[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"general-list":3,"footer-feature-tags":4,"slate-glossary-term-mcp":66},true,[5,14,20,29,34,40,46,52,56,62],{"id":6,"name":7,"hex":8,"translations":9,"count_pages":13},8,"Компания","#f40925",{"ru":10,"en":11},{"name":7},{"name":12},"Company",9,{"id":15,"name":16,"hex":17,"translations":18,"count_pages":6},26,"Главная страница",null,{"ru":19},{"name":16},{"id":21,"name":22,"hex":23,"translations":24,"count_pages":28},2,"Проекты","#3027ff",{"ru":25,"en":26},{"name":22},{"name":27},"Project",15,{"id":30,"name":31,"hex":17,"translations":32,"count_pages":21},33,"ИИ",{"ru":33},{"name":31},{"id":35,"name":36,"hex":17,"translations":37,"count_pages":39},34,"Комментарии",{"ru":38},{"name":36},4,{"id":41,"name":42,"hex":17,"translations":43,"count_pages":45},25,"Задачи",{"ru":44},{"name":42},24,{"id":47,"name":48,"hex":17,"translations":49,"count_pages":51},27,"Рабочие пространства",{"ru":50},{"name":48},3,{"id":45,"name":53,"hex":17,"translations":54,"count_pages":6},"Kanban-доска",{"ru":55},{"name":53},{"id":57,"name":58,"hex":17,"translations":59,"count_pages":61},23,"Диаграмма Ганта",{"ru":60},{"name":58},1,{"id":28,"name":63,"hex":17,"translations":64,"count_pages":61},"Календарь",{"ru":65},{"name":63},{"detail":67,"more":149},{"id":68,"slug":69,"translations":70,"category":84,"tags":92,"letter":111,"og_image":17,"cover":17,"author_name":17,"author_position":17,"author_avatar":17,"faqs":112,"related":126,"views_count":146,"helpful_yes_count":115,"helpful_no_count":115,"created_at":147,"updated_at":148,"published_at":17},282,"mcp",{"ru":71},{"title":72,"short_definition":73,"tldr":74,"full_explanation":75,"when_to_apply":76,"when_not_to_apply":77,"examples":78,"tips":79,"synonyms":80,"translation_en":81,"seo_title":82,"seo_description":83},"MCP (Model Context Protocol, протокол контекста модели)","Открытый протокол, по которому языковые модели и агенты единообразно подключаются к внешним инструментам, данным и сервисам.","MCP — открытый протокол, который описывает, как ИИ-приложение договаривается с внешним сервисом о доступных инструментах, данных и шаблонах запросов. Аналогия простая: разъём USB для ИИ. Достаточно один раз сделать сервер MCP для своего продукта, и его можно подключать к любому совместимому клиенту — среде разработки, агенту, ассистенту — без отдельной интеграции под каждого.","\u003Cp>До MCP каждый ИИ-агент или ассистент писал собственные интеграции: с CRM, базой знаний, поиском, банковскими системами. Это плохо масштабировалось — под новый продукт всё приходилось делать заново. MCP решает ту же задачу, которую когда-то решил протокол LSP для языковых серверов в средах разработки.\u003C\u002Fp>\u003Ch3>Что описывает протокол\u003C\u002Fh3>\u003Cul>\u003Cli>\u003Cstrong>Инструменты\u003C\u002Fstrong> — функции, которые модель может вызвать. По сути это стандартизированный вызов функций.\u003C\u002Fli>\u003Cli>\u003Cstrong>Ресурсы\u003C\u002Fstrong> — источники данных, к которым модель обращается: документы, базы, файлы.\u003C\u002Fli>\u003Cli>\u003Cstrong>Шаблоны запросов\u003C\u002Fstrong> — заготовленные подсказки, которые сервер предлагает клиенту.\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>Зачем это вам\u003C\u002Fh3>\u003Cul>\u003Cli>Хотите, чтобы ваш сервис работал с разными агентами и ассистентами, — делаете один сервер MCP.\u003C\u002Fli>\u003Cli>Строите внутренний ИИ-инструмент — подключаете готовые серверы к нужным системам и не пишете интеграции с нуля.\u003C\u002Fli>\u003Cli>Единообразно настраиваете права доступа и аудит: всё идёт через один протокол.\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Строите экосистему, где несколько ИИ-инструментов работают с одной системой\u003C\u002Fli>\u003Cli>Хотите дать внешним клиентам и ассистентам стандартный доступ к вашему API\u003C\u002Fli>\u003Cli>Внутренние агенты должны ходить в десятки разных систем\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Один небольшой ассистент с одной интеграцией — обычно хватает обычного вызова функций\u003C\u002Fli>\u003Cli>Экспериментальные прототипы, которые ещё не дошли до интеграций\u003C\u002Fli>\u003C\u002Ful>","\u003Cp>Команда поддержки запускает агента в среде разработки. Через MCP она подключает сервер своего трекера задач, сервер базы знаний и сервер CRM. Сами интеграции написали один раз и не привязали ни к конкретной модели, ни к конкретному ассистенту. При переходе на другую модель все эти инструменты продолжат работать без переделки.\u003C\u002Fp>","\u003Cp>Прежде чем писать свой сервер MCP с нуля, посмотрите готовые: для GitHub, Slack, Notion и популярных баз данных уже есть открытые реализации. Часто их берут как есть и дописывают только внутренние эндпоинты компании. Если же нужен ИИ прямо в рабочем пространстве, а не своя интеграция, в Shtab есть Shtab AI в режимах «Чат» и «Агент» и умный поиск по содержимому задач.\u003C\u002Fp>","MCP, Model Context Protocol, протокол контекста модели","Model Context Protocol (MCP)","MCP — протокол контекста модели для ИИ | Глоссарий Shtab","MCP (Model Context Protocol) — открытый протокол подключения ИИ-агентов к инструментам и данным. Что он описывает, зачем нужен и чем полезен разработчику.",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":88},10,"ai","#a855f7",{"ru":89},{"title":90,"description":91},"Искусственный интеллект","Терминология ИИ и больших языковых моделей: машинное обучение, нейросети, LLM, эмбеддинги, промптинг, RAG, агенты, MLOps, безопасность и этика моделей.",[93,102],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":99},37,"llm","framework","#7c5ce6",91,{"ru":100},{"title":101},"LLM",{"id":103,"slug":104,"kind":105,"hex":106,"order":107,"translations":108},40,"ai-tool","tool","#5e79ec",94,{"ru":109},{"title":110},"Инструмент ИИ","M",[113,120],{"id":114,"order":115,"translations":116},1140,0,{"ru":117},{"question":118,"answer":119},"Чем MCP отличается от обычного вызова функций?","\u003Cp>Вызов функций — механизм внутри одной модели или одного поставщика. MCP работает поверх и описывает, как разные ИИ-приложения и серверы инструментов говорят на одном языке. Один сервер MCP подключается к десятку моделей и агентов без переписывания кода, тогда как обычный вызов функций приходится настраивать под каждую платформу отдельно.\u003C\u002Fp>",{"id":121,"order":61,"translations":122},1141,{"ru":123},{"question":124,"answer":125},"Кто стоит за MCP?","\u003Cp>Протокол открытый: спецификацию и эталонную реализацию первой опубликовала компания Anthropic. Сейчас его поддерживают и другие разработчики ИИ-продуктов, появляются клиенты и серверы от разных команд, вокруг протокола постепенно складывается экосистема готовых интеграций. Пользоваться им можно свободно, не привязываясь к одному поставщику моделей.\u003C\u002Fp>",{"parent":127,"related":135},[128],{"id":129,"slug":130,"translations":131},280,"ai-agent",{"ru":132},{"title":133,"short_definition":134},"ИИ-агент","Программа на основе LLM, которая способна планировать действия, вызывать внешние инструменты и доводить задачу до результата без постоянного контроля человека.",[136,139],{"id":129,"slug":130,"translations":137},{"ru":138},{"title":133,"short_definition":134},{"id":140,"slug":141,"translations":142},281,"function-calling",{"ru":143},{"title":144,"short_definition":145},"Вызов функций (function calling)","Возможность модели вернуть структурированный запрос на вызов внешней функции вместо обычного текста и затем учесть её результат.",96,"2026-05-11T19:55:53.687251+03:00","2026-05-11T19:55:53.687297+03:00",[150,171,191],{"id":151,"slug":152,"translations":153,"category":158,"tags":161,"letter":111,"cover":17,"updated_at":170,"published_at":17},287,"mlops",{"ru":154},{"title":155,"short_definition":156,"translation_en":157},"MLOps (эксплуатация ML-моделей)","Практики и инструменты для разработки, выкатки и эксплуатации моделей машинного обучения и ИИ в боевой среде — аналог DevOps для машинного обучения.","MLOps",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":159},{"ru":160},{"title":90,"description":91},[162,167],{"id":61,"slug":163,"kind":163,"hex":106,"order":61,"translations":164},"methodology",{"ru":165},{"title":166},"Методология",{"id":103,"slug":104,"kind":105,"hex":106,"order":107,"translations":168},{"ru":169},{"title":110},"2026-05-11T19:55:55.482827+03:00",{"id":172,"slug":173,"translations":174,"category":179,"tags":182,"letter":189,"cover":17,"updated_at":190,"published_at":17},278,"rag",{"ru":175},{"title":176,"short_definition":177,"translation_en":178},"RAG (поиск с дополнением генерации)","Подход, при котором перед ответом языковая модель ищет подходящие документы в базе знаний и использует их как контекст.","Retrieval-Augmented Generation (RAG)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":180},{"ru":181},{"title":90,"description":91},[183,186],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":184},{"ru":185},{"title":101},{"id":103,"slug":104,"kind":105,"hex":106,"order":107,"translations":187},{"ru":188},{"title":110},"R","2026-05-11T19:55:52.147205+03:00",{"id":192,"slug":95,"translations":193,"category":198,"tags":201,"letter":213,"cover":17,"updated_at":214,"published_at":17},264,{"ru":194},{"title":195,"short_definition":196,"translation_en":197},"Большая языковая модель","Нейросеть с миллиардами параметров, обученная предсказывать следующий токен в тексте и способная отвечать на вопросы, писать код и рассуждать.","Large Language Model (LLM)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":199},{"ru":200},{"title":90,"description":91},[202,210],{"id":203,"slug":204,"kind":205,"hex":87,"order":206,"translations":207},36,"ai-foundation","other",90,{"ru":208},{"title":209},"Основы ИИ",{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":211},{"ru":212},{"title":101},"Б","2026-05-11T19:55:46.954774+03:00"]