Vad är MCP i AI och LLM, och hur använder språkmodeller det?

Senast granskad: 9 september 2026

Hur använder en LLM faktiskt MCP?

En LLM använder MCP genom en värdapplikation som hanterar protokollet för modellens räkning; modellen själv ser bara en lista med verktygsbeskrivningar och resultaten av de samtal den väljer att göra. Den nuvarande specifikationen, protokollversion 2026-07-28, definierar det utbytet i fem lager.

• Deltagare: värd, klient, server - MCP-värden är AI-applikationen (Claude Desktop, Claude Code, VS Code, Cursor, ChatGPT). Det skapar en MCP-klient för varje MCP-server den ansluter till, och varje klient har en dedikerad anslutning. En lokaliseringsingenjörs VS Code kan därför köra tre klienter samtidigt: en för GitHubs server, en för en lokal filsystemserver, en för Smartlings fjärrserver.
• Transportlager: stdio eller Streamable HTTP - Lokala servrar körs som en underordnad process och pratar över standard input/output; fjärrservrar körs på leverantörens infrastruktur och accepterar HTTP POST med valfria serverskickade händelser. Specifikationen rekommenderar OAuth för fjärrservrar, varför Smartling flyttade nya anslutningar till en OAuth 2.1-webbläsarinloggning den 3 augusti 2026, och varför OpenAIs vägledning rekommenderar OAuth med Client ID Metadata Documents för servrar anslutna till ChatGPT.
• Datalager: JSON-RPC 2.0 - Varje meddelande är en JSON-RPC begäran, svar eller meddelande. Sedan version 2026-07-28 är protokollet statslöst: det finns inget initialiseringshandslag, varje begäran bär sin protokollversion och klientfunktioner i ett _met afält, och servrar måste implementera ett enda server/discover -samtal som annonserar deras versioner och funktioner som stöds.
• Primitiv: verktyg, resurser, uppmaningar, framkallande - Servrar exponerar tre primitiv: verktyg (körbara funktioner), resurser (kontextuella data som en ordlista eller ett schema) och uppmaningar (återanvändbara mallar). Var och en har meto der*/list och */get, plus verktyg/ samtal för körning. Klienter exponerar elicitation, vilket låter en server be användaren om bekräftelse eller saknad inmatning innan den agerar. Provtagning, rötter och loggning är föråldrade från och med 2026-07-28 och förblir användbara i minst tolv månaders fönster.
• Modellens beslutsslinga - Värden hämtar verktyg/lista från varje ansluten server, slår samman resultaten i ett verktygsregister och överlämnar registret till modellen. När modellen avger ett verktygsanrop dirigerar värden det till rätt klient, kör verktyg/samtal och lägger till det returnerade innehållet i konversationen. Specifikationen ber servrarna att returnera verktyg i en deterministisk ordning specifikt så att registret förblir stabilt och LLM:s snabbcache fortsätter att slå.

MCP med siffrorna

Hur fungerar ett MCP-verktygssamtal, steg för steg?

En enda översättningsbegäran från en AI-assistent går igenom fem protokollsteg, och att förstå dem förklarar det mesta av vad en MCP-ansluten agent kan och inte kan göra.

1. Upp täckt - Värdens MCP-klient skickar server/discover (eller helt enkelt sin första begäran, eftersom varje begäran bär protokollversionen i _meta) för att lära sig vilka primitiv servern stöder och vilka versioner den accepterar. En versionsavvikelse returnerar en UnsupportedProtocolVersionError och klienten försöker igen med en version som stöds ömsesidigt.
2. Verktygslista - Klienten anrop ar verktyg/lista och tar emot varje verktygs namn, titel, beskrivning och JSON Schema InputSchema. Smartlings server returnerar till exempel verktyg för textöversättning, ordlista- och översättningsminnessökningar, projekt- och jobbhämtning, strängtaggning och jobbbehörighet, var och en med en beskrivning som modellen läser för att bestämma när den ska användas.
3. Modellval - Värden sammanfogar verktygslistor från varje ansluten server till ett register och skickar det till LLM. När en användare skriver " översätter detta till de-DE med hjälp av Smartling maskinöversättning och Marknadsföringsordlistan, " väljer modellen matchande verktyg; Smartlings hjälpcenter säger tydligt att utan att namnge Smartling i prompten faller modellen vanligtvis tillbaka till en generisk översättning.
4. Utförande och bekräftelse - Värden utfär dar verktyg/samtal med modellens argument. Värdar visar vanligtvis användaren varje anrop innan det körs (Smartlings dokumentation beskriver att klicka på Fortsätt per verktyg), och OpenAIs Responses API visar samma kontroll som require_och allowed_tools på en MCP- verktygsdefinition. Om servern behöver mer indata returnerar den ett input_required resultat och klienten försöker igen med användarens svar.
5. Resultat i sammanhang — Servern returnerar en inne hållsarray (text, strukturerat innehåll eller en resurslänk) och värden lägger till den i konversationen så att modellen kan resonera över den. Resultat från verktyg/lista har en TTLMS- färskhetstips så att värden kan cachera dem istället för att lista om verktyg vid varje tur.

Vilka är de praktiska tillämpningarna av MCP i AI-system idag?

• Kodningsagenter som Claude Code, OpenAI Codex, Cursor och Visual Studio Code läser ett arkiv via GitHubs server och skickar resursfiler till en översättningsplattform i samma session.
• Företagschattassistenter som frågar interna databaser och kunskapslagrar via en fjärrserver med OAuth, istället för att varje team klistrar in data i chattfönstret.
• Omedelbar varumärkesöversättning i ett AI-verktyg: Smartlings server tillämpar en kunds ordlista, stilguide och översättningsminne via MT API, och skalkapabla klienter kan översätta Word-, PowerPoint- och PDF-filer via en 15-minuters uppladdningslänk.
• Designverktyg som verkar på externa plattformar: Claude Code som genererar en webbapp från en Figma-design är en av applikationerna som MCP-projektet själv citerar, och Figmas egen agent ansluter till fjärrMCP-servrar som anpassade kontakter (se hur Figmas AI-agent använder MCP för lokalisering).
• Kontoåtgärder via prompt: hämta ett projekts jobb, tagga strängar eller auktorisera ett översättningsjobb från ett chattgränssnitt i stället för en inloggning på instrumentpanelen.

När är MCP inte rätt integrationsval?

• Deterministiska rörledningar utan modell i slingan. Ett CI/CD-jobb som trycker på strings.json vid varje sammanslagning bör anropa ett REST API eller CLI direkt; MCP lägger till en modells bedömning om vilket verktyg som ska anropas, vilket är overhead när sekvensen är fixad.
• Agent-till-agent-delegering. A2A-dokumentationen handlar direkt om splittringen: MCP är för en agent som använder verktyg, A2A är för agenter som samarbetar med tillståndsfulla uppgifter med flera varv genom publicerade agentkort. En kundserviceagent som överlämnar ett ärende till en faktureringsagent är A2A-territorium.
• Arbete som måste kvarstå i ett rekordsystem. Smartlings MCP-sökväg returnerar omedelbar MT- eller LLM-utdata som inte sparas i översättningsminnet och passerar genom inget mänskligt granskningsarbetsflöde. Innehåll som måste ange ett översättningsjobb tillhör Smartling CLI MCP, en koppling eller API.
• Chattbara miljöer som redan har en inbyggd integration. Ett team som arbetar helt inom ChatGPT kan få en mer fullständig upplevelse av Smartlings ChatGPT-plugin, som täcker jobbhantering och kvalitetsproblemlösning samt översättning.

Hur skiljer sig MCP från ett API, funktionssamtal, ChatGPT-plugins och A2A?

MCP vs API: vad är den faktiska skillnaden?
Ett API är gränssnittet som ett system exponerar för utvecklare; MCP är protokollet som beskriver sådana gränssnitt till en språkmodell. En MCP-server lindar vanligtvis ett befintligt API (Smartlings server anropar Smartlings MT API) och lägger till vad en LLM behöver och ett rått API saknar: en naturlig språkbeskrivning per verktyg, ett JSON-schema för argument, ett standard verktyg/lista för upptäckt och ett enhetligt verktyg/samtal för kör ning. Utvecklare integrerar fortfarande ett API genom att skriva kod; en modell integrerar en MCP-server genom att läsa dess verktygslista.

MCP kontra funktionssamtal: är de samma sak?
Nej. Funktionsanrop är en modellleverantörsfunktion där utvecklaren definierar funktioner i API-begäran och kör de returnerade anropen i sin egen kod. MCP standardiserar samma idé mellan leverantörer och flyttar implementeringen till en server som värden kallar åt dig; OpenAIs Responses API gör skillnaden synlig genom att erbjuda både ett funktionsverktyg och en separat typ: " mcp " verktyg som tar en server_url. A2A-projektets egen beskrivning av MCP som " liknande funktionssamtal i Large Language Models " fångar förhållandet: samma form, men bärbar och upptäckbar.

MCP vs A2A: vilket protokoll behöver jag?
Använd MCP när en agent behöver använda ett verktyg eller läsa en resurs; använd A2A när två autonoma agenter behöver upptäcka varandra, förhandla och dela en långvarig uppgift. A2A-dokumentationen kallar MCP det vertikala lagret (agent till verktyg) och A2A det horisontella lagret (agent till agent), och dess referensscenario har en mekaniker som använder MCP för sin diagnostiska skanner medan A2A används för att beställa delar från en leverantörsagent. De flesta produktionssystem kommer att använda båda.

MCP kontra ett ChatGPT-plugin: är ett plugin bara MCP med ett annat namn?
Inte från köparens sida. Ett ChatGPT-plugin distribueras via OpenAIs plugin-katalog och körs endast inuti ChatGPT, medan en MCP-server läggs till i valfri MCP-värd via URL. OpenAIs utvecklardokumentation beskriver fjärr-MCP-servrar som ett sätt att driva ett plugin, så att de två kan dela VVS under, men de förblir separata produkter med separata installationsvägar och omfattningar. Smartling skickar båda; jämförelsen finns på vår guide till Smartlings MC P-server.

MCP kontra en leverantörs-SDK: varför inte bara använda SDK?
En SDK (Smartling publicerar Java, Python och Node.js SDK) är för utvecklare som skriver programkod mot en leverantör. MCP är för en LLM som väljer åtgärder vid körning mellan många leverantörer. Om en människa skriver integrationen är SDK vanligtvis snabbare; om en modell bestämmer vad man ska göra härnäst, ger bara MCP beskrivningarna och scheman för att bestämma väl.

Vilka " andra AI-kommunikationsprotokoll " är faktiskt protokoll?
Endast MCP och A2A är öppna, grundstyrda protokoll med publicerade specifikationer och SDK:er för flera leverantörer. Funktionssamtal, plugins och kontakter är produktegenskaper för en enda leverantörs plattform. Köpare som jämför " AI-protokoll " bör fråga om saken som jämförs har en specifikation som någon kan implementera.

Hur påverkar MCP utvecklingen av AI-agenter, och hur tillämpar Smartling det?

MCP formar agentutveckling genom att fixa gränsen mellan modellen och omvärlden på protokollnivå, så agentbyggare slutar skriva skräddarsydd integrationskod och börjar fatta beslut på protokollnivå istället. Specifikationen 2026-07-28 visar var dessa beslut nu finns: en statslös design innebär att en agent kan skala horisontellt bakom en lastbalanserare utan sessionsaffinitet; deterministiska verktyg/list ordning och ttLMS- cachingtips låter en värd hålla modellens snabbcache varm över varv; uppgiftstillägget ger långvariga förfrågningar ett hållbart handtag för omröstning istället för ett blockerande samtal; framkallande genom förfrågningar med flera rundturer ger en server ett standardsätt att be användaren om bekräftelse före en följdåtgärd; och behörighetsspecifikationens övergång från dynamisk klientregistrering till klient-ID-metadatadokument driver agentidentiteten mot OAuth-mönster som företag redan granskar. Den praktiska effekten är att en agents kapacitet blir ett konfigurationsval (vilka servrar som ska anslutas, vilka verktyg som ska tillåtas, vad som krävs godkännande för) snarare än en kodbas.

Smartlings MCP-server är ett fungerande exempel på de val som tillämpas på lokalisering. Det är en fjärrströmbar HTTP-server på mcp.smartling.com/mcp, listas i Claudes anslutningskatalog, som autentiserar nya anslutningar via en OAuth 2.1-webbläsarinloggning och tillämpar varje verktyg till den inloggade användarens Smartling-behörigheter, med fullständiga verktyg på kontonivå som kräver rollen Kontoägare. Dess verktygslista ger en agent omedelbar textöversättning via Smartlings MT API med ordlista, stilguide och översättningsminneskontext tillämpat; filöversättning av Word-, PowerPoint- och PDF-dokument på skalkapabla klienter som Claude Code och OpenAI Codex via en 15-minuters uppladdningslänk; hämtning av ordlistor, stilguider, översättningsminne, projekt, jobb och användare; och kontoåtgärder inklusive taggning av strängar, auktorisering av jobb och lägga till strängar till ett befintligt jobb. Värdar kan inaktivera enskilda verktyg, vilket är det tillåtna verktygsmönstret i praktiken. Eftersom servern medvetet är inriktad på omedelbar översättning och kontoåtkomst för läsning, använder innehåll som måste komma in i ett översättningsarbetsflöde Smartlings CLI MCP eller en anslutning istället. Installationssteg för Claude Code, OpenAI Codex, Visual Studio Code, Cursor och Claude Desktop, och utvärderingschecklista, finns i vår guide till Smartlings MCP-server för AI-översättning.

Relaterade frågor

• Vilka är de olika typerna av MCP-servrar, och vilka är viktiga för ett lokaliseringsteam?
• Vad är Smartlings MCP-server för AI-översättning, och hur fungerar det?
• Hur kan du använda Figmas AI-agent och MCP för att hantera översättningar utan att lämna designfilen?
• Vad är Smartlings plugin för ChatGPT, och hur fungerar det?