Model Context Protocol

Il Model Context Protocol è uno standard aperto che definisce un modo unico per collegare i modelli linguistici (LLM) a strumenti, dati e servizi esterni. Serve a superare i due limiti strutturali di un LLM (conoscenza ferma ai dati di addestramento e incapacità di compiere azioni oltre la generazione di testo) offrendo un’interfaccia unificata al posto di tante integrazioni custom. La documentazione ufficiale lo descrive come “una porta USB-C per le applicazioni di intelligenza artificiale”.

MCP è stato sviluppato da Anthropic e reso pubblico come standard aperto a fine novembre 2024. Da allora è stato adottato da gran parte dell’ecosistema AI: OpenAI (nell’Agents SDK), Google e Microsoft, oltre ai principali strumenti di sviluppo come VS Code, Cursor e GitHub Copilot.

Un’API espone le funzionalità di un singolo servizio con le sue convenzioni, i suoi formati e la sua autenticazione. MCP non sostituisce le API: le standardizza verso l’LLM. Invece di scrivere un’integrazione diversa per ogni coppia modello-servizio (un problema M×N), ogni host e ogni server implementano lo standard MCP una sola volta (un problema M+N), riducendo la complessità e rendendo le soluzioni più portabili e manutenibili.

Il tool (o function) calling è il meccanismo con cui un LLM decide di invocare una funzione; MCP è il protocollo che standardizza come quelle funzioni e le risorse e i prompt, vengono esposte e scoperte, indipendentemente dal framework che usi. Nel corso vedi entrambe le cose in azione: come un server espone i tool e come un agente li scopre e li invoca.

MCP segue il paradigma client-server: un Host (es. Claude Desktop, un IDE, un agente) contiene uno o più Client, ciascuno con una connessione 1:1 a un Server MCP. Il server espone capabilities (tools, risorse e prompt) verso risorse locali (file, database) o remote (API, servizi). Nel corso costruisci sia i server sia gli host che li consumano.

Per la parte di costruzione dei server serve una conoscenza di base di Python, perché usiamo la libreria FastMCP. La parte finale su n8n, invece, mostra come lavorare con MCP anche in una piattaforma visuale di automation, avvicinando lo standard anche a chi predilige un approccio low-code.

FastMCP è la libreria Python più diffusa per costruire server (e client) MCP in modo rapido: dichiari i tool come normali funzioni Python e la libreria genera schema e validazione. Nel corso la usiamo per realizzare da zero server MCP custom ed esplorare i diversi metodi di trasporto.

Sì, ed è uno degli elementi che lo distinguono: gran parte dei contenuti disponibili si ferma a Claude Desktop, mentre qui colleghi gli stessi server MCP prima a LangChain e poi all’OpenAI Agents SDK, imparando a integrare lo standard nei due framework più usati per costruire agenti.

Un intero modulo è dedicato a MCP dentro n8n, la piattaforma di automation open source. Vedrai n8n nel ruolo di client MCP (con Smithery e con il server ufficiale di GitHub) e poi nel ruolo di server MCP consumato da Claude Desktop: è il modo per portare MCP anche in workflow no-code e low-code.

Sì. Il corso tratta in modo sistematico i tre trasporti (Stdio, Streamable HTTP e SSE) spiegando perché SSE standalone è ormai deprecato in favore di Streamable HTTP, così lavori sempre con l’approccio corrente e consigliato.

La maggior parte dei contenuti gratuiti si ferma alla teoria o alla costruzione di un primo server con Claude Desktop. Questo è un percorso completo e in italiano che va dalla teoria ai server custom, alle integrazioni con LangChain e OpenAI Agents SDK, ai server di terze parti, all’intero ecosistema Claude e a MCP dentro n8n in modo bidirezionale, un insieme di argomenti che raramente si trova riunito in un unico corso.

Sì. MCP è uno dei mattoni fondamentali delle applicazioni agentiche moderne: saper costruire e integrare server MCP è una competenza sempre più richiesta a chi sviluppa agenti AI. Il corso ti dà proprio questo, con esercitazioni pratiche su strumenti reali e attuali.