**Model Context Protocol, o MCP. Di cosa si tratta e perché dovrebbe interessarvi?**
Siamo nel 2025 e l'ecosistema dei Large Language Model (LLM) non accenna a rallentare. Se all'inizio l'attenzione era rivolta a modelli sempre più grandi addestrati su quantità crescenti di dati, nel corso del 2024 è cresciuto l'interesse per i sistemi di AI "compositi", in cui l'LLM diventa un tassello di un'architettura più ampia, componibile e modulare.
Le ragioni di questo cambio di rotta sono diverse:
1. Componibilità: l'obiettivo è andare oltre la generazione di testo per automatizzare workflow oggi ancora manuali. Ad esempio, non vorrete copiare e incollare la risposta del vostro manager dentro ChatGPT: vorrete che l'LLM sia integrato direttamente nel client di posta. Oppure, da database administrator, non vorrete digitare a mano l'intero schema e le relazioni tra le tabelle del vostro database relazionale: vorrete che l'LLM sia in grado di recuperare quelle informazioni quando serve.
2. Grounding: un LLM (come spiegato qui da Andrej Karpathy) è in sostanza una compressione probabilistica e con perdita dell'intera internet (e degli altri corpus testuali utilizzati nell'addestramento), il che significa che opera su un'istantanea statica del mondo al momento del training (il cosiddetto knowledge cut-off). Inoltre, dato che continua sostanzialmente a predire "il prossimo token migliore", può inventare cose senza alcun riscontro nella realtà: per quanto a volte divertente, non è un comportamento desiderabile (sono le ben note allucinazioni). Una via per arginare il problema è dare ai modelli accesso al recupero di informazioni più aggiornate da citare nelle risposte.
3. Comportamento agentico: in scenari meno deterministici può essere utile cedere parte del controllo su _cosa_ fare e _come_ farlo. Vogliamo che il modello sappia scegliere gli strumenti più adatti, recuperare le informazioni necessarie, prendere decisioni in autonomia e adattarsi strada facendo.
Il filo conduttore di questi cambiamenti è la comunicazione con sistemi esterni che, in mancanza di uno standard comune, richiede un'implementazione ad hoc per ogni nuovo sistema, con il risultato di un panorama estremamente frammentato. Con l'introduzione del Model Context Protocol a fine 2024, Anthropic ha voluto trasformare un problema di integrazione N × M in un problema N + M, definendo uno standard aperto per connessioni bidirezionali tra fonti dati (N strumenti) e applicazioni basate su AI (M client). Un po' come HTTP ha standardizzato la comunicazione tra browser e server web.
Chi teme per le proprie codebase LangChain o LlamaIndex può stare tranquillo: MCP non nasce per sostituirle. Come illustrato in questo intervento, MCP permetterà ai framework agentici di concentrarsi su ciò che sanno fare meglio: gestire il loop agentico e ragionare sui dati restituiti dagli strumenti.
Adottato ormai da Amazon, OpenAI e Google, MCP si candida a diventare l'HTTP delle app agent-native: vale davvero la pena guardarci più da vicino.
Cosa serve per costruire il proprio MCP server?
Su modelcontextprotocol.io trovate una guida completa per sviluppatori su come realizzare il proprio server. Non ripeteremo qui ogni passaggio, ma è utile soffermarsi sui concetti chiave e sulle tipologie di funzionalità che un server può offrire:
- Resources: qualsiasi tipo di dato che un MCP server vuole mettere a disposizione del client, dai contenuti testuali (record di database, codice sorgente, ecc.) alle risorse binarie (immagini, audio, video, ecc.). Il client può scoprirle, leggerle e aggiornarle. Sono pensate per essere application-controlled.
- Prompts: il server può definire template di prompt e workflow riutilizzabili, standardizzando le interazioni quotidiane con l'LLM. Incorporando parte della vostra conoscenza di dominio, i prompt guidano l'utente verso l'uso corretto delle funzionalità offerte dal vostro MCP server. Per questo sono pensati per essere user-controlled.
- Tools: tramite i tools, il server mette a disposizione del client funzionalità eseguibili, consentendogli di interagire con sistemi esterni e di compiere azioni concrete — integrazioni con API, elaborazione dati e così via. Poiché vogliamo lasciare all'LLM la libertà di decidere cosa fare, i tools sono pensati per essere model-controlled.
**Il DoiT MCP server è disponibile per tutti**
Da DoiT non potevamo mancare: ci uniamo a questa vivace community di server rilasciando il nostro MCP server e andando incontro ai clienti là dove già lavorano.
Eccolo qui:
doitintl/doit-mcp-server: l'MCP Server ufficiale di DoiT \ DoiT official MCP Server.\ github.com
Vi basta procurarvi la vostra DoiT API key e iniziare a sperimentare.
Configurando il nostro server avrete un canale diretto per dialogare con i vostri dati FinOps multicloud archiviati in DoiT Cloud Intelligence™. Al momento, attraverso il server è possibile interagire con incidents, anomalies, reports, queries e dimensions tramite le DoiT API. Tenete d'occhio il repository: presto arriveranno altri aggiornamenti.
Come sfruttarlo al meglio?
Immaginate un classico lunedì mattina: volete un rapido check sullo stato della vostra infrastruttura cloud dopo il weekend. Invece di scorrere dashboard e passare al setaccio email di alert, basta chiedere al vostro assistente preferito:
Ci sono incidents nella mia Cloud Infrastructure di cui dovrei essere a conoscenza? Presentameli in una tabella markdown e riassumi i testi lunghi in pochi punti elenco.
Oppure volete capire dove sono andati a finire i vostri soldi nell'ultima settimana e se ci sono trend da tenere d'occhio:
Puoi darmi una panoramica dei miei costi cloud sull'intero utilizzo della scorsa settimana? Vorrei una granularità giornaliera e mi interessano solo i 5 servizi più rilevanti. Noti qualche trend?
E se volete vedere i dati effettivi su cui Claude ha basato l'analisi, basta chiederli:
Puoi mostrarmi una panoramica dei dati in una tabella?
Con MCP, il vostro assistente — Claude, ad esempio — sa esattamente quali endpoint DoiT chiamare: costruisce la richiesta e la esegue. Una volta ricevute le informazioni, ve le presenta o le analizza, a seconda di quanto avete chiesto.
—
Aiutateci a rendere il vostro percorso FinOps più semplice: lasciate un feedback sul repository o scriveteci su doit.com/services.