Build MCP Server: Integrasi AI Agent dengan Tools Eksternal
AP
Adrian Prat

Dipublikasikan 30 Mei 2026

Build MCP Server: Integrasi AI Agent dengan Tools Eksternal

mcp
ai-agent
ai
tutorial

Model Context Protocol (MCP) adalah standard open-source yang dirilis Anthropic untuk membuat AI agent bisa berkomunikasi dengan tools, database, dan API eksternal secara universal. Bayangkan seperti USB-C untuk AI: satu protocol yang menghubungkan model LLM dengan berbagai resource. Dalam tutorial ini, kita akan membangun MCP server sederhana menggunakan Python dan menghubungkannya dengan AI agent.

Persiapan Environment dan Dependencies

Pastikan Python 3.10+ sudah terinstall. Buat virtual environment dan install SDK official dari Anthropic.

python -m venv venv
source venv/bin/activate
pip install mcp

Verifikasi installasi dengan menjalankan mcp --version. Jika muncul versi, kamu siap lanjut ke langkah berikutnya.

Membuat Server MCP dengan Python SDK

Buat file server.py. Di sini kita akan membuat server yang menyediakan tool untuk membaca data dari SQLite database. Contoh ini sangat praktis untuk internal tools.

from mcp.server import Server
from mcp.types import TextContent
import sqlite3

app = Server("demo-server")

@app.tool()
def fetch_users():
    conn = sqlite3.connect("data.db")
    rows = conn.execute("SELECT * FROM users").fetchall()
    conn.close()
    return [TextContent(type="text", text=str(rows))]

if __name__ == "__main__":
    app.run()

Pastikan kamu memiliki file data.db dengan tabel users. Tool fetch_users akan terekspos sebagai resource yang bisa dipanggil AI agent.

Mendefinisikan Resource dan Schema

MCP menggunakan schema untuk memberitahu AI agent apa saja yang tersedia. Kita bisa menambahkan metadata dan deskripsi agar LLM memahami konteks penggunaan tool.

@app.tool(description="Ambil semua data user dari database lokal")
def fetch_users(limit: int = 10):
    conn = sqlite3.connect("data.db")
    rows = conn.execute(
        "SELECT * FROM users LIMIT ?", (limit,)
    ).fetchall()
    conn.close()
    return [TextContent(type="text", text=str(rows))]

Dengan deskripsi yang jelas, AI agent akan otomatis memilih tool ini ketika user bertanya soal data user.

Integrasi dengan Claude Desktop dan Cursor

Setelah server berjalan, tambahkan konfigurasi ke Claude Desktop atau Cursor. Buat file claude_desktop_config.json di folder konfigurasi sesuai OS-mu.

{
  "mcpServers": {
    "demo-server": {
      "command": "python",
      "args": ["/path/to/server.py"]
    }
  }
}

Restart Claude Desktop. Sekarang AI bisa membaca database-mu secara langsung tanpa perlu copy-paste data.

Testing dan Debugging Tool Calls

Jalankan server di terminal dan perhatikan output. Gunakan mcp inspect untuk melihat schema yang terekspos. Jika ada error, cek permission file database dan pastikan path sudah benar.

python server.py
# di terminal lain
mcp inspect --server-path ./server.py

Perhatikan response time. Kalau query berat, pertimbangkan caching atau indexing agar AI agent tetap responsive.

Sumber tutorial ini diadaptasi dari Model Context Protocol Official Docs dan GitHub MCP Organization.