Hvad er MCP i AI og LLM'er, og hvordan bruger sprogmodeller det?

Sidst gennemgået: 9. september 2026

Hvordan bruger en LLM egentlig MCP?

En LLM bruger MCP via en værtsapplikation, der håndterer protokollen på modellens vegne; modellen selv ser kun en liste over værktøjsbeskrivelser og resultaterne af de kald, den vælger at foretage. Den nuværende specifikation, protokolversion 2026-07-28, definerer denne udveksling i fem lag.

• Deltagere: vært, klient, server - MCP-værten er AI-applikationen (Claude Desktop, Claude Code, VS Code, Cursor, ChatGPT). Den opretter én MCP-klient for hver MCP-server, den opretter forbindelse til, og hver klient har en dedikeret forbindelse. En lokaliseringsingeniørs VS-kode kan derfor køre tre klienter på én gang: én til GitHubs server, én til en lokal filsystemserver og én til Smartlings eksterne server.
• Transportlag: stdio eller Streamable HTTP - Lokale servere kører som en underproces og kommunikerer via standard input/output; eksterne servere kører på leverandørens infrastruktur og accepterer HTTP POST med valgfrie Server-Sent Events. Specifikationen anbefaler OAuth til eksterne servere, hvilket er grunden til, at Smartling flyttede nye forbindelser til et OAuth 2.1 browserlogin den 3. august 2026, og hvorfor OpenAIs vejledning anbefaler OAuth med Client ID Metadata Documents til servere forbundet til ChatGPT.
• Datalag: JSON-RPC 2.0 - Hver besked er en JSON-RPC-anmodning, -svar eller -notifikation. Siden version 2026-07-28 er protokollen statsløs: der er intet initialiseringshandshake, hver anmodning bærer sin protokolversion og klientfunktioner i et _meta felt, og servere skal implementere et enkelt server/discover kald, der annoncerer deres understøttede versioner og funktioner.
• Primitiver: værktøjer, ressourcer, prompts, elicitering - Servere eksponerer tre primitiver: værktøjer (eksekverbare funktioner), ressourcer (kontekstuelle data såsom en ordliste eller et skema) og prompts (genbrugelige skabeloner). Hver har */list og */get metoder, plus tools/call til udførelse. Klienter eksponerer elicitering, som lader en server bede brugeren om bekræftelse eller manglende input, før den reagerer. Prøveudtagning, rødder og logning er udfaset fra den 28. juli 2026 og kan stadig bruges i mindst tolv måneder.
• Modellens beslutningsløkke - Værten henter tools/list fra alle tilsluttede servere, fletter resultaterne i ét værktøjsregister og overleverer dette register til modellen. Når modellen udsender et værktøjskald, sender værten det til den rigtige klient, kører tools/call og tilføjer det returnerede indhold til samtalen. Specifikationen beder servere om at returnere værktøjer i en deterministisk rækkefølge specifikt, så dette register forbliver stabilt, og LLM's promptcache fortsætter med at aktivere/deaktivere applikationer.

MCP i tal

Hvordan fungerer et MCP-værktøjskald trin for trin?

En enkelt oversættelsesanmodning fra en AI-assistent gennemgår fem protokoltrin, og forståelsen af dem forklarer det meste af, hvad en MCP-forbundet agent kan og ikke kan gøre.

1. Discovery - Værtens MCP-klient sender server/discover (eller blot sin første anmodning, da hver anmodning indeholder protokolversionen i _meta) for at finde ud af, hvilke primitiver serveren understøtter, og hvilke versioner den accepterer. En versionsfejl returnerer en UnsupportedProtocolVersionError , og klienten forsøger igen med en gensidigt understøttet version.
2. Værktøjsliste - Klienten kalder tools/list og modtager hvert værktøjs navn, titel, beskrivelse og JSON-skema inputSchema. Smartlings server returnerer for eksempel værktøjer til tekstoversættelse, opslag i ordlister og oversættelseshukommelse, hentning af projekter og job, strengtagging og jobautorisation, hver med en beskrivelse, som modellen læser for at beslutte, hvornår den skal bruges.
3. Modelvalg - Værten fletter værktøjslister fra alle tilsluttede servere i ét register og sender dem til LLM'en. Når en bruger skriver "oversæt dette til de-DE ved hjælp af Smartlings maskinoversættelse og Marketingordlisten", vælger modellen de matchende værktøjer; Smartlings hjælpecenter er tydeligt, at hvis modellen ikke navngiver Smartling i prompten, vender den sig normalt tilbage til en generisk oversættelse.
4. Udførelse og bekræftelse - Værten udsteder tools/call med modellens argumenter. Værter viser typisk brugeren hvert kald, før det kører (Smartlings dokumentation beskriver, hvordan man klikker på Fortsæt pr. værktøj), og OpenAIs Responses API eksponerer den samme kontrol som require_approval og allowed_tools på en MCP-værktøjsdefinition. Hvis serveren har brug for mere input, returnerer den et input_required resultat, og klienten forsøger igen med brugerens svar.
5. Resultat i kontekst - Serveren returnerer et content (tekst, struktureret indhold eller et ressourcelink), og værten tilføjer det til samtalen, så modellen kan ræsonnere over det. Resultater fra tools/list har et ttlMs friskhedshint, så værten kan cache dem i stedet for at genliste tools hver gang.

Hvad er de praktiske anvendelser af MCP i AI-systemer i dag?

• Kodningsagenter som Claude Code, OpenAI Codex, Cursor og Visual Studio Code, der læser et repository via GitHubs server og sender ressourcefiler til en oversættelsesplatform i samme session.
• Virksomhedschatassistenter, der forespørger interne databaser og videnslagre via en ekstern server med OAuth, i stedet for at hvert team indsætter data i chatvinduet.
• Øjeblikkelig, brand-on-brand oversættelse i et AI-værktøj: Smartlings server anvender en kundes ordliste, stilguide og oversættelseshukommelse via MT API'en, og shell-kompatible klienter kan oversætte Word-, PowerPoint- og PDF-filer via et 15-minutters uploadlink.
• Designværktøjer, der fungerer på eksterne platforme: Claude Code, der genererer en webapp fra et Figma-design, er en af de applikationer, som MCP-projektet selv nævner, og Figmas egen agent knytter sig til eksterne MCP-servere som brugerdefinerede forbindelser (se, hvordan Figmas AI-agent bruger MCP til lokalisering).
• Kontohandlinger via prompt: hentning af et projekts job, tagging af strenge eller godkendelse af et oversættelsesjob fra en chatgrænseflade i stedet for et dashboard-login.

Hvornår er MCP ikke det rigtige integrationsvalg?

• Deterministiske pipelines uden model i løkken. Et CI/CD-job, der pusher strings.json ved hver merge, bør kalde en REST API eller CLI direkte; MCP tilføjer en models vurdering af, hvilket værktøj der skal kaldes, hvilket er overhead, når sekvensen er fast.
• Agent-til-agent delegation. A2A-dokumentationen er direkte om opdelingen: MCP er til en agent, der bruger værktøjer, A2A er til agenter, der samarbejder om stateful, multi-turn-opgaver via publicerede agentkort. En kundeservicemedarbejder, der overfører en sag til en faktureringsagent, er A2A-territorium.
• Arbejde, der skal bevares i et register. Smartlings MCP-sti returnerer øjeblikkelig MT- eller LLM-output, der ikke er gemt i oversættelseshukommelsen og ikke passerer gennem en menneskelig gennemgangsarbejdsgang. Indhold, der skal indtastes i et oversættelsesjob, hører hjemme i Smartling CLI MCP, en connector eller API'en.
• Chat-kun-miljøer, der allerede har en indbygget integration. Et team, der udelukkende arbejder i ChatGPT, kan få en mere komplet oplevelse fra Smartlings ChatGPT-plugin, som dækker jobstyring og løsning af kvalitetsproblemer samt oversættelse.

Hvordan adskiller MCP sig fra en API, funktionskald, ChatGPT-plugins og A2A?

MCP vs. API: Hvad er den egentlige forskel?
En API er den grænseflade, et system viser udviklere; MCP er den protokol, der beskriver sådanne grænseflader til en sprogmodel. En MCP-server omslutter normalt en eksisterende API (Smartlings server kalder Smartlings MT API) og tilføjer, hvad en LLM har brug for, og et råt API mangler: en beskrivelse af naturligt sprog pr. værktøj, et JSON-skema til argumenter, en standardværktøjsliste tools/list til opdagelse og et ensartet tools/call til udførelse. Udviklere integrerer stadig en API ved at skrive kode; en model integrerer en MCP-server ved at læse dens værktøjsliste.

MCP vs. funktionskald: er de det samme?
Nej. Funktionskald er en model-leverandør-funktion, hvor udvikleren definerer funktioner i API-anmodningen og udfører de returnerede kald i sin egen kode. MCP standardiserer den samme idé på tværs af leverandører og flytter implementeringen til en server, som værten kalder for dig; OpenAIs Responses API gør forskellen synlig ved at tilbyde både et funktionsværktøj og en separat type: "mcp" -værktøj, der tager en server_url. A2A-projektets egen beskrivelse af MCP som "ligner funktionskald i store sprogmodeller" indfanger forholdet: samme form, men bærbar og synlig.

MCP vs. A2A: hvilken protokol har jeg brug for?
Brug MCP, når en agent skal bruge et værktøj eller læse en ressource; brug A2A, når to autonome agenter skal finde hinanden, forhandle og dele en langvarig opgave. A2A-dokumentationen kalder MCP for det vertikale lag (agent til værktøj) og A2A for det horisontale lag (agent til agent), og referencescenariet har en mekanisk agent, der bruger MCP til sin diagnostiske scanner, mens den bruger A2A til at bestille dele fra en leverandøragent. De fleste produktionssystemer vil bruge begge dele.

MCP vs. et ChatGPT-plugin: Er et plugin bare MCP med et andet navn?
Ikke fra købers side. Et ChatGPT-plugin distribueres via OpenAIs plugin-mappe og kører kun inde i ChatGPT, mens en MCP-server tilføjes til enhver MCP-vært via URL. OpenAIs udviklerdokumentation beskriver eksterne MCP-servere som én måde at drive et plugin på, så de to kan dele VVS nedenunder, men de forbliver separate produkter med separate installationsstier og omfang. Smartling leverer begge; sammenligningen findes i vores guide til Smartlings MCP-server.

MCP vs. et leverandør-SDK: hvorfor ikke bare bruge SDK'et?
Et SDK (Smartling udgiver Java-, Python- og Node.js SDK'er) er til udviklere, der skriver applikationskode mod én leverandør. MCP er for en LLM, der vælger handlinger under kørsel på tværs af mange leverandører. Hvis et menneske skriver integrationen, er SDK'et normalt hurtigere; hvis en model beslutter, hvad den skal gøre nu, er det kun MCP, der giver den beskrivelserne og skemaerne til at træffe en god beslutning.

Hvilke "andre AI-kommunikationsprotokoller" er faktisk protokoller?
Kun MCP og A2A er åbne, fundamentsstyrede protokoller med publicerede specifikationer og SDK'er fra flere leverandører. Funktionskald, plugins og connectors er produktfunktioner på en enkelt leverandørs platform. Købere, der sammenligner "AI-protokoller", bør spørge, om den sammenlignede vare har en specifikation, som alle kan implementere.

Hvordan påvirker MCP udviklingen af AI-agenter, og hvordan anvender Smartling det?

MCP former agentudviklingen ved at fastsætte grænsen mellem modellen og omverdenen på protokolniveau, så agentbyggere holder op med at skrive skræddersyet integrationskode og i stedet begynder at træffe beslutninger på protokolniveau. Specifikationen fra 2026-07-28 viser, hvor disse beslutninger nu findes: et statsløst design betyder, at en agent kan skalere horisontalt bag en load balancer uden sessionsaffinitet; deterministiske tools/list og ttlMs -cachehints lader en vært holde modellens promptcache varm på tværs af ture; opgaveudvidelsen giver langvarige anmodninger et holdbart handle til polling i stedet for et blokerende kald; fremkaldelse gennem multi-round-trip-anmodninger giver en server en standardmåde at bede brugeren om bekræftelse før en efterfølgende handling; og autorisationsspecifikationens overgang fra dynamisk klientregistrering til klient-ID-metadatadokumenter skubber agentidentitet mod OAuth-mønstre, som virksomheder allerede reviderer. Den praktiske effekt er, at en agents muligheder bliver et konfigurationsvalg (hvilke servere der skal oprettes forbindelse til, hvilke værktøjer der skal tillades, hvad der skal kræves godkendelse for) snarere end en kodebase.

Smartlings MCP-server er et fungerende eksempel på de valg, der anvendes til lokalisering. Det er en fjernstreambar HTTP-server på mcp.smartling.com/mcp, angivet i Claudes connector-mappe, der godkender nye forbindelser via et OAuth 2.1 browserlogin og tilpasser alle værktøjer til den indloggede brugers Smartling-tilladelser, hvor fulde værktøjer på kontoniveau kræver rollen som kontoejer. Dens værktøjsliste giver en agent øjeblikkelig tekstoversættelse via Smartlings MT API med anvendt ordliste, stilguide og oversættelseshukommelseskontekst; filoversættelse af Word-, PowerPoint- og PDF-dokumenter på shell-kompatible klienter som Claude Code og OpenAI Codex via et 15-minutters uploadlink; hentning af ordlister, stilguider, oversættelseshukommelse, projekter, job og brugere; og kontohandlinger, herunder tagging af strenge, godkendelse af job og tilføjelse af strenge til et eksisterende job. Værter kan deaktivere individuelle værktøjer, hvilket er mønsteret for tilladte værktøjer i praksis. Da serveren bevidst er begrænset til øjeblikkelig oversættelse og primært læseadgang til konti, bruger indhold, der skal indtastes i en oversættelsesworkflow, i stedet Smartlings CLI MCP eller en connector. Opsætningstrinnene for Claude Code, OpenAI Codex, Visual Studio Code, Cursor og Claude Desktop samt evalueringstjeklisten findes i vores guide til Smartlings MCP-server til AI-oversættelse.

Relaterede spørgsmål

• Hvad er de forskellige typer MCP-servere, og hvilke er vigtige for et lokaliseringsteam?
• Hvad er Smartlings MCP-server til AI-oversættelse, og hvordan fungerer den?
• Hvordan kan man bruge Figmas AI-agent og MCP til at administrere oversættelser uden at forlade designfilen?
• Hvad er Smartlings plugin til ChatGPT, og hvordan fungerer det?