От REST к MCP: как языковые модели меняют дизайн API

Разговоры о том, что искусственный интеллект скоро заменит разработчиков и бизнес-процессы целиком, звучат почти из каждого утюга. Но за громкими заголовками часто теряется техническая суть: как именно ИИ-агенты должны взаимодействовать с существующими системами, и почему привычные подходы к проектированию API здесь не всегда работают.

Большинство современных сервисов построены на REST-архитектуре, которая изначально проектировалась для взаимодействия человека и машины через понятные, строго типизированные эндпоинты. Такой подход отлично работает, когда клиент — это заранее написанный код, знающий структуру запросов и ответов наперёд.

Проблема REST для LLM-агентов

Когда в роли клиента выступает языковая модель, ситуация меняется. Агенту нужно не просто вызвать метод API, а понять, какие методы существуют, для чего они нужны и как их комбинировать для решения задачи, которая формулируется на естественном языке.

Стандартная REST-документация — в виде OpenAPI-спецификаций или Swagger-схем — рассчитана на человека-разработчика или на строго детерминированный код. Она плохо приспособлена для того, чтобы модель могла на её основе самостоятельно выстраивать логику действий, особенно если система состоит из десятков и сотен сервисов.

Что предлагает MCP

В качестве альтернативы всё активнее обсуждается протокол MCP (Model Context Protocol) — подход, изначально спроектированный с учётом того, что основным «клиентом» может быть не человек и не жёстко запрограммированный сервис, а ИИ-агент.

Ключевая идея MCP — дать модели контекст и инструменты в формате, который она может интерпретировать и использовать самостоятельно, без необходимости заранее прописывать всю логику взаимодействия. Это меняет сам принцип проектирования API:

• вместо строгих контрактов — гибкие описания возможностей сервиса;
• вместо фиксированных сценариев вызовов — динамическое построение цепочек действий;
• вместо ориентации на разработчика — ориентация на модель как основного потребителя интерфейса.

Такой сдвиг влияет не только на формат API, но и на архитектуру систем в целом: появляются новые требования к безопасности, наблюдаемости и контролю за тем, что именно делает агент, получивший доступ к инструментам.

Автор материала — backend-разработчик Avito, работающий на стыке классической разработки и машинного обучения — подчёркивает, что тема интеграции ИИ-агентов в бизнес-процессы требует более технического взгляда, без излишнего хайпа. Первая часть материала посвящена сравнению принципов REST и MCP, а также объяснению того, почему привычные подходы к проектированию API нуждаются в переосмыслении с приходом LLM.

Источник: Все статьи подряд / Машинное обучение / Хабр