MCP: המהפכה בחיבור AI לכלים שלכם

MCP (Model Context Protocol) הוא הסטנדרט הפתוח שדחפה Anthropic בנובמבר 2024, ושהפך מאז ל-"USB-C של עולם ה-AI". במאמר הזה נסביר בעברית פשוטה מה זה MCP, איך זה עובד, נראה דוגמאות קוד מלאות, ונסביר למה כל מפתח שעובד עם Claude Code חייב להכיר את זה.

מה זה MCP בעצם?

MCP הוא פרוטוקול תקשורת סטנדרטי בין מודלי AI לבין שירותים חיצוניים. תחשבו עליו כמו על השפה המשותפת בין AI לכלים.

המצב לפני MCP

בלי MCP: כל חיבור בין AI לכלי דורש קוד מותאם. אם אתם רוצים ש-Claude ידבר עם MongoDB, אתם צריכים לכתוב חיבור. עם Slack - חיבור אחר. עם Salesforce - חיבור שלישי. הסיוט.

המצב עם MCP

עם MCP: כותבים שרת MCP אחד לכלי, וכל מודל AI שמדבר MCP יכול להתחבר אליו. זה הפוטנציאל הגדול.

MCP במספרים

הארכיטקטורה: Host, Client, Server

MCP מבוסס על מודל פשוט עם 3 רכיבים:

# המבנה של MCP - 3 השכבות:

┌─────────────────┐
│   MCP Host      │  ← Claude Code, ChatGPT, או כל אפליקציית AI
│  (האפליקציה)    │
└────────┬────────┘
         │
    [MCP Client]  ← רכיב בתוך ה-Host שמדבר עם שרתים
         │
         │ ←─── פרוטוקול MCP (JSON-RPC over stdio/HTTP)
         │
    [MCP Server]  ← השרת שלכם - חושף יכולות
         │
┌────────┴────────┐
│   הכלי בפועל    │  ← Database, API, File System, וכו'
│  (Database/API) │
└─────────────────┘

3 הדברים שכל שרת MCP יכול לחשוף

1. Tools - פעולות שה-AI יכול להפעיל

Tools הם פונקציות שה-AI יכול להפעיל. למשל: search_database(), send_email(), create_jira_ticket().

מה ה-AI מקבל: שם הכלי, תיאור, ופרמטרים נדרשים. מה ה-AI מחזיר: בקשה להפעיל את הכלי עם פרמטרים.

2. Resources - מידע שה-AI יכול לקרוא

Resources הם נתונים סטטיים או דינמיים שה-AI יכול לבקש. למשל: רשימת לקוחות, מסמכים, logs, configuration files.

ההבדל מ-Tools: Resources הם read-only. ה-AI לא יכול לשנות אותם, רק לקרוא.

3. Prompts - תבניות מוכנות

Prompts הם תבניות שאפשר לשתף בין משתמשים. למשל: "code review prompt", "weekly summary prompt", "onboarding prompt".

דוגמה מעשית: שרת MCP פשוט ב-Python

בואו נבנה שרת MCP פשוט שמאפשר ל-Claude לקרוא קבצים מהפרויקט. השלב הראשון - התקנה:

# התקנה של ה-SDK של MCP
pip install mcp

# יצירת קובץ server.py
touch server.py

הקוד עצמו של השרת

# server.py - דוגמה לשרת MCP בסיסי
# הקוד הזה יוצר שרת שמאפשר ל-Claude לקרוא ולכתוב קבצים בפרויקט

from mcp.server import Server
from mcp.types import Tool, TextContent
import os

# יוצרים אובייקט שרת חדש - זה הבסיס של ה-MCP
# השם "file-server" יופיע ב-Claude כדי שה-AI ידע מאיזה שרת הכלי בא
app = Server("file-server")

# רשימת tools שהשרת חושף - הפעולות ש-AI יכול לבצע
# Decorator זה אומר ל-MCP "כשמישהו שואל אילו tools יש - תקרא לפונקציה הזו"
@app.list_tools()
async def list_tools():
    return [
        Tool(
            name="read_file",                    # שם הפונקציה כפי שהמודל יראה אותה
            description="קורא קובץ מהפרויקט",    # תיאור בעברית - המודל יבין
            inputSchema={                         # סכימה של הפרמטרים שצריך
                "type": "object",
                "properties": {
                    "path": {
                        "type": "string",
                        "description": "נתיב הקובץ לקריאה"
                    }
                },
                "required": ["path"]
            }
        )
    ]

# מימוש בפועל של ה-tool - מה שקורה כשהמודל קורא לו
# Decorator זה אומר "כשמישהו רוצה להפעיל tool - תקרא לפונקציה הזו"
@app.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "read_file":
        # פותחים את הקובץ וקוראים אותו
        try:
            with open(arguments["path"], "r", encoding="utf-8") as f:
                content = f.read()
            # מחזירים את התוכן ל-AI
            return [TextContent(type="text", text=content)]
        except FileNotFoundError:
            # תמיד להחזיר הודעת שגיאה ברורה
            return [TextContent(type="text", text=f"הקובץ {arguments['path']} לא נמצא")]

# הרצת השרת - מתחיל להאזין ל-MCP requests דרך stdio
if __name__ == "__main__":
    app.run()

חיבור השרת ל-Claude Code

עכשיו צריך לחבר את השרת ל-Claude Code. עורכים את ~/.claude/config.json:

{
  "mcpServers": {
    "file-server": {
      "command": "python",
      "args": ["/path/to/server.py"]
    }
  }
}

שרתי MCP פופולריים שכדאי להכיר

Anthropic ו-Community בנו עשרות שרתי MCP מוכנים. הנה הכי שימושיים:

Use Cases מעשיים מארגונים בישראל

בעבודה שלנו ב-Think-AI עם ארגונים בישראל, ראינו את MCP פותר בעיות אמיתיות:

משרד עורכי דין: חיבור ל-CRM פנימי

בנינו שרת MCP ש-מחבר את Claude למערכת ניהול תיקים פנימית. עכשיו עורך דין יכול לבקש: "סכם לי את כל התיקים האקטיביים של לקוח X" - והמערכת מחזירה ניתוח מקצועי בתוך שניות.

סוכנות נדל"ן: גישה לבסיס נתונים של נכסים

משרד נדל"ן חיבר את Claude לבסיס הנתונים שלהם דרך MCP. סוכנים מקבלים עכשיו תשובות מיידיות: "הצג לי דירות 4 חדרים בתל אביב עד 4M ש"ח" - וזה עובד דרך הצ'אט.

חברת פיננסים: ניתוח דוחות אוטומטי

חברת השקעות בנתה שרת MCP שמושך נתונים מ-Bloomberg ומאפשר ל-Claude לעשות ניתוחים מורכבים על פורטפוליו - תוך שניות במקום שעות.

סוכנות פרסום: חיבור ל-Meta Ads ו-Google Ads

סוכנות פרסום בנתה MCP servers ל-Meta ו-Google, ועכשיו ה-account managers מקבלים report אוטומטי על קמפיינים בכל בוקר עם ניתוח של AI.

5 טיפים לעבודה עם MCP

1. התחילו פשוט: tool אחד, פעולה אחת. תרחיבו אחר כך. אל תנסו לבנות את כל המערכת בפעם אחת.
2. כתבו descriptions ברורים: ה-AI מבין tools לפי התיאור שלכם. תיאור מעורפל = שימוש לקוי.
3. הגדירו permissions: מה ה-AI יכול לעשות בלי אישור, ומה לא. במיוחד לפעולות הרסניות (delete, send).
4. Logs מפורטים: תרשמו כל קריאה ל-tool - לדיבאג ול-audit. זה קריטי בארגונים גדולים.
5. אל תחשפו secrets: אסור שה-AI יראה API keys ישירות. תמיד להעביר אותם כ-environment variables בשרת.

מי תומך ב-MCP היום?

ב-2026 כמעט כל ה-ecosystem אימץ MCP:

שאלות נפוצות

סיכום: MCP הוא הסטנדרט החדש

MCP הוא לא עוד trend - זה הסטנדרט החדש לחיבור AI לעולם האמיתי. ארגונים שמטמיעים אותו היום, יקבלו יתרון תחרותי משמעותי. אם אתם משתמשים ב-Claude Code, התחילו עם שרתי MCP מוכנים, ואז בנו משלכם.

רוצים עזרה בבניית שרת MCP מותאם לארגון שלכם? דברו איתנו ב-Think-AI - אנחנו בונים תשתיות AI לארגונים בישראל מ-A עד Z.