Il Model Context Protocol (MCP) sta rapidamente emergendo come standard industriale per connettere i Large Language Models (LLM) e gli agenti AI con strumenti esterni. Scopriamo insieme quali sono i framework più potenti che integrano questa tecnologia rivoluzionaria, permettendoti di sviluppare soluzioni AI più avanzate ed efficienti.
Cos’è MCP e Perché Rivoluziona gli Agenti AI
Il panorama dell’intelligenza artificiale generativa sta evolvendo velocemente. Fino a poco tempo fa, i modelli linguistici di grandi dimensioni (LLM) potevano rispondere solo a domande presenti nei loro dati di addestramento, senza accesso a informazioni esterne o strumenti di terze parti.
MCP rappresenta la terza evoluzione degli LLM:
- Prima evoluzione: LLM capaci di rispondere solo in base ai dati di addestramento
- Seconda evoluzione: LLM con accesso a contesti esterni tramite strumenti specifici
- Terza evoluzione: LLM con un’infrastruttura standardizzata (MCP) per accedere facilmente a risorse esterne
Sviluppato originariamente da Anthropic, MCP è un protocollo open-source che consente di collegare repository di contenuti (GitHub, Notion), ambienti di sviluppo, strumenti web e applicazioni aziendali alle tecnologie AI assistive. Questa innovazione è particolarmente importante per lo sviluppo di agenti AI capaci di interagire con sistemi esterni in modo standardizzato.
Vantaggi Decisivi di MCP Rispetto ai Toolkit Tradizionali
L’integrazione di MCP nei progetti AI offre straordinari benefici rispetto ai metodi tradizionali:
- Architettura flessibile: MCP vanta un’architettura pulita e flessibile per interagire con strumenti e API esterne
- Gestione centralizzata: Semplifica l’accesso e la gestione degli strumenti esterni tramite un’interfaccia standardizzata
- Supporto multi-utente: A differenza delle implementazioni standalone, MCP è adatto sia per scenari single-user che per team
- Comunità attiva: Beneficia di numerosi server open-source e un ecosistema di sviluppatori in continua crescita
- Sistema di autenticazione robusto: Include funzionalità integrate per controllare l’accesso agli strumenti
- Ricerca semplificata: Rende più facile cercare e trovare strumenti esterni rispetto ai metodi tradizionali
- Scalabilità garantita: Si adatta facilmente a molti utenti e applicazioni diverse
I 7 Framework con Supporto MCP che Devi Conoscere
1. OpenAI Agents SDK: Potenza e Semplicità
OpenAI ha integrato MCP nel suo Agents SDK, permettendoti di connettere i tuoi agenti a server MCP usando le classi MCPServerStdio e MCPServerSse. Un vantaggio esclusivo è il sistema di monitoraggio MCP integrato sulla dashboard di OpenAI, che registra automaticamente le operazioni degli agenti.
# Esempio di integrazione con Git MCP
async def query_git_repo(mcp_server: MCPServer, directory_path, query):
agent = Agent(
name="Assistant",
instructions="Answer questions about the local git repository",
mcp_servers=[mcp_server],
)
result = await Runner.run(starting_agent=agent, input=query)
return result.final_output
2. Praison AI: Integrazione MCP con una Sola Riga di Codice
Praison AI è un framework Python per la creazione di team di agenti. Ciò che lo distingue è la capacità di aggiungere server MCP ai flussi di lavoro con una singola riga di codice. Questa semplicità lo rende ideale per chi vuole iniziare rapidamente.
# Aggiungere un server MCP ad un agente Praison AI
agent = Agent(
instructions="You help book apartments on Airbnb.",
llm="gpt-4o-mini",
tools=MCP("npx -y @openbnb/mcp-server-airbnb --ignore-robotstxt")
)
3. LangChain: Supporto MCP Completo per Applicazioni AI Avanzate
LangChain offre un supporto completo per MCP, consentendoti di configurare funzioni Python per accedere a diversi server MCP e recuperare strumenti per svolgere attività nei progetti AI. Particolarmente utile per creare applicazioni che richiedono l’accesso a sistemi esterni come file system sicuri.
# LangChain con MCP
async def main(prompt: str) -> None:
server_params = StdioServerParameters(
command="npx",
args=["-y", "@modelcontextprotocol/server-filesystem"],
)
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
toolkit = MCPToolkit(session=session)
await toolkit.initialize()
response = await run(toolkit.get_tools(), prompt)
print(response)
4. Chainlit: Interfacce Utente Dinamiche per Agenti MCP
Chainlit è una piattaforma per costruire applicazioni AI in Python con supporto nativo per server MCP. Ti permette di configurare la tua app per scoprire gli strumenti MCP disponibili e integrarli nel flusso dell’applicazione. Supporta entrambe le modalità di connessione: eventi server-sent (SSE) e servizi basati su command-line (stdio).
@cl.on_mcp_connect
async def on_mcp_connect(connection, session: ClientSession):
"""Called when an MCP connection is established"""
# Codice di inizializzazione della connessione
5. Agno: Team di Agenti Multi-Funzione con MCP
Agno si distingue per la sua capacità di creare flussi di lavoro agentici complessi. L’implementazione MCP di Agno integra team di agenti individuali, come agenti Airbnb, Google Maps, ricerca web e meteo, che collaborano per fornire informazioni complesse. Questo approccio multi-agente è particolarmente valido per scenari che richiedono diverse competenze.
# Definire server MCP in Agno
airbnb_server_params = StdioServerParameters(
command="npx",
args=["-y", "@openbnb/mcp-server-airbnb", "--ignore-robotstxt"],
env=env,
)
6. Upsonic: Gestione Semplificata di Agenti e Task MCP
Upsonic è un framework Python per la creazione di agenti AI che permette di definire task specifici per gli agenti e gestire ciascuna definizione di task con uno strumento MCP. Questo approccio orientato ai task semplifica lo sviluppo di agenti specializzati.
# Definire uno strumento MCP in Upsonic
class HackerNewsMCP:
command = "uvx"
args = ["mcp-hn"]
# Creare un task con strumenti MCP
task = Task(
"Analizza le 5 principali storie di HackerNews di oggi",
tools=[HackerNewsMCP, Search]
)
7. Mastra: Framework TypeScript con Supporto MCP Standardizzato
Mastra è un framework TypeScript per la creazione di prototipi e agenti AI pronti per la produzione. Come Chainlit, offre un modo standardizzato per connettersi ai server MCP tramite connessioni stdio o SSE. Utilizza la classe MCPConfiguration per gestire connessioni multiple a server diversi.
// Configurazione MCP in Mastra
const mcp = new MCPConfiguration({
servers: {
stockPrice: {
command: "npx",
args: ["tsx", "stock-price.ts"],
env: {
API_KEY: "your-api-key",
},
},
weather: {
url: new URL("http://localhost:8080/sse"),
},
},
});
Sfide Attuali e Futuro di MCP negli Sviluppi AI
Nonostante i numerosi vantaggi, l’ecosistema MCP presenta ancora alcune sfide. La ricerca e la scoperta di strumenti MCP non sono ancora standardizzate, rendendo difficile valutare la qualità e l’applicabilità degli strumenti per progetti specifici. Inoltre, l’esperienza utente non è sempre coerente a causa di schemi diversi tra i fornitori di server MCP.
Attualmente, la comunità MCP sta discutendo la standardizzazione di vari aspetti del protocollo. In futuro, potrebbe emergere un metodo standard per installare app basate su MCP, simile a come installiamo pacchetti in Python con pip. Progetti come PulseMCP stanno già cercando di rendere più facile la navigazione e la scoperta di strumenti MCP.
Prospettive Future
Il Model Context Protocol rappresenta un passo fondamentale verso un’intelligenza artificiale più interoperabile e connessa. Con l’adozione crescente da parte di aziende come Microsoft (con Copilot Studio) e OpenAI (con Agents SDK), MCP sta diventando rapidamente lo standard per connettere applicazioni AI a sistemi esterni.
Scegliere uno dei framework presentati in questo articolo ti permetterà di sviluppare agenti AI più potenti, flessibili e facili da mantenere, pronti per affrontare le sfide del futuro dell’intelligenza artificiale.
Se vuoi approfondire l’argomento e sperimentare con questi framework, visita i repository GitHub di ciascun progetto e unisciti alla comunità di sviluppatori che stanno plasmando il futuro degli agenti AI.
