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.pyИ 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.