CodeShadow

👨‍💻 Что новая функция Slack меняет для разработчиков, фрилансеров и людей без технического бэкграунда – разбираемся вместе с Артемием, преподавателем INNOPROG в сегодняшних карточках 📌Записаться на занятие к Артемию можно здесь

🤔

🤩

🙂

Пишем свой MCP на Python 💻 В прошлом посте разобрались, что MCP позволяет дать нейросети собственные инструменты. Теперь попробуем сделать такой инструмент самостоятельно. Для самого простого варианта нам нужен только установленный Python. Ставим MCP SDK: pip install "mcp[cli]" Создаём файл server.py: from mcp.server import MCPServer mcp = MCPServer("Freelance Helper") @mcp.tool() def calculate_price(hours: int, rate: int) -> int: """Рассчитать стоимость работы.""" return hours * rate @mcp.tool() def make_offer(client: str, price: int, days: int) -> str: """Создать предложение для клиента.""" return ( f"{client}, стоимость проекта — {price} руб. " f"Срок выполнения — {days} дней." ) if __name__ == "__main__": mcp.run() И всё. 💃 У нас уже есть MCP-сервер с двумя инструментами. Первый считает стоимость проекта. Второй формирует предложение клиенту. Причём нам не пришлось отдельно описывать формат каждого инструмента. MCP SDK понимает по Python-аннотациям, что hours, rate, price и days должны быть числами. Теперь сервер можно подключить, например, к Codex: codex mcp add freelance-helper -- python C:\mcp\server.py После этого пишем нейросети: «Проект займёт 18 часов. Моя ставка 1500 рублей. Посчитай стоимость и подготовь предложение для Андрея со сроком 5 дней». Нейросеть сможет вызвать: calculate_price(18, 1500) Получить: 27000 А потом использовать результат: make_offer("Андрей", 27000, 5) Конечно, считать стоимость проекта через MCP — немного бессмысленно :) Но вместо calculate_price может быть что угодно: 🍿 запрос к базе данных; 🍿 получение клиента из CRM; 🍿 создание задачи; 🍿 работа с API; 🍿 генерация документа; 🍿 получение статистики сайта. Именно поэтому MCP становится интересен не только как игрушка для разработчиков. В следующем посте посмотрим, как из этого сделать реальный фриланс-кейс

Что вообще продавать клиенту? Представим обычный бизнес. ✏️ Есть CRM. 🐹 Есть база клиентов. 😨 Есть внутренняя система задач. 🍿Есть менеджеры, которые каждый день делают примерно одно и то же: • ищут информацию о клиенте; • смотрят последние сообщения; • проверяют активные задачи; • смотрят оплаты; • создают новые задачи. Обычно под это делают отдельную админку, Telegram-бота или ещё один внутренний сервис. Но можно сделать MCP-сервер поверх уже существующей системы. Например, дать нейросети такие инструменты: get_client_info get_active_tasks get_last_messages get_payments create_task После этого менеджер пишет: «Что сейчас происходит с клиентом ООО Ромашка?» Нейросеть сама вызывает несколько инструментов: get_client_info() get_active_tasks() get_last_messages() get_payments() И собирает всё в один понятный ответ. А потом менеджер пишет: «Создай задачу связаться с ними завтра. Укажи, что клиент ждёт новую смету». И нейросеть вызывает: create_task() Вот это уже вполне реальный коммерческий кейс. Причём нам необязательно переписывать существующую систему клиента. Если у бизнеса уже есть API, схема может выглядеть так: CRM / Backend клиента ↓ REST API ↓ MCP Server ↓ Codex / Claude / другой AI-клиент MCP здесь становится небольшим слоем между нейросетью и существующим backend. И вот такую работу уже вполне можно продавать на фрилансе. 🕺 Не: «Я подключу вам ChatGPT». А: «Я подключу AI к вашей внутренней системе, чтобы он мог получать клиентов, анализировать данные и выполнять рабочие действия». Начать можно буквально с нескольких инструментов: get_client get_orders get_statistics А потом добавить: create_task update_client generate_report И постепенно превратить это в полноценного внутреннего AI-ассистента. При этом действия, которые реально что-то меняют, лучше отделять от обычного чтения данных. Посмотреть клиента — одно. Удалить клиента, отправить сообщение или провести оплату — совсем другое. Для таких действий уже стоит оста

Пусть Codex или Claude сами напишут MCP Теперь кейс посерьёзнее. Допустим, приходит клиент и говорит: «У нас есть внутренний API. Хотим работать с ним через нейросеть». В API уже существуют методы: GET /clients GET /clients/{id} GET /tasks POST /tasks GET /payments Раньше мы бы открывали документацию и начинали вручную писать интеграцию. Сейчас часть этой работы можно отдать Codex или Claude Code. Создаём папку проекта, открываем её в Codex/Claude и даём примерно такую задачу: «Создай MCP-сервер на Python с использованием актуального MCP SDK. Есть API со следующими методами: GET /clients GET /clients/{id} GET /tasks POST /tasks GET /payments Создай отдельный MCP tool для каждого необходимого действия. URL API и токен бери из переменных окружения. Добавь обработку ошибок. Не давай модели прямой доступ к произвольным HTTP-запросам. Инструменты чтения отдели от инструментов, изменяющих данные. Добавь requirements и инструкцию запуска». Дальше агент уже может создать структуру проекта, server.py, работу с API, .env.example и документацию. После этого просим: «Проверь код, установи зависимости и протестируй MCP-инструменты». А когда сервер готов — подключаем его обратно к тому же Codex: codex mcp add client-api -- python C:\client-mcp\server.py И получается довольно забавная рекурсия: нейросеть помогает написать инструменты для нейросети, после чего сама начинает этими инструментами пользоваться. Для фриланса это очень сильная штука. 🙂 Особенно если у заказчика уже есть API, CRM, база данных или собственный backend. Вместо разработки огромной AI-системы с нуля можно сделать небольшой MCP-слой и превратить существующую инфраструктуру клиента в набор понятных нейросети инструментов. Поэтому я бы сейчас смотрел на MCP не как на очередной модный термин. Это скорее новый способ делать интеграции. А там, где появляются интеграции между AI и реальным бизнесом, почти всегда появляется работа для разработчика.

😐