MCP i architektura agentów
Projektuję i wdrażam serwery Model Context Protocol oraz architektury agent-to-agent (A2A), które bezpiecznie łączą LLM-y z systemami źródłowymi w produkcji.
Czym jest Model Context Protocol i kiedy ma sens
Model Context Protocol (MCP) to otwarty standard Anthropic z 2024 roku, definiujący sposób, w jaki LLM-y komunikują się z systemami zewnętrznymi — bazami danych, API, narzędziami biznesowymi — w sposób audytowalny, bezpieczny i odporny na awarie. Buduję serwery MCP, które działają w produkcji, nie tylko na demo.
W inFakt prowadzę zespół, który zaprojektował i wydał produkcyjny serwer MCP — z toolami odczytu i zapisu (tworzenie faktur, klientów, KPiR). Pełna dokumentacja: infakt.ai. Problem jest klasyczny: LLM bez kontekstu z prawdziwych danych klienta to tylko ładny chatbot.
Co dostarczam
- Audyt architektury agentów — przegląd istniejącego stosu, identyfikacja punktów awarii (autoryzacja, rate-limiting, observability, ścieżki fallbacku).
- Implementacja serwera MCP — od specyfikacji JSON-Schema, przez warstwę autoryzacji (OAuth2 / scoped tokens), po deployment (Docker / AWS / GCP).
- Bezpieczeństwo i compliance — przegląd pod RODO/GDPR, audit logging, scoped permissions, wzorce zgodne z SOC2.
- Integracja z Claude / GPT / Gemini / Mistral — bez wiązania się z jednym dostawcą. Serwer MCP jest model-agnostic.
- Production hardening — logika ponawiania, idempotencja, graceful degradation gdy backend pada.
Częste pułapki, których pomagam uniknąć
- Za szerokie scope’y tokenów — agent dostaje pełen dostęp zamiast minimalnego zestawu uprawnień.
- Brak audit trail — w branżach regulowanych to gotowa niezgodność.
- Synchroniczne wywołania w kontekstach o wysokim ruchu — MCP musi mieć backpressure i kolejki.
- Wiązanie się z jednym dostawcą modelu — przekreślenie sensu standardu, który z założenia jest model-agnostic.
Realny rezultat
W inFakt produkcyjny serwer MCP zmierza do obsługi tysięcy użytkowników korzystających z asystentów AI (Claude, ChatGPT, własne systemy). Połączony z OCR i autoksięgowaniem przetwarzającym ponad 300 000 faktur miesięcznie przy 90%+ accuracy — pełna realizacja: inFakt — MCP i OCR.
Komu to pasuje
- SaaS-om, które chcą udostępnić dane klientom przez asystentów AI bez budowania własnego chatbota.
- Enterprise’om z wieloma systemami źródłowymi (ERP, CRM, hurtownia danych), które potrzebują jednego, ujednoliconego interfejsu dla LLM-ów.
- Firmom regulowanym (finanse, ochrona zdrowia, ubezpieczenia) potrzebującym AI z pełnym audytem.
Stack, którego używam
Python · TypeScript · Anthropic MCP SDK · OAuth2 · Docker · AWS Lambda · GCP Cloud Run · OpenTelemetry · LangChain (tam, gdzie ma sens — nie tam, gdzie nie ma)