Ứng dụng MCP trong công việc - Phần 2 - Giải mã kiến trúc Model Context Protocol

Ở Phần 1, chúng ta đã đi qua bài toán đồng bộ dữ liệu giữa file Google Docs tiếng Việt và tiếng Nhật, cùng cơ chế 4 bước chỉ qua một câu lệnh chat. Phần 2 sẽ trả lời câu hỏi: công nghệ nào đứng sau?

Nội dung phần này:

• Model Context Protocol (MCP) là gì
• Kiến trúc tổng quan: mô hình 3 tầng
• Ba trụ cột trong một MCP Server
• Luồng hoạt động cụ thể: 3 thành phần phối hợp với Model ra sao

MCP là gì? Chuẩn cổng cắm “USB-C” cho ứng dụng AI

MCP là giao thức mở (Open Standard) do Anthropic khởi xướng, chuẩn hóa cách mô hình AI kết nối và thao tác với các nguồn dữ liệu bên ngoài.

Hãy hình dung trước khi có USB-C, mỗi thiết bị cần một loại dây riêng. MCP đóng vai trò tương tự cho AI: thay vì viết code nối riêng cho từng cặp “ứng dụng AI – nguồn dữ liệu”, ta chỉ cần tuân theo một chuẩn chung.

Ba giá trị cốt lõi của MCP:

• Tách biệt thông minh giữa trí tuệ AI và dữ liệu: LLM lo phần suy luận và ra quyết định, còn MCP Server lo việc lấy dữ liệu và thực thi tác vụ kỹ thuật phía dưới.
• Cắm vào là chạy (Plug & Play): Không cần viết code nối riêng cho từng mô hình; viết 1 Server MCP là dùng chung được trên Claude, Cursor, hay các AI Agent khác.
• An toàn & kiểm soát quyền theo chuẩn chung: Mỗi server chỉ mở đúng những tool cần thiết; credential nằm ở server, AI không nắm giữ. Người dùng duyệt từng thao tác theo cùng một cơ chế, dù dùng Claude, Cursor hay agent khác.

Quy ước đơn giản: Ứng dụng chat (Claude/Cursor) là Client; tính năng kết nối file của bạn là Server.

Kiến trúc tổng quan: mô hình 3 tầng

Hệ sinh thái MCP gồm 3 tầng: Tầng 1 – Ứng dụng: MCP Host (Clients), đóng vai trò giao diện người dùng

• Claude Desktop: app chat chính của Anthropic
• Cursor / VS Code: môi trường code của Dev
• AI Agents tùy biến: LangChain / AutoGPT / Bot

Tầng 2 – Giao tiếp: MCP Servers, đóng vai trò bộ điều phối & kiểm soát

• Tools: các hàm thực thi đọc & ghi
• Resources: tài liệu chỉ đọc làm ngữ cảnh
• Prompts: kịch bản lệnh mẫu tạo sẵn

Tầng 3 – Dữ liệu: Nguồn dữ liệu, là tài nguyên doanh nghiệp Google Docs / Sheets: tài liệu dự án & dịch thuật File hệ thống nội bộ: thư mục mã nguồn, JSON, CSV Database / API khác: PostgreSQL, Jira, Notion

Tầng 1 và Tầng 2 giao tiếp hai chiều qua JSON-RPC; Tầng 2 gọi xuống Tầng 3 qua API call để thực thi.

Cơ chế hoạt động: App chat gửi câu hỏi tới AI model -> AI phân tích yêu cầu và ra quyết định gọi tool thích hợp của Server -> Tool được thực thi và trả kết quả về cho AI phân tích -> AI phân tích xong thì sẽ tiếp tục gọi tool của Server để thực thi.

Ba trụ cột nền tảng trong một MCP Server

Giờ đây, bất kỳ ai cũng có thể nhờ AI viết mã hoàn chỉnh 3 thành phần này trong vài phút.

Luồng hoạt động cụ thể: 3 thành phần phối hợp với Model

Quay lại bài toán đồng bộ highlight, đây là cách các thành phần phối hợp với nhau:

1. Ra lệnh (Prompt): Người dùng kích hoạt kịch bản Prompt mẫu: yêu cầu đồng bộ nội dung highlight sang bản tiếng Nhật.
2. Nạp bối cảnh (Resource): Server nạp sẵn bảng tra cứu thuật ngữ chuyên ngành (Glossary) và cấu trúc tiêu đề file đích.
3. Quét highlight (Tool đọc – read_highlights()): Model kích hoạt Tool đọc cấu trúc Docs tiếng Việt, trích xuất chính xác các câu được đánh dấu màu.
4. Model dịch thuật (Trí tuệ AI): Model (LLM) suy luận: đối chiếu bảng thuật ngữ từ Resource, dịch sát ngữ cảnh kỹ thuật sang tiếng Nhật chuẩn xác, và định vị index.
5. Chèn vào đích (Tool ghi – insert_text_at_index()): Model truyền bản dịch và vị trí cho Tool ghi; server gọi batchUpdate chèn chính xác vào tài liệu tiếng Nhật.

Điểm mấu chốt: MCP Tools lo việc đọc/ghi dữ liệu, trong khi trí tuệ của Model (LLM) tập trung xử lý ngôn ngữ và dịch thuật chuẩn xác.

Tiếp theo

Đã hiểu kiến trúc, câu hỏi tiếp theo là: làm sao tự tạo một MCP Server cho bài toán của mình?

Ở Phần 3, chúng ta sẽ đi qua quy trình 4 bước tạo Custom MCP Server, những cạm bẫy thường gặp khi prompt bằng tiếng Việt, và cách thiết kế tool an toàn.

Tác giả: Dinh Tuan Anh ー SHIP Vietnam