5 Best Practices per l'utilizzo dei MCP server

Di Maneeza Malik, Direttore Marketing di Prodotto

Migliori Protocollo del contesto del modello (MCP) è diventato uno standard aperto per collegare le applicazioni e gli agenti di intelligenza artificiale a strumenti, dati e sistemi aziendali. Anthropic Nel novembre 2024, MCP fornisce un'interfaccia comune per gli agenti e le applicazioni di intelligenza artificiale per interagire:

• Strumenti: funzioni che un agente IA può attivare, come ad esempio la consultazione di una banca dati, la creazione di un ticket di supporto o la ricerca delle informazioni relative al cliente
• Risorse: i dati e il contesto a cui un agente IA può accedere, come file, record della banca dati o documentazione aziendale
• Prompts: istruzioni o modelli riutilizzabili che forniscono indicazioni su come un agente IA interagisca con queste funzionalità

Cos'è un MCP server?

Un MCP server esporrà strumenti, risorse e comandi all'interno dell'MCP interfaccia. Invece di creare integrazioni separate per ogni applicazione o agente IA, le organizzazioni potranno esporre funzionalità condivise attraverso un'interfaccia comune che diversi agenti IA potranno scoprire e riutilizzare.

MCP Non sostituisce le API

MCP e le API hanno scopi diversi. Le API esplicitano le funzionalità dell'applicazione e del sistema, mentre MCP forniscono un modo standardizzato per le applicazioni e gli agenti di intelligenza artificiale di scoprire e interagire con strumenti, risorse e comandi che possono essere supportati da tali API e sistemi. Un MCP server può esporre queste funzionalità tramite API esistenti e sistemi aziendali, anziché sostituirli.

Sappi quando hai bisogno MCP

MCP Non è automaticamente la scelta giusta per ogni applicazione di intelligenza artificiale. Le integrazioni dirette tramite API possono essere più semplici quando si dispone di un numero ridotto di agenti di intelligenza artificiale con flussi di lavoro stabili e specifici per l’applicazione.

MCP diventa più prezioso quando le capacità devono essere condiviso, riutilizzato, accessibile e gestito in modo coerente tra gli agenti, le squadre o le applicazioni dell'IA.

La domanda chiave non è se utilizzare MCP. La questione è piuttosto dove MCP poter aggiungere valore riducendo la complessità dell’integrazione, aumentando la riutilizzazione e fornendo una base più solida per le applicazioni di intelligenza artificiale man mano che queste si ampliano.

Le cinque migliori pratiche seguenti forniscono un quadro per prendere questa decisione e utilizzarle in modo MCP efficace quando e dove ciò risulta utile.

Best Practice #1: Cominciate dal problema dell'integrazione, non dal protocollo

Non inizi con “Dove possiamo applicare MCP?” Invece, inizia con “Quali problemi di integrazione stiamo cercando di risolvere?”

Se tutto ciò che avete è un solo agente AI o una manciata di agenti AI che necessitano di accesso a poche API e risorse stabili che non sono condivise, allora un’integrazione diretta potrebbe essere tutto ciò di cui avete bisogno. In tal caso, MCP potrebbe non offrire un valore aggiuntivo sufficiente a giustificare l’aggiunta di questa funzionalità.

MCP diventa più coinvolgente quando Le stesse capacità devono essere utilizzate da diversi agenti IA, team o applicazioni IA. Invece di creare e mantenere ripetutamente le stesse integrazioni rivolte agli agenti, un MCP server può esporre tali funzionalità attraverso un'interfaccia comune.
Quando si considera MCP, cercare problemi come:

• I dati o le funzionalità aziendali devono essere accessibili da diversi agenti IA
• Le aziende stanno costantemente sviluppando integrazioni simili
• Le applicazioni IA necessitano di un accesso coerente alle funzionalità condivise
• La complessità dell'integrazione sta aumentando mentre il numero di agenti e applicazioni basati sull'intelligenza artificiale aumenta
• Volete standardizzare il modo in cui gli strumenti e le funzionalità vengono messi a disposizione dei clienti dell'IA

L’obiettivo non è quello di utilizzare il framework per il solo fatto di MCP utilizzarlo. L’obiettivo è ridurre la complessità dell’integrazione, standardizzare l’accesso alle funzionalità e creare elementi di base riutilizzabili che possano essere condivisi tra gli agenti e le applicazioni dell’IA.

Best Practice #2: Identificare le capacità da condividere

Una volta individuato un problema di integrazione condivisa, cercate le funzionalità necessarie a diversi agenti IA.
Ad esempio:

• Ricerca dei record dei clienti
• Controllare gli inventari
• Creazione di un ticket di supporto clienti
• Consultazione dei dati finanziari
• Ricerca della conoscenza interna

Le candidate più valide sono quelle capaci di svolgere attività di base in modo generalizzato, relativamente stabili e suscettibili di essere riutilizzate in diversi agenti e applicazioni di intelligenza artificiale. Centralizzare queste capacità dietro un MCP server può eliminare le integrazioni duplicate e offrire agli agenti di intelligenza artificiale un modo coerente per accedervi.

È qui che questa tecnologia MCP inizia a fungere da infrastruttura condivisa per l’intelligenza artificiale, anziché essere semplicemente un altro livello di integrazione.

Best Practice #3: Progettare i MCP server per gli agenti, non le API

Un MCP server dovrebbe fare molto più che semplicemente replicare gli endpoint API esistenti attraverso un'interfaccia standardizzata. Deve progettare le proprie funzionalità in funzione delle esigenze degli agenti di intelligenza artificiale, anziché semplicemente replicare gli endpoint delle API sottostanti.

Ad esempio, invece di esporre decine di endpoint di basso livello, è possibile fornire strumenti mirati come:

• search_customer
• get_open_orders
• creare una richiesta di supporto

Gli strumenti mirati semplificano la scoperta, la comprensione e la composizione delle funzionalità da parte degli agenti dell’IA in processi di lavoro più ampi.

L'obiettivo è dare agli agenti IA capacità che possano riconoscere, comprendere, selezionare e utilizzare in modo affidabile — non semplicemente per riprodurre una superficie API esistente.

Best Practice #4: Considerare i MCP server come infrastruttura condivisa

Un MCP server può iniziare come un semplice modo per un solo agente di intelligenza artificiale di accedere a pochi strumenti o fonti di dati. Ma quando più agenti, applicazioni o team dipendono da esso, il server diventa effettivamente un’infrastruttura condivisa. Un cambiamento in uno strumento, una licenza, uno schema o un comportamento del backend può incidere su tutti i consumatori.

Ciò significa che i MCP server dovrebbero essere progettati e gestiti con la stessa disciplina applicata agli altri servizi e alle API condivisi: i contratti chiari, il comportamento prevedibile, i controlli di sicurezza, l’osservabilità, i test, la versionamento e la governance dovrebbero essere considerati aspetti di prim’ordine.

Presta molta attenzione a:

• Nomi degli strumenti ben visibili: Utilizzare nomi che comunichino all’agente AI cosa effettivamente fa lo strumento.
  • Ad esempio: “search_customer invece di execute_function_7”.
• Descrizioni preciseDescrivi cosa fa lo strumento, quali informazioni prevede e quando dovrebbe essere utilizzato.
  • Ad esempio: “trovare clienti tramite email, ID account o nome dell’azienda”.
• Entri e uscite ben definitiUtilizzare schemi espliciti e strutture di risposta prevedibili.
  • Per esempio: “customer_id: string → oggetto di cliente strutturato”.
• Livelli di astrazione appropriatiEsponi le capacità aziendali significative piuttosto che divulgare dettagli di implementazione.
  • Per esempio: fornire la funzione “create_support_case invece di esporre ogni API sottostante necessaria per crearne una”.
• Linee guida ragionevoli: Distinguere chiaramente tra le operazioni che leggono informazioni e quelle che creano, modificano o cancellano i dati.
  • Ad esempio: le azioni distruttive o le conseguenze dovrebbero avere interfacce e controlli adeguatamente specificati.
• Valutazione e test approfonditiIl test non solo verifica se un tool funziona, ma anche se gli agenti selezionano l’attrezzo corretto, forniscono input validi, interpretano correttamente i risultati e rispettano i vincoli di autorizzazione e sicurezza. Testare anche le modalità di fallimento e gli estremi dei casi, nonché l’esecuzione riuscita.
• Sicurezza e autorizzazioniApplicare l’accesso con privilegi minimi e garantire che gli agenti IA possano eseguire solo le operazioni per le quali sono autorizzati. MCP L’esposizione di un tool tramite il servizio non dovrebbe eludere o indebolire i controlli di autorizzazione imposti dai sistemi sottostanti.
• Rilevanza e osservabilitàMonitorare i guasti degli strumenti, la latenza, le interruzioni della dipendenza e gli insolitisage comportamenti. Quando un MCP server è condiviso, uno strumento non affidabile può diventare un problema di affidabilità per molti agenti e flussi di lavoro AI.
• Gestione del cambiamento e versionamentoConsiderare gli schemi, le descrizioni, i permessi e le modifiche comportamentali dei tool come modifiche all'API. Le modifiche che sembrano minori — tra cui modifiche ai nomi dei tool, alle descrizioni, agli schemi o ai permessi — possono influenzare il modo in cui gli agenti AI scoprono, selezionano o attivano i tool e possono incidere sui flussi di lavoro successivi.

Questo è importante perché i MCP server possono consentire agli agenti di intelligenza artificiale l’accesso non solo alle informazioni, ma anche alle azioni che possono modificare i sistemi e i dati. Una volta che queste capacità vengono condivise tra gli agenti e i team di intelligenza artificiale, il MCP server diventa parte del confine operativo e di sicurezza dell’organizzazione. Reteabilità, sicurezza, compatibilità e governance perciò diventano altrettanto importanti della funzionalità.

Best Practice #5: Usare MCP dove si crea una leva

MCP offre la massima flessibilità quando risolve un problema più ampio dell'architettura, piuttosto che semplicemente aggiungere un altro modo per connettere un'API a un agente IA.

Utilizzate questa checklist per valutare dove è più utile MCP intervenire.

Le API dirette possono essere sufficienti quando:

• Hai uno o pochi agenti di intelligenza artificiale
• I flussi di lavoro sono ben definiti e stabili
• Le integrazioni sono specifiche per ogni applicazione
• Le capacità non sono condivise tra gli agenti o le applicazioni di intelligenza artificiale
• Un'unica azienda possiede gli agenti di intelligenza artificiale e le loro integrazioni
• Le integrazioni API dirette sono semplici, stabili e facili da mantenere

MCP diventa più coinvolgente quando:

• Molti agenti di intelligenza artificiale necessitano delle stesse capacità
• Diversi team stanno sviluppando e implementando agenti IA
• Le stesse integrazioni vengono duplicate
• Le capacità devono essere riutilizzate in tutte le applicazioni dell'intelligenza artificiale
• Gli agenti IA hanno bisogno di una scoperta standardizzata e di un accesso agli strumenti
• Stai sviluppando workflow o orchestrazioni multi-agenti
• La vostra architettura di integrazione sta diventando un problema legato a una piattaforma condivisa

Piense in questo come in uno spettro piuttosto che in una scelta binaria.

Non è necessario spostare tutto verso il retro MCP. Cominciate dalle funzionalità in cui la standardizzazione, il riutilizzo e la governance condivisa offrono un valore chiaro.

Integrazione dell'IA su larga scala con i MCP server

MCP È più prezioso quando l’integrazione dell’IA diventa un problema di architettura condivisa. Se diversi agenti, team o applicazioni IA necessitano di accesso uniforme alle stesse funzionalità, un MCP server può ridurre le integrazioni duplicate e fornire una base standardizzata per la scoperta, la protezione e il controllo di tali funzionalità.

Il modo migliore è iniziare dal problema. Identificare cosa dovrebbe essere condiviso, progettare le funzionalità in modo che gli agenti dell’IA possano utilizzarle e gestire i MCP server con la affidabilità e la governance richieste da un’infrastruttura condivisa.

La domanda non è “dovremmo usare dei MCP server?” Ma “dove si potranno MCP creare quantità sufficienti di funzionalità riutilizzabili, di coerenza e di scalabilità da giustificare l’introduzione?”.”

Conoscere la differenza è ciò che MCP trasforma un altro livello di integrazione in un vantaggio strategico per la scalabilità dell’IA.

Scopri di più Jitterbit MCP sugli agenti IA

Pronto a fare il prossimo passo? Esplora le nostre risorse per saperne di più Jitterbit MCP e esplora il nostro portafoglio di agenti IA Jitterbit Marketplace.