Как не утонуть в хаосе MCP: 50+ remote MCP servers уже есть, но без отбора агент в проде становится дырой в безопасности
Я Denis Shokhirev, Agentic AI Systems Architect из Freiburg im Breisgau, Germany. В DennisCraft AI Studio я строю production-grade AI-системы для DACH B2B на Claude, Supabase, n8n, Doppler и self-hosted Postgres, и проблема с MCP у меня началась не в теории, а в момент, когда агент получил слишком широкий доступ к внешнему инструменту и попытался унести в логах больше, чем ему вообще стоило видеть. Сейчас remote MCP servers появляются быстрее, чем команды успевают их оценивать. Это создает ложн
Я Denis Shokhirev, Agentic AI Systems Architect из Freiburg im Breisgau, Germany. В DennisCraft AI Studio я строю production-grade AI-системы для DACH B2B на Claude, Supabase, n8n, Doppler и self-hosted Postgres, и проблема с MCP у меня началась не в теории, а в момент, когда агент получил слишком широкий доступ к внешнему инструменту и попытался унести в логах больше, чем ему вообще стоило видеть.
Сейчас remote MCP servers появляются быстрее, чем команды успевают их оценивать. Это создает ложное ощущение прогресса: у агента больше инструментов, значит он умнее. В проде обычно выходит наоборот. Чем больше MCP endpoints вы подключаете без отбора, тем больше у вас не “способностей”, а недокументированных путей к данным, побочных эффектов и тихих отказов, которые никто не наблюдает.
Проблема не в количестве MCP servers, а в доверии по умолчанию
MCP удобен, потому что стандартизирует способ, которым модель видит инструменты. Но стандартизация интерфейса не означает стандартизацию риска. Один сервер может читать CRM, другой — запускать SQL, третий — дергать internal API, четвертый — тянуть файлы. Для LLM это просто “tools”. Для вашей компании это разные зоны поражения.
Anthropic в документации по tool use прямо показывает, что модель может выбирать инструменты и строить цепочки вызовов на их основе: Anthropic Docs, 2024. Это полезно, но именно поэтому доверять всем опубликованным MCP servers одинаково нельзя. Интерфейс унифицирован, а уровень контроля — нет.
Что я вижу в реальных интеграциях
На нескольких последних агентных внедрениях повторялись одни и те же классы проблем:
- tool получает больше scope, чем нужно для конкретной задачи;
- сервер возвращает сырые данные без нормализации и redaction;
- в логах остаются токены, SQL, customer identifiers;
- агенту разрешены write-операции там, где хватило бы read-only;
- ошибки инструмента интерпретируются моделью как “неполные данные”, и она пробует обходные пути.
Это не баг MCP как идеи. Это следствие отсутствия отбора, sandboxing и минимальных правил допуска.
Модель угроз: почему remote MCP server быстро превращается в prod-риск
Если говорить прямо, каждый внешний MCP server — это чужая исполняемая логика на критическом пути принятия решений агентом. Даже если инструмент кажется безобидным, вы наследуете его допущения: аутентификацию, обработку ошибок, формат ответа, ретраи, логирование и политику обновлений.
| Риск | Типичный сценарий | Что делать |
|---|---|---|
| Избыточный доступ | Агент читает больше таблиц или полей, чем нужно | Read-only роли, отдельные service accounts, ограничение по schema |
| Утечка секретов | Token или DSN попадает в stdout, traces или n8n execution logs | Doppler, redaction, запрет секретов в ответах инструмента |
| Prompt injection через tool output | Инструмент возвращает текст с инструкцией игнорировать policy | Очистка output, schema validation, явное разделение data и instructions |
| Непредсказуемые write-операции | Модель “исправляет” данные без approval | Human-in-the-loop для write/delete, allowlist команд |
OWASP в LLM Top 10 указывает prompt injection и excessive agency как практические категории риска, а не академические: OWASP Top 10 for LLM Applications, 2025. MCP сам по себе не создает эти риски, но сильно расширяет поверхность атаки, если агент без фильтра видит любой доступный tool.
Мой базовый фильтр допуска для MCP в production
Я не подключаю MCP server в production просто потому, что он уже существует и “умеет многое”. Сначала он проходит короткий, скучный, но очень полезный фильтр.
1. Минимальный контракт
Инструмент должен иметь понятный input/output contract. Если ответ свободной формы, без схемы, его поведение слишком трудно валидировать. На границе лучше принимать JSON с фиксированными полями, а не “умный текст”.
2. Явное разделение read и write
Один и тот же MCP server не должен одновременно иметь доступ и к чтению, и к критичным изменениям, если это можно развести по разным ролям. Для большинства бизнес-процессов агенту сначала нужен observability, а не действие.
3. Локальная прослойка перед внешним tool
Я предпочитаю не пускать модель напрямую к чужому endpoint. Между агентом и MCP server ставится моя прослойка с allowlist, schema validation и журналированием.
from pydantic import BaseModel, ValidationError
class QueryInput(BaseModel):
customer_id: str
limit: int
def validate_and_route(payload: dict) -> dict:
data = QueryInput(**payload)
if data.limit > 100:
raise ValueError("limit too high")
return {
"customer_id": data.customer_id,
"limit": data.limit,
}
try:
safe_payload = validate_and_route({"customer_id": "c_123", "limit": 20})
except ValidationError as exc:
print(exc)4. Отдельные секреты и короткий TTL
Если MCP server требует credentials, я не использую общие production secrets. Отдельный secret на один tool, отдельный scope, ротация. Для этого у меня обычно Doppler плюс сервисные аккаунты с минимальными правами.
Практический pipeline проверки: до, во время и после запуска
Отбор MCP server — это не one-time review. Нужен pipeline, который ловит ошибки на разных стадиях.
bandit -r .
semgrep --config p/owasp-top-ten .
gitleaks detect --source . --no-banner
python -m pytest tests/test_tools.py
Bandit помогает ловить опасные паттерны в Python, Semgrep — быстро проверять типовые анти-паттерны и инъекции, Gitleaks — утечки секретов. Это не серебряная пуля, но хороший baseline перед тем, как MCP-интеграция уедет в n8n flow или в приложение на Anthropic SDK.
Runtime-контроль важнее красивого демо
Даже если код чистый, в рантайме агент может использовать tool не так, как вы ожидали. Поэтому я рекомендую три обязательных слоя:
- audit log на каждый вызов инструмента;
- rate limits и timeouts на стороне tool proxy;
- policy, запрещающая write-операции без явного флага approval.
tool_policy:
allow_tools:
- crm_lookup
- order_status
deny_write_without_approval: true
max_calls_per_run: 5
timeout_seconds: 10
redact_fields:
- access_token
- email
- ibanКогда это не сделано, incident response превращается в археологию: непонятно, какой tool был вызван, с каким payload, и почему модель решила, что может продолжать.
Как я выбираю из 50+ MCP servers те 3–5, которые реально стоит оставить
В production почти никогда не нужен “маркетплейс инструментов”. Нужен узкий набор проверенных функций под конкретный бизнес-процесс. Для логистики это может быть tracking, document lookup и exception escalation. Для fintech — account status, KYC check result, transaction summary. Все остальное лучше подключать позже, когда есть наблюдаемость и понятная экономика ошибки.
Мой практический критерий простой: если удаление MCP server не ломает основной SLA процесса, он не должен жить в проде “на всякий случай”. Инструменты “про запас” увеличивают площадь атаки и усложняют сопровождение.
Хороший агент в regulated market — это не агент с максимальным количеством tools. Это агент, у которого каждый tool оправдан, ограничен и проверяем.
FAQ
Нужно ли полностью отказаться от remote MCP servers?
Нет. Но подключать их стоит как внешние зависимости с высоким уровнем риска, а не как безобидные плагины. Для части задач достаточно локальной обертки или собственного узкого API.
Можно ли доверять MCP server от известного вендора?
Известный вендор снижает часть рисков, но не отменяет ваш контекст доступа. Даже хороший инструмент может быть опасен, если вы дали ему слишком широкий scope или не контролируете output.
Достаточно ли static analysis перед запуском?
Нет. Static analysis полезен для кода и конфигурации, но не видит поведение модели в реальном рантайме. Нужны runtime-логи, лимиты и правила эскалации.
Стоит ли давать агенту write-доступ к Postgres?
По умолчанию — нет. Начните с read-only, затем выносите write в отдельный approval path или в строго ограниченный action endpoint. Для большинства процессов это снижает риск без потери ценности.
Что делать маленькой команде без выделенного security engineer?
Начните с малого: 1 proxy-слой, 1 allowlist, 1 набор проверок через Semgrep, Bandit и Gitleaks, и обязательный audit log. Это уже лучше, чем прямой доступ модели к каждому новому MCP server.
Если у вас уже есть агент с MCP в production, на каком этапе у вас ловится больше проблем: при code review, в runtime sandbox, или уже после жалобы от бизнеса? Мне правда интересно, потому что именно эта точка обычно показывает реальную зрелость системы.
Я провожу бесплатный 30-минутный stack audit для DACH founders, которые строят AI для regulated markets. Напишите мне в LinkedIn или в @ger_dennis_ai.
Такие агенты я делаю для бизнеса в Германии и ЕС.
Опишите в двух предложениях, что отнимает у команды время, — отвечу в течение суток.
Превратить процесс в систему, которая работает
Продакшн-качество, а не демо.