Примеры использования MCP-агентов в Cursor

Курс: MCP: Создание ИИ-агентов на практике (Python & TypeScript)12+

Вы уже проделали отличную работу, освоив основы MCP, настроив рабочее окружение и научившись запускать сервера. Теперь настало время увидеть, как всё это работает в реальном инструменте разработки — Cursor. Это не просто редактор кода, а полноценная среда, где ИИ-агенты становятся частью повседневного рабочего процесса.

Cursor и MCP: почему это важно

Cursor — это современный редактор кода, построенный вокруг ИИ. Он позволяет интегрировать MCP-серверы напрямую, расширяя возможности встроенных агентов. Это значит, что вместо того чтобы полагаться только на стандартные функции LLM, вы можете подключить собственные инструменты, доступ к базам данных, API вашей системы или даже логику вашего стартапа.

💡 Зачем это вам?
Как фронтенд-разработчику, создающему стартапы на генеративном ИИ, вы можете использовать Cursor + MCP, чтобы:

Быстро прототипировать идеи

Автоматизировать повторяющиеся задачи в разработке

Подключать ИИ к внутренней логике вашего генератора курсов

Тестировать агентов в реальной среде без развёртывания отдельного фронтенда

Как MCP работает внутри Cursor

Когда вы подключаете MCP-сервер к Cursor, происходит следующее:

Вы пишете запрос в чат (например, "создай компонент формы регистрации")
Cursor отправляет запрос на ваш MCP-сервер
Сервер решает, какой инструмент (tool) использовать — например, генерация кода, чтение файлов, вызов API
LLM получает доступ к этим инструментам через сервер
Результат возвращается в Cursor и отображается вам

Это позволяет агенту действовать, а не просто отвечать.

Пример 1: Генерация компонента с доступом к структуре проекта

Представим, что вы работаете над фронтендом своего генератора курсов. Вам нужно создать компонент CoursePreview, но вы хотите, чтобы ИИ знал:

Какие уже есть компоненты
Какой используется стек (React, TypeScript, Tailwind)
Где лежат стили и типы

С MCP вы можете создать инструмент, который читает файловую систему вашего проекта. Вот как это может выглядеть в коде MCP-сервера на Python:

from mcp.types import Tool
import os

def read_directory(path: str) -> str:
    """Читает список файлов в указанной директории"""
    try:
        files = os.listdir(path)
        return f"Файлы в {path}: {', '.join(files)}"
    except Exception as e:
        return f"Ошибка: {str(e)}"

# Регистрация инструмента
tools = [
    Tool(
        name="read_directory",
        description="Читает содержимое директории. Полезно для понимания структуры проекта.",
        input_schema={
            "type": "object",
            "properties": {
                "path": {"type": "string", "description": "Путь к директории"}
            },
            "required": ["path"]
        },
        function=read_directory
    )
]

Теперь, когда вы попросите Cursor "создай компонент, похожий на CourseCard, но для превью", он сможет:

Узнать, что CourseCard.tsx существует
Прочитать его структуру (если добавить инструмент read_file)
Сгенерировать новый компонент в том же стиле

⚠️ Без MCP ИИ в Cursor работает "вслепую" — он не видит вашей файловой системы, не знает контекста проекта, не может выполнять действия. С MCP он становится действующим агентом, а не просто чатом.

Пример 2: Автоматизация документации по компонентам

Вы разрабатываете UI-библиотеку для своего стартапа. Каждый новый компонент требует документации. Вместо ручного описания вы можете создать MCP-инструмент, который:

Читает TypeScript-файл компонента
Извлекает пропсы и JSDoc
Генерирует Markdown-документацию

def generate_component_docs(component_name: str) -> str:
    file_path = f"src/components/{component_name}.tsx"
    if not os.path.exists(file_path):
        return "Компонент не найден"
    
    with open(file_path, "r", encoding="utf-8") as f:
        code = f.read()
    
    # Здесь можно добавить парсинг пропсов, но для примера упростим
    return f"Документация для {component_name}:\n\nОсновано на коде:\n```ts\n{code[:200]}...\n```"

Теперь в Cursor вы просто пишете:
"Создай документацию для компонента CourseGeneratorForm" — и получаете готовый текст.

Пример 3: Подключение к внутреннему API стартапа

Представим, что ваш генератор курсов хранит шаблоны в базе. Вы хотите, чтобы ИИ мог предлагать реальные шаблоны при разработке.

Создайте инструмент:

import requests

def search_course_templates(query: str) -> str:
    """Ищет шаблоны курсов по запросу"""
    try:
        response = requests.get(f"http://localhost:8000/api/templates?search={query}")
        templates = response.json()
        return "\n".join([f"- {t['title']} (ID: {t['id']})" for t in templates])
    except:
        return "Не удалось получить шаблоны"

Теперь запрос "предложи шаблоны для курса по Python для детей" вернёт актуальные данные из вашей системы.

Что даёт такая интеграция?

Без MCP	С MCP
ИИ отвечает на основе общих знаний	ИИ работает с вашим кодом, API, данными
Ограничен в действиях	Может читать, писать, запрашивать, генерировать
Требует ручной проверки	Автоматизирует рутину и снижает ошибки
"Чат-бот"	ИИ-агент с доступом к среде

Практическое задание

Убедитесь, что ваш MCP-сервер (на Python или TypeScript) запущен локально
В Cursor перейдите в настройки: Settings → AI → Model Context Protocol
Добавьте URL вашего сервера (например, http://localhost:3333)
Создайте простой инструмент get_time или list_files
Протестируйте в чате: "Какое сейчас время?" или "Покажи файлы в корне проекта"

Если всё работает — вы только что создали своего первого действующего ИИ-агента в реальной среде разработки.

🎯 Совет: Начните с малого. Даже один полезный инструмент — например, чтение конфигурации проекта — может сэкономить часы времени.

Что дальше?

Вы увидели, как MCP превращает ИИ из пассивного помощника в активного участника разработки. Но Cursor — это только начало. В следующей теме вы узнаете, как использовать MCP не только в редакторе кода, но и в системах автоматизации.

Представьте, что ваш агент не просто генерирует код, а сам создаёт тикет в Jira, пушит ветку в Git и запускает сборку. Для этого мы подключим MCP к n8n — мощной платформе визуальной автоматизации. Это откроет путь к созданию полностью автономных рабочих процессов, которые будут работать за вас.

Готовы превратить своих агентов из помощников в исполнителей? Следующий шаг — автоматизация рутины с n8n и MCP.