Tech • IA • Crypto
MCP dans Claude Code
INTRO
Le Model Context Protocol (MCP) s’impose comme une méthode standardisée permettant aux systèmes d’IA de se connecter de manière sécurisée à des outils et des données externes, améliorant la conscience du contexte et l’exécution des tâches.
POINTS CLÉS
Ce que fait le MCP
Le Model Context Protocol (MCP) permet aux systèmes d’IA basés sur le cloud de s’intégrer directement à des outils, bases de données et services externes. Au lieu de s’appuyer uniquement sur des invites textuelles, les agents IA peuvent accéder à des données structurées et effectuer des actions via des outils connectés. Cela améliore fortement la précision et l’utilité, surtout pour les tâches complexes ou riches en contexte.
Transition vers une IA pilotée par des outils
Le MCP reflète un mouvement plus large vers une IA agentique, où les systèmes ne se contentent pas de générer du texte. Grâce aux outils, l’IA peut récupérer des données en temps réel, exécuter des commandes et interagir avec des workflows. Cela marque une rupture avec les modèles traditionnels produisant des réponses statiques sans vérification externe ni action.
Large éventail d’intégrations
Des centaines d’intégrations sont disponibles via des connecteurs compatibles MCP, couvrant des plateformes de productivité, des dépôts de code et des services de documentation. Par exemple, des outils de gestion de projet comme Linear peuvent fournir un contexte au niveau des tickets, tandis que des serveurs de documentation offrent des références techniques à jour, permettant des réponses mieux informées.
Deux types de serveurs MCP
Les serveurs MCP existent en deux formes principales. Les serveurs HTTP se connectent à des services distants hébergés par des fournisseurs, tandis que les serveurs STDIO s’exécutent localement sur la machine de l’utilisateur. Cette structure permet des intégrations à la fois cloud et locales, selon les besoins de sécurité et de performance.
Options de portée flexibles
Les serveurs MCP peuvent être configurés à différents niveaux. La portée locale limite l’accès à un seul projet, la portée utilisateur s’applique à tous les projets d’un individu, et la portée projet utilise un fichier de configuration partagé, souvent versionné, pour garantir des configurations cohérentes au sein des équipes. Cette standardisation aide à maintenir des environnements alignés.
Compromis liés à la fenêtre de contexte
Une limite clé est que les serveurs MCP ajoutent des définitions d’outils dans la fenêtre de contexte de l’IA, même lorsqu’ils ne sont pas utilisés. Cela consomme un espace précieux qui pourrait contenir des informations pertinentes pour la tâche. Un excès d’outils peut réduire les performances ou limiter la capacité du modèle à traiter de nouvelles entrées.
Considérations d’efficacité
Lorsque des outils ont des équivalents en ligne de commande, comme GitHub CLI (gh) ou AWS CLI, ces options peuvent être plus efficaces en termes de contexte. Contrairement aux intégrations MCP, les outils CLI n’occupent pas en permanence l’espace de contexte, ce qui les rend préférables dans des environnements contraints.
Chargement dynamique via les skills
Une approche alternative repose sur les skills, des descripteurs légers chargés dans le contexte uniquement lorsque nécessaire. Cela permet aux systèmes d’IA de différer le chargement complet des outils jusqu’à leur utilisation, améliorant l’efficacité tout en conservant les fonctionnalités.
Mode de recherche automatique d’outils
Si les outils MCP dépassent environ 10 % de la fenêtre de contexte, les systèmes peuvent basculer en mode de recherche d’outils. Dans ce mode, les outils sont découverts dynamiquement plutôt que préchargés. Cela économise du contexte, mais peut réduire la fiabilité par rapport à des outils immédiatement disponibles.
Gestion opérationnelle
Les utilisateurs peuvent surveiller et contrôler les outils connectés via des commandes de gestion, leur permettant de voir les serveurs actifs, vérifier leur état et désactiver les intégrations inutilisées. Cela aide à maintenir des performances optimales et à éviter une consommation de contexte inutile.
CONCLUSION
Le MCP constitue une avancée majeure vers des systèmes d’IA plus capables et sensibles au contexte, mais son efficacité repose sur un équilibre entre richesse des intégrations et gestion rigoureuse des ressources de contexte limitées.
Transcription complète
Model contact protocol is an open standard that lets cloud code connect to external tools and data sources. When you ask a question, Claude will automatically understand when it should use those tools to better understand your query. Context is one of the most important parts when working with cloud code. A lot of your context lives elsewhere like your databases, your productivity apps or in public repositories. This is where MCP comes in. First, it's important to understand the concept of tools when talking about agentic AI. Tools give agents like cloud code the ability to perform actions in order for them to better complete their tasks. This is different from other AI where you just get an output back directly in text. Usually, for example, if your team is using linear as their project management software, you can add a linear MCP server to bring in the details of your specific issues. If you want to get up-to-date documentation of a dependency that you're working with, then the context 7 MCP server will provide cloud code with that. There are also hundreds of different connectors at cloud.com/connectors. You can add MCP servers with the claude MCP add command. There are two main types. HTTP servers are for remote services. These are hosted by the service provider and connect over the network. STDIO servers are for local processes that run on your machine. You can manage your servers with the /mcp inside a cloud code session to see what's connected, the status, and disable servers that you don't want to use. MCP servers can be scoped in three different ways. One, local means it's only available in the current project for you. Two, the user, which means it's available across all your projects. And three, project scope uses a MCP.json file that you check into your version control. So, anyone working on the codebase gets the exact same servers automatically. Now, one thing to be aware of is that MCP servers add tool definitions to your context window, even when you're not using them. So, if you have a lot of servers configured, this eats into your available context. Run the /mcp command to see what's connected and disable anything that you're not actively using or don't think that you're going to use. If a tool has a CLI equivalent like gh for GitHub or AWS for AWS, the CLI is more context efficient because it doesn't add persistent tool definitions. You also might benefit from using a skill in this scenario. A skill has a name and a description that is loaded into context, similar to MCP. When Claw thinks it needs to use that skill, it then decides to load it into the context window, which is where you could put the command line interface tools. If your MCP tools exceed 10% of your context window, Cloud Code will automatically switch to tool search mode, which will discover the right tools on demand. But this might not work as well since it's just not in the context. Now a quick recap. MCP connects cloud code to your external tools and data sources. Add servers with cloud MCP ad. Scope them to your project with MCP JSON so that your team gets them automatically. And keep an eye out on the context usage by disabling servers that you're not actively using.