🧠 Learn MCP Works — Memahami MCP Lewat MCP Playground
Model Context Protocol (MCP) adalah standar komunikasi yang memungkinkan Large Language Model (LLM) berinteraksi dengan dunia nyata — seperti file system, tools, API, dan resource eksternal — secara terstruktur, aman, dan dapat diaudit.
Repo mcp-playground dibuat untuk satu tujuan utama:
👉 membuat MCP yang biasanya abstrak jadi kelihatan nyata dan bisa dicoba langsung.
Ini bukan cuma dokumentasi teori MCP, tapi simulasi end-to-end cara MCP bekerja di dunia nyata.
🎯 Apa Itu MCP Playground?
MCP Playground adalah sandbox project yang mendemonstrasikan:
-
bagaimana user input → dipahami LLM
-
bagaimana intent → dipetakan ke MCP tools
-
bagaimana MCP server → mengeksekusi tool
-
bagaimana hasil → dikembalikan ke UI
Semua itu terjadi tanpa LLM diberi akses langsung ke sistem.
LLM tidak bebas. Ia hanya boleh memanggil tool yang terdaftar secara eksplisit.
Dan di situlah kekuatan MCP.
🧩 Gambaran Arsitektur MCP Playground
Secara sederhana, alur sistemnya seperti ini:
User (Browser UI)
↓
MCP Client (Intent Resolver)
↓
MCP Server (Tool Registry)
↓
Workspace (Sandbox File System)
Setiap layer punya tanggung jawab jelas dan tidak saling menembus batas.
🖥️ 1. Browser UI (Frontend)
Bagian ini adalah antarmuka interaksi manusia.
Fungsinya:
-
menerima input natural language
-
menampilkan hasil eksekusi tool
-
menampilkan jejak proses (tool calls)
UI tidak tahu cara kerja tool secara detail.
UI hanya tahu: kirim perintah → terima hasil.
🧠 2. MCP Client — Penerjemah Intent
Di sinilah “kepintaran” awal terjadi.
Tugas MCP Client:
-
menerima input teks user
-
menentukan tool MCP mana yang relevan
-
menyusun payload sesuai schema tool
Contoh:
User: "Tampilkan semua file TypeScript"
Client akan menerjemahkan menjadi:
tool: list_files
args:
pattern: "*.ts"
⚠️ Penting:
Client tidak mengeksekusi apa pun — hanya menerjemahkan niat.
🧰 3. MCP Server — Tool Registry & Executor
Ini adalah jantung MCP.
Server bertanggung jawab untuk:
-
mendaftarkan tools MCP
-
memvalidasi input
-
mengeksekusi tool
-
mengembalikan hasil secara terstruktur
LLM tidak bisa sembarang ngakses sistem.
Ia hanya boleh memanggil tool yang sudah diregistrasi di server.
Contoh tools yang tersedia di playground:
-
read_file -
list_files -
search_files -
directory_tree -
file_metadata -
workspace_stats
Semua tool:
-
punya schema input
-
punya batasan
-
punya kontrol keamanan
📂 4. Workspace — Sandbox yang Aman
Workspace adalah file system palsu yang dikontrol.
Ciri pentingnya:
-
hanya folder tertentu yang bisa diakses
-
tidak bisa keluar dari sandbox
-
ada batas ukuran file
-
ada validasi path
Ini mencegah:
-
directory traversal
-
akses file sensitif
-
perintah destruktif
Dengan kata lain:
LLM boleh baca, tapi tidak boleh liar.
🔄 Contoh Alur Nyata
Prompt:
“Cari kata
serverdi semua file TypeScript.”
Alurnya:
- UI kirim teks ke MCP Client
- Client memilih tool
search_files - Payload dikirim ke MCP Server
- Server validasi input
- Tool dieksekusi di workspace
- Hasil dikembalikan ke UI
LLM tidak pernah:
-
membaca file langsung
-
mengeksekusi shell
-
mengakses OS
Semua lewat MCP.
🛡️ Kenapa MCP Itu Penting?
Tanpa MCP:
-
LLM = terlalu bebas
-
susah diaudit
-
rawan kebocoran data
-
sulit diskalakan
Dengan MCP:
-
tool usage eksplisit
-
keamanan terkontrol
-
log bisa ditelusuri
-
arsitektur agent lebih rapi
MCP adalah fondasi AI Agent yang serius, bukan sekadar chatbot.
🚀 Kenapa MCP Playground Layak Dipelajari?
Karena repo ini:
-
bukan sekadar teori
-
bukan cuma contoh potongan kode
-
memperlihatkan alur MCP dari UI sampai tool execution
-
cocok buat engineer yang mau bikin AI agent beneran
Kalau lu mau:
-
bikin AI agent internal
-
hubungkan LLM ke data perusahaan
-
bikin tooling AI yang aman
👉 repo ini adalah starting point yang tepat.
🧾 Kesimpulan
MCP Playground membuktikan bahwa:
LLM yang powerful itu bukan yang paling bebas,
tapi yang paling terkontrol dengan baik.
Lewat MCP, AI tidak lagi sekadar menjawab —
tapi bertindak dengan aturan yang jelas.
Dan repo ini adalah contoh nyata bagaimana MCP seharusnya dipakai.