, yang ketiga saat model berikutnya datang. Model Context Protocol — MCP, di-open-source Anthropic pada November 2024 — ada untuk membunuh matriks N-kali-M itu.

MCP sejak itu menjadi standar de facto, didukung Claude, ChatGPT, VS Code, Cursor, dan deretan panjang framework agent. Saya memakai server MCP setiap hari di Claude Code, termasuk yang saya tulis sendiri untuk mengekspos data monitoring dan infrastruktur kami. Tulisan ini menjelaskan protokolnya dari dasar: arsitektur, tiga primitif, dan jawaban jujur untuk pertanyaan yang paling sering saya terima — perlukah kami membangun server sendiri?

Apa Itu MCP

Dokumentasi resminya menggambarkan MCP sebagai port USB-C untuk aplikasi AI, dan analoginya tepat: konektor terstandar supaya aplikasi AI mana pun bisa bicara dengan sistem eksternal mana pun tanpa pengkabelan khusus. Alih-alih setiap tim mengimplementasikan ulang tool calling untuk database, kalender, atau issue tracker mereka terhadap API tiap vendor model, sistemnya mengekspos dirinya sekali sebagai server MCP, dan setiap aplikasi yang mendukung MCP bisa memakainya.

Nuansa pentingnya: MCP tidak menggantikan API tool-calling penyedia model Anda — ia menstandarkan lapisan di belakangnya. Model tetap mengeluarkan panggilan tool; MCP menstandarkan bagaimana kapabilitas itu ditemukan, dideskripsikan, dan dipanggil lintas aplikasi. Build once, integrate everywhere adalah seluruh pitch-nya.

Server, Client, Host: Arsitekturnya

Tiga peran, dan namanya lebih mudah dicerna kalau dilihat dalam satu diagram. Host adalah aplikasi AI-nya — Claude Desktop, IDE, atau produk Anda sendiri. Host menjalankan satu MCP client per koneksi, dan tiap client bicara dengan tepat satu server MCP, lokal lewat stdio atau remote lewat Streamable HTTP:

┌──────────────────────────────┐
│  Host (Claude, IDE, your app)│
│  ┌────────────┐ ┌──────────┐ │        one client per server
│  │ MCP client │ │MCP client│ │
│  └─────┬──────┘ └────┬─────┘ │
└────────┼─────────────┼───────┘
         │ stdio       │ Streamable HTTP
         ▼             ▼
  ┌────────────┐ ┌──────────────┐
  │ MCP server │ │  MCP server  │
  │ (local:    │ │ (remote:     │
  │  files,    │ │  GitHub,     │
  │  postgres) │ │  Linear, …)  │
  └────────────┘ └──────────────┘
   tools · resources · prompts

Mengapa Ini Penting dalam Praktik

Keuntungan praktisnya muncul cepat. Efek ekosistem yang paling besar: sudah ada server siap pakai untuk GitHub, Slack, Postgres, Google Drive, dan ratusan sistem lain, sehingga sebagian besar kapabilitas agent kini berupa konfigurasi, bukan kode. Saat saya ingin Claude Code memeriksa database produksi atau membaca dashboard Grafana kami, saya menambahkan satu entri server ke file konfigurasi — tanpa kerja integrasi SDK sama sekali.

Keuntungan kedua sifatnya organisasional: permukaan integrasi menjadi kontrak. Tim pemilik ERP bisa merilis dan memversikan server MCP untuknya, dan setiap inisiatif AI di perusahaan mengonsumsi server yang sama — auth sama, audit log sama, operasi yang diizinkan sama — alih-alih lima tim menulis lima lapisan perekat berbeda terhadap API mentahnya.

Kapan Anda Perlu Membangun Server Sendiri?

Tabel keputusan jujurnya, berdasarkan server yang pernah saya bangun dan yang saya sesali:

Server Pertama Anda Lebih Kecil dari Dugaan

Server MCP yang berguna itu kodenya sedikit sekali. Dengan SDK TypeScript resmi, satu tool nyata — nama, deskripsi, skema, handler — muat dalam satu layar:

// A minimal MCP server with the official TypeScript SDK
import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js"
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js"
import { z } from "zod"

const server = new McpServer({ name: "erp-tools", version: "1.0.0" })

server.tool(
  "get_stock_level",
  "Look up current warehouse stock for a SKU. Call this for any availability question.",
  { sku: z.string().describe("Product SKU, e.g. BRG-0042") },
  async ({ sku }) => {
    const row = await db.query("SELECT qty FROM stock WHERE sku = $1", [sku])
    return { content: [{ type: "text", text: String(row?.qty ?? "SKU not found") }] }
  },
)

await server.connect(new StdioServerTransport())

Jalankan lewat stdio untuk pengembangan lokal, dan naik kelas ke Streamable HTTP di belakang reverse proxy biasa saat orang lain membutuhkannya. Keterampilan dari panduan pengembangan server MCP saya di blog ini berlaku langsung; versi singkatnya: deskripsi tool layak mendapat perhatian yang sama dengan copy untuk pengguna, karena ia efektif adalah prompt.

Kesimpulan

MCP mengubah bagian paling berantakan dari membangun dengan LLM — menghubungkannya ke sistem nyata — menjadi antarmuka komoditas. Pelajari tiga primitifnya, pakai ulang server publik di mana pun ada, dan bangun sendiri hanya saat sistem internal akan melayani lebih dari satu konsumen AI. Saat Anda membangun, engineering-nya bagian mudah; kerja yang awet adalah merancang tool dan izin yang nyaman Anda serahkan ke sebuah model.