Автоматизация рутинных задач с помощью MCP в Yandex AI Studio

ИИ-агенты становятся по-настоящему полезными не тогда, когда просто отвечают на вопросы, а когда могут работать с реальными инструментами: искать информацию, обращаться к внутренним системам, анализировать файлы, получать данные из API, создавать задачи и выполнять действия в бизнес-процессах.

В Yandex AI Studio для этого есть готовые инструменты, а для интеграции с внешними системами используется MCP — Model Context Protocol. С его помощью агент может обращаться к почте, трекерам, API, базам данных, внутренним сервисам и другим корпоративным инструментам.

Что такое агент в Yandex AI Studio

В основе агента находится языковая модель. Она получает запрос пользователя, анализирует задачу и определяет, нужно ли для ответа вызвать внешний инструмент.

Дальше специальная обёртка — например, Responses API или Realtime API — выполняет вызов инструмента, передаёт в него параметры, получает результат и возвращает его модели. После этого модель формирует ответ пользователю или продолжает вызывать инструменты, если для решения задачи нужны дополнительные шаги.

Упрощённо процесс выглядит так:

1. Пользователь задаёт запрос.
2. Модель определяет, какие инструменты нужны.
3. Агент вызывает выбранные инструменты с нужными параметрами.
4. Инструменты возвращают результат.
5. Модель обрабатывает результат и формирует финальный ответ.

Именно эта связка позволяет строить агентов, которые не просто генерируют текст, а выполняют прикладные действия.

В Yandex AI Studio есть набор готовых инструментов, которые можно подключать через интерфейс или использовать через API. Для бизнес-сценариев особенно важен MCP, потому что именно он позволяет агентам работать с внешними и внутренними системами: почтой, трекерами, API, базами знаний, репозиториями и другими сервисами.

Responses API и Realtime API: два способа работы с агентами

В Yandex AI Studio есть два агентских API, которые реализуют цикл обращения к модели, вызова инструментов и повторного обращения к модели.

Responses API

Responses API используется для текстовых сценариев. На вход обычно передаётся текстовый запрос, агент вызывает нужные инструменты, а на выходе возвращает текстовый ответ или файл, если в сценарии используется, например, Code Interpreter.

В зависимости от модели Responses API может работать не только с текстом, но и с изображениями. Например, если используется мультимодальная модель, на вход можно передавать изображения, и модель будет учитывать их при генерации ответа.

Responses API поддерживает автоматический вызов инструментов и может использовать языковые модели, доступные в Yandex AI Studio.

Realtime API

Realtime API предназначен для голосовых сценариев: голосовых роботов и голосовых ботов.

Его ключевая особенность — оптимизация под низкую задержку между моментом, когда пользователь закончил говорить, и моментом, когда модель начинает отвечать.

По логике Realtime API похож на Responses API: он получает запрос, вызывает инструменты и генерирует ответ. Но из-за специфики голосовых сценариев есть ограничения. Например, Realtime API не работает с Code Interpreter, потому что задачи с выполнением кода обычно занимают больше времени и хуже подходят для голосового взаимодействия.

При этом MCP-серверы можно использовать и в Responses API, и в Realtime API.

Что такое MCP

MCP, или Model Context Protocol, — это открытый стандарт, который унифицирует взаимодействие языковой модели с внешними источниками данных: внутренними системами, трекерами, API и другими сервисами.

Главная идея MCP — дать единый способ подключения инструментов к агентам. Благодаря этому одни и те же инструменты можно переиспользовать в разных агентах, приложениях и сценариях.

В Yandex AI Studio вокруг MCP есть три ключевые сущности:

У каждого MCP-инструмента есть название, описание и параметры, которые он принимает на вход. Параметры описываются в формате JSON, чтобы модель понимала, какие данные нужно передать при вызове инструмента.

Как агент вызывает MCP-инструменты

Когда пользователь задаёт вопрос, в модель передаётся не только сам запрос, но и информация о доступных инструментах — например, File Search, Web Search и MCP-инструментах.

Модель анализирует задачу и решает:

• какой инструмент нужно вызвать;
• с какими параметрами;
• достаточно ли результата для ответа;
• нужно ли вызвать дополнительные инструменты.

Например, если пользователь спрашивает о мостах в Санкт-Петербурге и навигации, агент может использовать сразу несколько источников: Web Search, File Search и MCP-инструмент, который обращается к системе с информацией о мостах.

После вызова инструментов их результаты возвращаются в модель. Модель учитывает полученный контекст и либо формирует финальный ответ, либо продолжает уточнять информацию через новые вызовы.

Как работать с MCP-серверами в Yandex AI Studio

В MCP Hub есть несколько способов подключить или создать MCP-сервер.

Подключить уже существующий MCP-сервер

Этот вариант подходит, если MCP-сервер уже где-то развёрнут: например, на виртуальной машине, в облаке или на внешней площадке.

В MCP Hub можно указать:

• ссылку на MCP-сервер;
• токены авторизации;
• дополнительные заголовки;
• набор инструментов, которые должны быть доступны агентам.

После подключения MCP-сервер можно использовать при создании агента в Yandex AI Studio.

Важный нюанс: если внешний MCP-сервер изменился — например, в нём удалили инструмент или поменяли параметры вызова, — в MCP Hub это не обновится автоматически. MCP-сервер нужно обновить в MCP Hub, а затем проверить агентов, которые его используют.

Создать MCP-сервер поверх REST API

Если у компании есть внутренний API, но нет готового MCP-сервера, его можно обернуть прямо в MCP Hub.

Для этого в интерфейсе задаются:

• описание инструмента;
• эндпоинт API;
• параметры вызова;
• способ авторизации;
• соответствие параметров инструмента параметрам API.

Создать MCP-сервер на базе Yandex Cloud Functions

Этот способ подходит, если инструмент должен выполнять небольшую кастомную логику: например, преобразовывать текст, делать вычисления, выполнять предобработку перед обращением к API или возвращать текущее время.

При подключении функции можно указать версию. Это удобно, если одна версия уже используется в рабочем сценарии, а другую нужно дорабатывать или отлаживать.

Подключить Workflows

Если инструмент должен выполнять фиксированную последовательность шагов, можно использовать Workflows.

Например, сценарий может выглядеть так: обратиться в почту, собрать письма, проанализировать их и сохранить результат. Такая логика описывается как workflow, а затем подключается к MCP-серверу. После этого языковая модель может вызывать весь workflow как один инструмент.

Использовать готовые шаблоны

В MCP Hub есть готовые шаблоны для популярных систем. Один из примеров — Яндекс Трекер.

Шаблон уже содержит описание инструментов и нужных полей. Пользователь создаёт MCP-сервер из шаблона, указывает настройки и получает набор доступных действий: например, создать задачу, найти задачи, работать с очередями и т. д.

Зачем нужен MCP Hub

MCP Hub — это не просто интерфейс для подключения MCP-серверов. Он также помогает управлять безопасностью, доступами и контролем использования инструментов.

Единая точка контроля

MCP Hub позволяет централизованно управлять MCP-серверами внутри облака, организации или проекта.

Можно разделить роли:

• одни пользователи добавляют и администрируют MCP-серверы;
• другие используют уже подключённые MCP-серверы при создании агентов.

Такой подход помогает отделить контроль над интеграциями от разработки конкретных приложений и агентов. Команда, отвечающая за инфраструктуру и безопасность, может управлять подключениями централизованно, а разработчики и продуктовые команды — использовать уже подготовленные инструменты в своих сценариях.

Ограничение доступных инструментов

При подключении внешнего MCP-сервера можно выбрать, какие именно инструменты будут доступны агентам.

Это важно, если на MCP-сервере есть много действий, но конкретному агенту нужны только некоторые из них. Например, агенту можно разрешить искать задачи в трекере, но не создавать или изменять их.

Подтверждение вызова инструмента

Для MCP-инструментов можно настроить вызов с подтверждением.

В таком сценарии модель определяет, что инструмент нужно вызвать, но пользователь сначала должен подтвердить действие. Только после подтверждения инструмент выполняется.

Это особенно важно для сценариев, где агент не просто получает информацию, а выполняет действие: создаёт задачу, отправляет письмо, меняет статус объекта или запускает бизнес-процесс.

Логирование и мониторинг

При создании MCP-сервера можно включить логирование. Это помогает отслеживать:

• обращения к MCP-серверу;
• ошибки;
• среднее время выполнения запросов;
• факты создания, изменения и удаления сервера.

В MCP Hub есть вкладка мониторинга, а при необходимости можно перейти в сервис мониторинга Yandex Cloud и следить за несколькими сервисами в одном месте.

Практический пример: агент для работы с почтой

Первый пример, который разбирали на вебинаре, — агент для работы с почтой.

У пользователя есть ящик Яндекс Почты, а задача агента — искать письма, считать непрочитанные сообщения, отправлять письма, переводить их и менять статус прочитано/не прочитано.

Поскольку у почты на момент демонстрации не было публичного MCP-сервера, для примера использовали готовый публичный MCP-сервер из интернета и развернули его на виртуальной машине.

Дальше процесс выглядел так:

1. В Yandex AI Studio создаётся агент.
2. Выбирается модель.
3. Заполняется системный промпт.
4. В MCP Hub подключается внешний MCP-сервер.
5. Выбираются доступные инструменты.
6. Для нужных инструментов настраивается подтверждение вызова.
7. Агент начинает работать с почтой через MCP.

В примере пользователь спрашивал, сколько у него непрочитанных писем. Модель анализировала структуру почтового ящика, обращалась к разным папкам и в итоге возвращала количество непрочитанных писем.

Другой пример — поиск писем, где упоминается Yandex AI Studio. Модель выполняла несколько вызовов, иногда получала ошибки из-за некорректных параметров, исправлялась и продолжала работу. Это демонстрирует агентский цикл: модель не просто вызывает инструмент один раз, а может анализировать ошибки и уточнять дальнейшие действия.

Практический пример: агент с Яндекс Трекером

Второй пример — подключение MCP-сервера из шаблона Яндекс Трекера.

С помощью такого MCP-сервера агент может работать с задачами и очередями: создавать задачи, искать их и выполнять другие действия, доступные через инструменты шаблона.

В демонстрации на вебинаре была создали очередь AI Studio Demo. Затем агент взаимодействовал с этой очередью. Если в запросе была опечатка в названии очереди, модель пыталась выполнить обращение, получала информацию, что такой очереди нет, после чего искала доступные очереди и выбирала наиболее подходящее название.

Также показали сценарий объединения нескольких инструментов: агент сначала использовал Web Search, собирал информацию из интернета, а затем создавал задачу в Трекере и помещал туда найденные данные.

Практический пример: агент для планирования командировки

Финальный пример объединил сразу несколько инструментов.

Задача агента — помочь с планированием командировки. Пользователь указывает город, а агент должен создать задачу в Трекере и добавить в неё полезную информацию:

• название командировки;
• прогноз погоды;
• список ресторанов;
• подзадачу на оформление авиабилетов.

Для этого агенту понадобились несколько инструментов.

В системном промпте использовался параметр города. Его не прописывали жёстко, чтобы значение можно было подставлять динамически при обращении к модели.

Агент действовал по шагам:

1. Получал текущее время.
2. Запрашивал прогноз погоды.
3. Искал рестораны в указанном городе.
4. Создавал задачу в Трекере.
5. Добавлял в неё прогноз, список ресторанов и подзадачу на авиабилеты.
6. Возвращал пользователю текстовый ответ.

Такой пример показывает, что MCP полезен не только для одиночных интеграций, но и для сложных сценариев, где агенту нужно объединить несколько источников и выполнить цепочку действий.

Как передавать авторизацию при работе с MCP

Авторизационные данные можно передавать двумя способами.

Через настройки MCP Hub

Этот вариант подходит, если токен один для всех пользователей инструмента.

Например, если агент обращается к API погоды, можно указать ключ API в настройках MCP-сервера. Все пользователи, которые используют этот инструмент, будут работать через один и тот же ключ.

Через Responses API при конкретном вызове

Этот способ подходит для персонализированных сценариев, когда агент должен действовать от имени конкретного пользователя.

Например, если агент работает с личной почтой, личным Трекером или репозиторием GitHub, токен должен быть пользовательским. В таком случае конечное приложение получает авторизационный токен на своей стороне, а затем передаёт его через Responses API в MCP Hub и дальше в конечный MCP-сервер.

Как промпт влияет на качество работы агента

Для агентов с инструментами системный промпт особенно важен.

Чем подробнее описано, что должен делать агент, какие инструменты у него есть и в каких случаях их нужно использовать, тем выше вероятность, что модель сразу корректно выберет инструмент и передаст правильные параметры.

При этом большой системный промпт увеличивает количество входных токенов. Но если промпт повторяется в начале обращения, он с высокой вероятностью может попасть в кеш. Кешированные токены стоят дешевле обычных входных токенов, а ответ с ними может формироваться быстрее.

Как тарифицируются MCP-сценарии

Добавление MCP-сервера в MCP Hub и сама функциональность MCP не тарифицируются отдельно. Основная тарификация связана с токенами модели.

В Yandex AI Studio для моделей учитываются четыре типа токенов:

Результаты работы инструментов часто бывают объёмными: например, Web Search может вернуть большой фрагмент информации со страниц, а MCP — данные из внешней системы. Такие результаты передаются в модель как токены инструментов и тарифицируются отдельно, дешевле входных токенов.

Отдельный нюанс — внешние платные API. Если MCP-сервер обращается к стороннему платному сервису, например через платный API-ключ, расходы на этот API оплачиваются отдельно от Yandex AI Studio.

Какие сценарии можно автоматизировать с помощью MCP

MCP подходит для задач, где агенту нужно не просто ответить на вопрос, а обратиться к внешней системе или выполнить действие:

• поиск писем и анализ почты;
• создание задач в трекере;
• работа с корпоративными системами через API;
• получение прогноза погоды через внешний API;
• обращение к внутренним базам знаний;
• запуск фиксированных бизнес-процессов через Workflows;
• выполнение кастомной логики через Cloud Functions;
• подготовка задач, отчётов и справок на основе нескольких источников.

Для работы с документами можно использовать разные подходы. Если данные лежат в файлах, подойдёт File Search: документы можно индексировать и использовать как базу знаний для поиска релевантных фрагментов. Если документы находятся в публичном доступе, можно использовать Web Search и при необходимости ограничить поиск конкретными доменами. Если данные доступны через API, их можно обернуть в MCP-сервер.

Для аналитических сценариев возможны MCP-коннекторы к базам данных. Но для рабочих сценариев под нагрузкой такой подход требует осторожности: модель может сгенерировать некорректный запрос. Поэтому для таких задач важно ограничивать права, например оставлять только чтение, и внимательно продумывать контур безопасности.

Итоги

MCP в Yandex AI Studio позволяет превратить языковую модель в агента, который работает с реальными инструментами и системами. Через MCP Hub можно подключать готовые MCP-серверы, создавать серверы поверх HTTP API, использовать Cloud Functions, Workflows и шаблоны популярных сервисов.

Ключевая ценность MCP Hub — не только в подключении инструментов, но и в централизованном управлении ими. Команда может ограничивать доступные действия, настраивать подтверждение вызовов, разделять роли, смотреть логи и мониторинг. Это снижает порог сборки ИИ-агентов: интеграции не нужно каждый раз писать с нуля, их можно подключать, переиспользовать и контролировать в одном месте.

Для качественной работы агента важны три вещи:

• Хорошо описанный системный промпт — чтобы модель понимала задачу и корректно выбирала инструменты.
• Правильно настроенные MCP-инструменты — с понятными описаниями, параметрами и авторизацией.
• Контроль безопасности — особенно в сценариях, где агент выполняет действия во внешних системах.

В результате MCP позволяет автоматизировать не только простые запросы, но и полноценные рабочие процессы: от поиска информации и анализа писем до создания задач, подготовки материалов и взаимодействия с корпоративными системами.