MCP для неинженера: подключаем Claude или Cursor к своим инструментам

MCP — Model Context Protocol — одна из самых заметных побед AI в области интеграций за последние два года. Anthropic представила его в конце 2024-го, в течение 2025-го его внедрили OpenAI, Google и Microsoft, а к 2026-му он стал общепринятым способом подключать AI к вашим инструментам без того, чтобы переделывать интеграцию под каждого вендора.

Чтобы получить от этого пользу, инженером быть не нужно. Нужно понимать, что такое MCP, какие серверы существуют под ваши задачи и как их установить и настроить. Эта статья — гид для неинженера.

Что такое MCP на самом деле

MCP — это стандарт того, как AI-ассистенты подключаются к инструментам. До MCP у каждого AI-инструмента была своя система интеграций: у ChatGPT — Plugins, потом Custom GPT actions; у Claude — свой, отдельный путь; у каждого фреймворка — свой подход. В результате запрос «хочу, чтобы мой AI читал мою Gmail» требовал разной работы в зависимости от того, каким AI-инструментом вы пользуетесь.

MCP решает это, задавая единый протокол. MCP-сервер — это небольшая программа, которая выставляет наружу возможности инструмента (читать события календаря, отправлять сообщения в Slack, искать в Notion). MCP-клиент — любой AI-ассистент, умеющий говорить по этому протоколу: Claude, ChatGPT, Cursor и многие другие.

Как только под инструмент появился сервер, любой совместимый AI-ассистент может им пользоваться. Как только клиент поддерживает MCP, он может общаться с любым совместимым сервером. Комбинаторная экономия огромная.

Работающая аналогия: MCP для AI — то же, что USB для железа. До USB у каждого устройства был свой разъём. После USB любое устройство работает с любым компьютером. MCP — это USB для AI-интеграций.

Что можно делать с MCP сегодня

Список доступных MCP-серверов в 2026-м большой и продолжает расти. Грубо:

Продуктивность:

• Gmail, Outlook, Google Calendar, Microsoft Calendar
• Notion, Obsidian, Roam Research, Logseq
• Slack, Discord, Teams
• Linear, Jira, Asana, Trello, Monday
• Google Drive, Dropbox, OneDrive, S3

Разработка:

• GitHub, GitLab, Bitbucket
• Файловая система, терминал, браузер Cursor
• Docker, Kubernetes
• AWS, GCP, Azure (по умолчанию только чтение)
• Postgres, MySQL, MongoDB (часто только чтение)

Web:

• Brave Search, Google Search, Tavily, Exa
• Автоматизация браузера (на базе Playwright, Puppeteer)
• Скраперы под конкретные сайты

Данные:

• Sheets, Airtable
• Различные базы через кастомные коннекторы
• BI-инструменты (Metabase, Cube)

Специализированные:

• Stripe, QuickBooks (финансы)
• Salesforce, HubSpot (CRM)
• Calendly, Cal.com (расписание)
• Twilio (SMS)

У большинства популярных инструментов есть хотя бы один MCP-сервер от сообщества. У многих — официальный.

Настраиваем первый MCP-сервер

Пройдёмся по практической настройке. В качестве примера возьмём Claude Desktop и MCP-сервер для Gmail; в Cursor или ChatGPT схема та же.

Шаг 1: выбираем AI-клиент. Claude Desktop, ChatGPT Desktop, Cursor и другие поддерживают MCP. Берите тот, которым пользуетесь чаще всего.

Шаг 2: находим MCP-сервер под нужный инструмент. В экосистеме MCP есть несколько каталогов: modelcontextprotocol.io — официальный список; общественные каталоги вроде Smithery.ai агрегируют серверы сообщества. Поищите «Gmail MCP server» — найдёте несколько вариантов.

Шаг 3: устанавливаем сервер. Большинство MCP-серверов распространяются в одном из форматов:

• Команда npx (Node).
• Команда uvx (Python).
• Docker-контейнер.

Типичная установка любого конкретного сервера выглядит примерно так (точное имя пакета берётся из README этого сервера — единого имени для «Gmail-сервера» нет):

# Option A: via npx (if you have Node installed)
npx -y <some-mcp-server-package>

# Option B: via uvx (if you have uv installed)
uvx <some-mcp-server-package>

# Option C: Docker
docker run <some-mcp-server-image>

Какой именно выбрать — знать необязательно: документация сервера всё подскажет. Многие MCP-серверы поставляются предсобранными, так что ставить вручную ничего не приходится: AI-клиент скачает нужное при первом запуске.

Шаг 4: настраиваем клиент. В каждом AI-клиенте есть место для конфигурации MCP-серверов. В Claude Desktop это файл claude_desktop_config.json в директории конфига Claude (на macOS — ~/Library/Application Support/Claude/). Конфигурация обычно выглядит так:

{
  "mcpServers": {
    "gmail": {
      "command": "npx",
      "args": ["-y", "<your-gmail-mcp-server-package>"],
      "env": {
        "GMAIL_CLIENT_ID": "your-client-id",
        "GMAIL_CLIENT_SECRET": "your-secret"
      }
    }
  }
}

Сервер нужно авторизовать в инструменте (в нашем случае — Gmail). Для сервисов Google это обычно означает создать OAuth-учётные данные в Google Cloud Console. Документация сервера проведёт вас по шагам.

Для не-OAuth-сервисов (токены Notion API, Linear API и т. п.) вы генерируете API-ключ в настройках сервиса и вставляете его в конфиг.

Шаг 5: перезапускаем клиент и пользуемся. После настройки перезапустите Claude Desktop. MCP-сервер поднимается автоматически. Открываете новый диалог — и видите, что Claude теперь может обращаться к Gmail-инструментам.

Теперь можно просить такое:

Какие непрочитанные письма у меня за эту неделю по Q2-роадмапу?

Набросай ответы на три самых приоритетных непрочитанных письма. Покажи мне каждый черновик до отправки.

Сделай саммари переписки с Анной по маркетинговому бюджету.

Claude вызывает инструменты MCP-сервера, получает данные и выдаёт ответы, опирающиеся на них.

Разобранная сборка: стек под продуктивность

Допустим, вы хотите собрать полезный продуктивный стек на MCP. Разумная отправная точка:

1. MCP-сервер для Gmail — триаж писем, генерация черновиков, поиск.
2. MCP-сервер для Google Calendar — расписание, подготовка к встречам, проверка занятости.
3. MCP-сервер для Notion — личная база знаний, заметки по проектам, написание документов.
4. MCP-сервер для Linear или Jira — триаж задач, если работаете в них.
5. MCP-сервер Brave Search или Tavily — обоснованный веб-поиск.

Каждый занимает 10–20 минут на установку и настройку. Итого на сборку — вечер.

Что это даёт:

• Разговорный триаж почты с учётом календаря.
• Подготовка ко встрече, подтягивающая заметки из Notion и недавние письма из Gmail.
• «Назначь встречу с той же группой, что и на вторничной встрече прошлой недели» — отрабатывает.
• Создание задач в Linear прямо из разговора.
• Исследования в реальном времени со ссылками на источники.

Качественный сдвиг в том, что ваш AI перестаёт быть чат-ботом в отдельной вкладке и становится чем-то, что знает ваш реальный контекст.

Безопасность и права доступа

MCP-серверы работают на вашей машине и имеют тот доступ к вашим аккаунтам, который вы им дали. Это мощно — и значит, об этом стоит думать.

Используйте узко ограниченные учётные данные. Когда вы создаёте OAuth-токены или API-ключи, ограничивайте их минимумом нужного. «Чтение календаря, запись событий» — намного уже, чем «полный доступ к Google».

Проверяйте серверы, которые ставите. Большинство популярных MCP-серверов имеют открытый исходный код — можно посмотреть. К малоизвестным или заброшенным относитесь с осторожностью при выдаче прав.

Не ставьте откуда попало. Берите MCP-серверы от известных издателей (Anthropic, признанные мейнтейнеры из сообщества, официальный вендор инструмента) или из устоявшихся каталогов, которые проверяют свои листинги.

Осторожно с серверами, дающими shell-доступ. Некоторые MCP-серверы выставляют выполнение команд в терминале наружу для AI. В каких-то процессах полезно; и серьёзная дыра в безопасности, если не быть аккуратным. AI может выполнить произвольные команды на вашей машине, если вы выдадите ему такую возможность.

Воспринимайте MCP-серверы как расширение поверхности доверия вашего AI. Что AI может прочитать, увидеть или сделать через сервер — то же, что он сделал бы напрямую. Планируйте соответственно.

Где MCP пока слаб (в 2026-м)

Несколько честных ограничений:

Поиск. Найти подходящий MCP-сервер под инструмент по-прежнему сложнее, чем должно быть. Единого канонического каталога нет; несколько площадок сообщества конкурируют между собой.

Разнобой по качеству. Опенсорсные MCP-серверы — от «продакшен-уровня» до «выходного хака». Качество важно, потому что сломанные серверы ломают ваши процессы.

Документация. Многие MCP-серверы недодокументированы. README рассказывает, как поставить, но не всегда объясняет полную поверхность доступных инструментов.

Разница между клиентами. Протокол стандартный, но разные клиенты порой по-разному выставляют возможности MCP. Интеграция MCP в Claude Desktop — самая отполированная; в Cursor — отличная для разработки; в ChatGPT — догоняет.

Состояние. MCP лучше всего работает в режиме без состояния — «прочитай это» / «сделай это». Длинные многошаговые процессы с состоянием — неуклюже.

Всё это быстро улучшается. К концу 2026-го большая часть будет в основном решена.

Когда стоит писать свой MCP-сервер

Экосистема MCP покрывает большинство популярных инструментов, но не всё. Если вы хотите подключиться к:

• Внутреннему инструменту, который сделала ваша компания.
• SaaS-продукту без публичного MCP-сервера.
• Легаси-системе с собственным API.
• Конкретному процессу, который комбинирует несколько инструментов нестандартным образом,

— тогда написать свой MCP-сервер оправданно. Несмотря на технически звучащее название, работы немного: пара сотен строк кода на TypeScript или Python с использованием MCP SDK.

Если у вас есть техническая жилка (или в команде есть разработчик), это вложение с большим плечом. Полудня работы — и у вас постоянная интеграция, которой может пользоваться любой член команды через любой MCP-совместимый AI-клиент.

У нас есть отдельная продвинутая статья о том, как писать MCP-серверы на TypeScript.

MCP против Zapier / n8n: когда что использовать

Частый вопрос: если у меня есть Zapier или n8n, нужен ли MCP?

Ответ: «они дополняют друг друга, используются по-разному».

Используйте MCP, когда:

• Вы в диалоге с AI-ассистентом и хотите подействовать на данные или их посмотреть.
• Действие разовое или контекст-зависимое (не «каждый раз, когда происходит X»).
• Вы работаете интерактивно, а не строите автоматизацию.

Используйте Zapier / n8n, когда:

• Нужен процесс, работающий автономно по триггеру.
• Процесс повторяющийся и чётко определённый.
• Человек в петле разговора не нужен.

У многих есть и то, и другое. MCP — для задач «я веду разговор, и мне нужно посмотреть на X». Zapier или n8n — для «на каждое новое письмо по критериям делай вот это».

Есть и интересное пересечение: n8n может выступать MCP-клиентом (вызывая MCP-серверы в процессах) и может работать как MCP-сервер (выставляя процессы n8n наружу для AI-клиентов). Это красиво размывает границу: вы один раз собираете процесс в n8n и пользуетесь им из любого MCP-совместимого AI.

Несколько практичных паттернов

Разговорный триаж через MCP. Открываете Claude. Спрашиваете: «что в моей почте, календаре и Slack требует внимания прямо сейчас?» Модель параллельно использует три MCP-сервера и выдаёт сводный триаж-отчёт.

Подготовка ко встрече через MCP. Подключаете Calendar, Gmail и Notion. Спрашиваете: «у меня встреча с командой Acme в 3 — дай мне брифинг». Модель достаёт детали встречи, находит связанные письма, поднимает ваши прежние заметки от встреч с этой командой и выдаёт брифинг.

Исследования со ссылками на источники. Подключаете поисковый MCP-сервер. Задаёте любой фактический вопрос. Модель ищет в вебе через сервер и выдаёт ответ со ссылками. Как Perplexity, но в вашем привычном AI-инструменте.

Код с полным доступом к файловой системе и терминалу. Cursor (и всё чаще другие инструменты) использует MCP, чтобы дать AI доступ к локальной файловой системе и изолированному терминалу. Модель может читать ваш код, запускать тесты, ставить пакеты — превращая AI из «инструмента, который подсказывает код» в «настоящего коллегу, который может реально что-то выполнить».

Маленькая привычка, дающая накопительный эффект

Когда вы ловите себя на том, что вручную копируете данные между разговором с AI и другим инструментом — вставляете содержимое письма в ChatGPT, копируете ответ из ChatGPT в Notion и т. п. — остановитесь. Этот ручной мостик почти наверняка может закрыть какой-нибудь MCP-сервер автоматически.

Потратьте 20 минут один раз — поставьте нужный MCP-сервер. С тех пор мостик становится невидимым. После нескольких месяцев такого подхода у вас собирается стек интеграций, который делает ваш AI-процесс заметно более плавным, чем у среднего пользователя.

Что в итоге

MCP — самая важная AI-инфраструктура 2025–2026 годов. Не гламурно — на ярких демо такое не показывают, — но именно этот слой превращает AI из чат-бота в нечто связанное с вашей реальной работой.

Экосистема уже достаточно зрела, чтобы пользу извлекали и неинженеры. Настройка — разовая инвестиция в вечера, а не в недели. Качественный сдвиг в том, как AI вам помогает, — большой.

Возьмите три инструмента, которыми пользуетесь чаще всего. Найдите под них MCP-серверы. Поставьте их в эти выходные. К понедельнику ваш AI станет ощутимо полезнее, чем в пятницу, — и вы сделаете шаг в архитектуру, которая будет определять работу AI-ассистентов в обозримом будущем.