5 способов настроить MCP-сервер для OpenClaw

Зачем нужен MCP-сервер

Представьте, что ваш ИИ-ассистент — это умный стажёр. Он знает теорию, но не умеет пользоваться инструментами на вашем столе. MCP-сервер решает именно эту проблему: он даёт ассистенту руки для работы с файлами, API и базами данных.

Протокол MCP (Model Context Protocol) открыл новую эру в интеграции языковых моделей с внешними инструментами. Через него ассистент может читать папки, управлять задачами и даже работать с базами данных — безопасно и контролируемо.

Если вы ещё не знакомы с основами, рекомендуем сначала прочитать наше руководство по протоколу MCP, а затем вернуться к практической настройке.

Способ 1: Локальный MCP-сервер через npx

Самый быстрый способ запустить MCP-сервер — использовать готовый пакет через npx. Достаточно одной команды:

npx -y @modelcontextprotocol/server-filesystem /path/to/your/project

Эта команда создаёт сервер, который разрешает модели доступ к указанной папке. Представьте это как ключ от одной комнаты — модель видит содержимое, но не может зайти в другие.

Настройка в конфиге OpenClaw

После запуска сервера добавьте его в конфигурацию. Откройте файл конфигурации OpenClaw и в секции mcp_servers пропишите:

{
  "mcp_servers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/home/user/project"]
    }
  }
}

Способ 2: Docker-контейнер для изоляции

Если вы работаете с несколькими проектами или нуждаетесь в изоляции, запускайте MCP-сервер в Docker-контейнере. Это как поставить каждый инструмент в отдельный чехол — они не мешают друг другу.

docker run -i --rm \
  -v /your/data:/data:ro \
  mcp/server-filesystem /data

Флаг :ro делает том доступным только для чтения. Даже если что-то пойдёт не так, ваши оригинальные файлы останутся в безопасности.

Способ 3: Кастомный MCP-сервер на Python

Стандартные серверы не покрывают ваши потребности? Напишите свой. MCP определяет простой JSON-RPC интерфейс, и реализовать его можно за вечер.

from mcp.server import Server
from mcp.types import Tool

server = Server("my-custom-server")

@server.tool("get_weather")
async def get_weather(city: str) -> str:
    # Ваша логика получения погоды
    return f"Погода в {city}: +15°C"

Регистрация инструментов

Каждый инструмент описывается через JSON Schema — модель автоматически понимает, какие аргументы передавать. Это как инструкция к прибору: без неё пользователь не знает, какие кнопки нажимать.

Способ 4: SSE-сервер для удалённого доступа

Когда MCP-сервер и OpenClaw работают на разных машинах, используйте транспорт SSE (Server-Sent Events). Это потоковое соединение, которое держит канал связи открытым.

{
  "mcp_servers": {
    "remote-tools": {
      "url": "http://192.168.1.50:8080/sse"
    }
  }
}

SSE особенно полезен, если у вас есть выделенный сервер с тяжёлыми инструментами — например, для работы с GPU или проприетарными API. Подробнее о настройке таких серверов читайте в статье про установку OpenClaw.

Способ 5: Цепочка MCP-серверов

Самый мощный подход — объединить несколько MCP-серверов в одном ассистенте. Один отвечает за файлы, другой — за базу данных, третий — за внешние API.

Пример конфигурации

{
  "mcp_servers": {
    "files": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/data"]
    },
    "database": {
      "command": "python3",
      "args": ["/opt/mcp-servers/db_server.py"]
    },
    "web": {
      "url": "http://localhost:3000/sse"
    }
  }
}

Модель сама определяет, какой сервер использовать для задачи. Это как набор инструментов в мастерской — каждый для своего дела.

Безопасность при настройке

Независимо от выбранного способа, соблюдайте три правила:

Правило минимальных привилегий. Давайте серверу доступ только к тем папкам и ресурсам, которые действительно нужны. Не разрешайте доступ ко всей файловой системе «на всякий случай».

Изолируйте среды. Разные проекты — разные серверы. Это снижает риск, если один из инструментов скомпрометирован.

Логируйте запросы. MCP поддерживает ведение логов. Используйте это для аудита — вы всегда должны знать, какие данные запрашивала модель.

Для начала работы рекомендуем протокол SSE — он наиболее универсален и не требует сложной настройки. По мере роста проекта переходите на комбинированный подход: локальные серверы для быстрых операций и удалённые для тяжёлых вычислений. Это обеспечивает баланс между скоростью отклика и вычислительной мощностью.

Итог

MCP-сервер превращает вашего ИИ-ассистента из теоретика в практика. Начните с первого способа — локального запуска через npx. По мере роста потребностей переходите к Docker, кастомным серверам и цепочкам. Каждый следующий уровень даёт больше возможностей, но требует больше внимания к безопасности.