Che cos'è il Protocollo di Contesto del Modello (MCP)?

I modelli di AI sono diventati sempre più potenti, ma c'è un problema: hanno accesso solo alle informazioni che hanno appreso durante l'addestramento, quindi sono limitati in ciò che sanno e possono fare. È come assumere un assistente molto intelligente che può lavorare solo con ciò che ha già in mente, e non può cercare cose, controllare i tuoi file o eseguire effettivamente i compiti per te.

I modelli linguistici di grandi dimensioni (LLM) diventano molto più potenti quando possono accedere al contesto e agire in altri strumenti e applicazioni. Fino a poco tempo fa, non esisteva un modo uniforme per questi modelli di connettersi con altre app. Protocollo di Contesto del Modello (MCP), originariamente sviluppato da Anthropic, sta rapidamente diventando il modo standard per i sistemi agentici dell'IA di interfacciarsi con altre applicazioni—l'“USB-C connettore” per l'AI.

Per saperne di più su come Figma supporta MCP, dai un'occhiata al nostro post sul blog che introduce il server MCP di Figma. Approfondiamo cosa sia MCP, come funziona e perché è importante.

Cos'è MCP?

Il Protocollo di Contesto del Modello (MCP) è uno standard open source per il collegamento dei sistemi alimentati da AI a applicazioni software, strumenti e piattaforme.

MCP è un protocollo di comunicazione bidirezionale. Da un lato, ci sono i fornitori di dati e gli sviluppatori di app che vogliono che gli LLM siano in grado di accedere ai dati e agire nei loro software. Supportano MCP costruendo ciò che viene chiamato server MCP. Dall'altra parte, ci sono sviluppatori che costruiscono strumenti alimentati da AI o sistemi agentici. Implementano un client MCP, che consente ai loro modelli di intelligenza artificiale di connettersi ai server MCP per recuperare il contesto e completare attività in altre app.

Ad esempio, uno strumento di codifica AI come Cursor potrebbe avere un client MCP che si connette al server MCP fornito da Figma e GitHub. La comunicazione tra client e server avviene utilizzando un protocollo standard, proprio come HTTP definisce un protocollo di comunicazione per Internet. MCP specifica quali tipi di messaggi possono essere inviati, come vengono formattati, come funziona l'autenticazione e altro ancora.

Il problema: Perché abbiamo bisogno di MCP

Prenotare voli per una prossima vacanza, estrarre analisi per un rapporto settimanale sulle vendite, costruire un prototipo di una nuova funzionalità: questi tipi di attività richiedono un contesto che va oltre i dati di allenamento di un LLM e si estende a un ecosistema ampio di app e servizi. Più contesto ha un assistente AI, meglio è in grado di comprendere le sfumature specifiche di una richiesta e fornire un output di alta qualità.

Considera il caso di utilizzo di uno strumento di codifica AI per generare codice da un file di progettazione. Se un LLM visualizza uno screenshot del file e utilizza i suoi dati di addestramento per interpretare i pixel, potrebbe essere in grado di creare un prototipo approssimativo. Ma per arrivare a un prodotto finale veramente utile, è necessario avere più contesto, come le variabili specifiche, i componenti e gli stili, o anche pseudocodice che descriva la funzionalità. Questo tipo di contesto è inestimabile per l'AI, ma di solito si trova nascosto all'interno di altri strumenti (come Figma).

Prima di MCP, ogni sviluppatore che lavorava su strumenti agentica di AI doveva costruire integrazioni personalizzate con app e servizi esterni, risultando in uno sviluppo più lento e nella frammentazione dell'ecosistema. Con ogni app che espone dati e funzioni in modi leggermente diversi, ogni nuova integrazione richiederebbe una quantità significativa di lavoro preliminare.

MCP è un approccio "scrivi una volta, usa ovunque" al problema. Uno sviluppatore di app può scrivere un singolo server MCP per qualsiasi sistema agentica AI da utilizzare, fornendo un set canonico di strumenti e dati insieme a funzionalità utili come la gestione degli errori. Allo stesso modo, un sistema di intelligenza artificiale può implementare il protocollo e connettersi a qualsiasi server MCP esistente oggi o in futuro.

L'origine di MCP

MCP è iniziato presso Anthropic nell'estate del 2024 per offrire a Claude Desktop un modo più semplice di lavorare con fonti di dati come il file system locale. Gli autori si sono ispirati al Protocollo Language Server di Microsoft (LSP), lo standard per il supporto da parte degli ambienti di sviluppo integrati (IDE) di funzionalità come l'evidenziazione contestuale o il completamento del codice in molti linguaggi di programmazione diversi.

Dopo aver costruito il protocollo e averlo utilizzato internamente, Anthropic ha reso open-source MCP a novembre 2024, rilasciando pubblicamente la specifica del protocollo completa insieme alla documentazione e agli SDK (ad esempio, Python).

Da allora, l'adozione è cresciuta significativamente. Nel gennaio e febbraio 2025, molte IDE di AI, come Cursor e Windsurf, hanno iniziato a supportare MCP. A marzo, OpenAI ha aggiunto il supporto MCP, e GitHub ha rilasciato il suo server MCP poco dopo. Anche i prodotti maturi stanno adottando MCP: Microsoft Windows ha annunciato che supporterà il protocollo nei prossimi mesi.

Come funziona MCP?

MCP è essenzialmente un botta e risposta di richieste e risposte: l'LLM chiede dati o attiva un trigger e l'app esterna risponde. In termini di reti, MCP segue un'architettura client-server in cui una parte (il client) invia una richiesta e l'altra parte (il server) restituisce i dati o esegue un'azione.

La specifica MCP definisce tre tipi di funzionalità che i server offrono ai client:

• Risorse: Dati e contenuti che l'app offre agli LLM, come record di database, file, screenshot o blocchi di codice.
• Strumenti: Funzioni che eseguono azioni nell'app; ad esempio, un server PostgreSQL MCP può esporre uno strumento per eseguire una query SQL all'interno di un database.
• Prompt: Modelli di testo predefiniti e flussi di lavoro che i sistemi di AI possono utilizzare, progettati per funzionare bene con le risorse e gli strumenti dell'app.

MCP definisce come i server dovrebbero esporre risorse, strumenti e suggerimenti ai client in modo standard, inclusi:

• Formattazione della risposta: I dati possono essere inviati come blob JSON, righe SQL o persino immagini grezze—il server MCP converte tutto ciò che riceve in un formato standard che i client MCP si aspettano (JSON-RPC 2.0).
• Analisi dei comandi: Il server MCP agisce come un traduttore, trasformando le richieste degli LLM in comandi con cui le app possono lavorare, come le chiamate API.
• Gestione degli errori: MCP definisce codici di errore standard e invia gli errori al LLM affinché possa riprovare o chiedere assistenza all'utente.
• Scoperta degli strumenti: i server MCP espongono una funzione che elenca gli strumenti disponibili su quel server, così un sistema di AI può rapidamente vedere quali azioni può eseguire in un'app esterna.

L'architettura: host MCP, client e server

MCP si basa su un modello di architettura comune nel networking, che coinvolge host, client e server. Il protocollo definisce responsabilità specifiche per ciascun ruolo.

• Host MCP: Gli host gestiscono la scoperta, i permessi e la comunicazione tra client e server. Tipicamente, l'host è il prodotto o la piattaforma—come il sistema operativo Windows o Claude Desktop—dove gli utenti accedono agli agenti AI per svolgere compiti. Quando il modello ha bisogno di accedere a un'app esterna, l'host avvia e connette il server MCP di quell'app e il client corrispondente.
• Clienti MCP: I clienti avviano e mantengono un collegamento ai server MCP, con un client per server. I client inviano e ricevono richieste e risposte tra i LLM e i server MCP.
• Server MCP: I server si collegano direttamente ai sistemi esterni (come Figma, Google Drive o Postgres), fornendo agli LLM l'accesso ai dati e alla funzionalità. I server MCP ricevono richieste dai client MCP e le traducono in comandi per applicazioni esterne, come chiamate API o query. Ricevono e analizzano anche le risposte dell'app in un formato standard. Poiché gli sviluppatori di app implementano server MCP, possono controllare a quali LLMs si ha accesso e il protocollo fornisce linee guida in merito alla sicurezza e ai permessi.

Per vedere come i pezzi si incastrano, esaminiamo un esempio di flusso di lavoro utilizzando il server MCP di Figma:

• Un utente apre Cursor, uno strumento di codifica AI con MCP abilitato, nel loro repository di codice.
• L'utente chiede al LLM in Cursor di recuperare il loro ultimo file Figma e implementarlo nel loro codice.
• Cursor avvia il server MCP di Figma così come un client MCP corrispondente.
• Il LLM riceve l'elenco dei prompt, delle risorse e degli strumenti disponibili dal server (tramite il client).
• L'LLM invia quindi un messaggio al server contenente lo strumento che vuole chiamare insieme a eventuali parametri (ad esempio, l'ID del file Figma). Il server formatta questo in una richiesta API e invia la richiesta tramite l'API di Figma.
• Il server attende i dati del file dalla risposta dell'API di Figma, li formatta in una stringa e li invia nuovamente al LLM (tramite il client).
• Con tutto il contesto aggiuntivo da Figma, l'LLM può quindi iniziare a generare il codice pertinente all'interno di Cursor.

Vantaggi di MCP: perché è importante per l'integrazione dell'AI

Gli sviluppatori stanno adottando MCP perché semplifica la connessione degli LLM alle app. Rispetto alle integrazioni personalizzate, MCP presenta diversi vantaggi.

Innanzitutto, gli sviluppatori di sistemi agentici di AI devono integrare MCP solo una volta, dopodiché possono utilizzare qualsiasi server MCP. Gli sviluppatori di applicazioni esterne devono solo creare un server MCP, e quindi qualsiasi strumento AI abilitato per MCP può connettersi ad esso.

In secondo luogo, poiché ogni server MCP e ogni client MCP deve offrire la stessa interfaccia core, cambiare server e client è semplice. Ciò significa che sviluppatori e utenti possono passare facilmente tra app come Dropbox e Google Docs, o Slack e Microsoft Teams, con facilità.

Infine, poiché i prodotti di intelligenza artificiale diventano più consapevoli del contesto tramite MCP, gli strumenti AI migliorano per gli utenti ovunque. E un protocollo standard per l'ecosistema significa che gli sviluppatori trascorrono meno tempo a scrivere codice di integrazione inutile e più tempo a sviluppare nuove funzionalità.

MCP vs. API tradizionali: Qual è la differenza?

Perché non utilizzare un'API invece di MCP? È una domanda comune, dato che le API offrono accesso a molti degli stessi dati e azioni nelle app. Infatti, molti server MCP utilizzano API dietro le quinte per esporre dati e azioni.

La risposta breve è che MCP consente agli assistenti AI di utilizzare un unico insieme di comandi per tutte le API, semplificando notevolmente l'integrazione. Mentre lavorare direttamente con le API richiede la scrittura di codice personalizzato per le richieste, le risposte e i tentativi di nuovo invio, con MCP, uno sviluppatore può ottenere gli stessi risultati semplicemente importando il server MCP. Cambiare tra i server MCP è facile, mentre cambiare API richiede di scrivere un intero nuovo set di codice.

MCP è anche meglio ottimizzato per l'utilizzo LLM. MCP garantisce che tutto ciò di cui un LLM ha bisogno per accedere a un sistema sia ben definito e ben documentato, in modo strutturato. Le definizioni ad hoc delle API potrebbero mancare di descrizioni importanti o rendere disponibili i dati in modi che le AI non possono comprendere o potrebbero facilmente fraintendere.

Come MCP e gli agenti AI vanno di pari passo

Un agente AI è qualsiasi intelligenza artificiale che agisce nel mondo reale per te. MCP rende molto più semplice costruire agenti AI. Invece di integrare le API una per una, uno sviluppatore può implementare il protocollo per consentire al proprio strumento AI di agire in qualsiasi applicazione abilitata MCP.

Man mano che l'ecosistema MCP cresce, gli agenti diventano più potenti. Gli agenti AI devono essere in grado di pianificare e agire utilizzando diversi strumenti nello spazio di lavoro di un utente: più strumenti riesce a gestire un agente, più diventa utile per gli utenti. Con MCP, gli agenti possono facilmente trovare e utilizzare un numero crescente di strumenti per l'automazione delle attività.

MCP vs. A2A: Come i protocolli si completano a vicenda

MCP non è l'unico nuovo protocollo LLM in circolazione—recentemente, Google ha annunciato il protocollo Agent2Agent (A2A). Ma gli sviluppatori non devono scegliere tra l'uno o l'altro. Questi protocolli risolvono problemi diversi e in realtà si completano a vicenda.

MCP si concentra sul permettere ai sistemi di intelligenza artificiale di apprendere sul mondo e agire in esso. A2A si concentra sull'aiutare i sistemi di intelligenza artificiale a comunicare tra loro riguardo al loro lavoro e alle loro intenzioni—collaborare, assegnare compiti, discutere, delegare o negoziare.

Due agenti potrebbero utilizzare A2A per decidere quale di loro svolgerà un lavoro e quale sarà responsabile di supervisionare il lavoro. Poi, potrebbero utilizzare MCP per darsi istruzioni reciproche sul lavoro da svolgere e sui dati da utilizzare.

Il futuro dell'integrazione tra MCP e AI

Il team MCP aggiorna continuamente il protocollo, con nuove versioni che vengono rilasciate più volte al mese. MCP è anche uno standard aperto, quindi la community AI più ampia può contribuire alla roadmap. Possiamo aspettarci di vedere un maggiore focus sulla sicurezza nelle prossime versioni: autenticazione, autorizzazione e meccanismi di filtro dei dati o privacy per domini specifici (come sanità o finanza).

Se MCP si diffonde ampiamente, allora intere porzioni dell'industria dell'AI potrebbero iniziare a ottimizzare il loro uso di MCP. Gli sviluppatori di modelli potrebbero iniziare a includere l'utilizzo dello strumento MCP nei loro dati di addestramento, e i framework di orchestrazione LLM (ad esempio, LangChain) potrebbero supportare MCP come cittadino di prima classe nei loro casi d'uso.

Nel tempo, MCP potrebbe diventare lo standard de facto per collegare l'AI all'intero panorama digitale di strumenti e servizi. Integrare dati e azioni da sistemi esterni nelle esperienze LLM diventerà sempre più plug-and-play nell'ecosistema AI. Per gli sviluppatori, questo si traduce in meno wrapper su misura, migliori strumenti AI e più tempo per costruire le funzionalità che gli utenti apprezzano veramente. Per le aziende che distribuiscono app ricche di dati, ciò significa compatibilità istantanea con ogni piattaforma AI abilitata MCP. E per gli utenti finali, sblocca migliori applicazioni di AI e assistenti personali che possono finalmente ottenere il giusto contesto, premere i bottoni giusti e svolgere il vero lavoro senza interventi noiosi.