MCP Servers in Claude Code

Wat is MCP

MCP wordt gedefinieerd als "USB-C voor AI-applicaties." MCP biedt een consistent protocol voor het koppelen van AI-modellen met externe tools.

Met MCP zijn AI-applicaties zoals Claude of ChatGPT niet beperkt tot alleen het genereren van tekst. Ze kunnen rechtstreeks verbinding maken met databronnen (zoals lokale bestanden of databases), tools (zoals zoekmachines of rekenmachines) en gestructureerde workflows (gespecialiseerde prompts of automatiseringen).

Wanneer MCP nog niet beschikbaar is.

Wanneer er geen protocol zoals MCP is, moet elke AI-applicatie afzonderlijk met elke externe tool integreren. Dit maakt het proces erg complex, tijdrovend en kostbaar

Wanneer we meerdere AI-applicaties en vele tools hebben, wordt het aantal vereiste integraties extreem groot

Wanneer MCP beschikbaar is

MCP lost het M × N-integratieprobleem op door het te transformeren in een M + N-model via een gestandaardiseerd verbindingsprotocol. Elke AI-applicatie integreert eenmalig aan de MCP-clientzijde, en elke tool of databron integreert eenmalig aan de MCP server-zijde.

Belangrijke terminologie van MCP

Componenten

Vergelijkbaar met het client-servermodel in het HTTP-protocol, volgt MCP ook een client-serverarchitectuur.

• Host: De omgeving waarin de gebruiker rechtstreeks met de AI-applicatie communiceert (bijv. Claude Desktop, Cursor).
• ‍Client: Een component binnen de Host die verantwoordelijk is voor het tot stand brengen en beheren van de verbinding met de MCP Server.‍
• Server: Een externe applicatie of dienst die functionaliteiten (zoals tools, resources en prompts) biedt via het MCP-protocol.

Capabilities (Mogelijkheden)

Hoewel MCP verbinding kan maken met veel verschillende tools, zijn er gemeenschappelijke tools die worden gedeeld over meerdere AI-applicaties. Hieronder staan de belangrijkste categorieën tools die veel worden gebruikt in AI-systemen:

• ‍Tools: Uitvoerbare functies die een AI-model kan aanroepen om acties of berekeningen uit te voeren (bijv. een calculate_summary tool).‍
• Resources: Read-only databronnen die contextuele informatie bieden zonder aanzienlijke rekenkracht te vereisen (bijv. bedrijfscentra met documentatie).‍
• Prompts: Templates of vooraf gedefinieerde workflows die interacties tussen gebruikers, AI-modellen en externe tools sturen.

MCP Architectuurcomponenten

Na het begrijpen van de belangrijkste concepten en terminologie van MCP, kunnen we nu kijken naar de architectuur ervan.

Het Model Context Protocol (MCP) is gebouwd op een client-serverarchitectuur die AI-modellen in staat stelt te communiceren met externe tools en diensten.

Host

De Host is de omgeving waarin eindgebruikers rechtstreeks communiceren met de AI-applicatie (bijv. Claude Desktop, Cursor).

De Host is verantwoordelijk voor:

• Het beheren van gebruikersinteracties en rechten
• Het opzetten van verbindingen met MCP Servers via MCP Clients
• Het verwerken van gebruikersverzoeken en deze routeren naar de juiste externe tools
• Het terugkoppelen van resultaten naar de gebruiker

Client

De Client is een component in de Host die de verbinding met een specifieke MCP Server beheert.

Belangrijkste kenmerken:

• Elke Client onderhoudt een 1:1-verbinding met een enkele Server
• Behandelt communicatie op MCP-protocolniveau
• Fungeert als tussenpersoon tussen de Host en de Server
  

Server

De Server is een extern programma of dienst die functionaliteiten biedt aan het AI-model via het MCP-protocol.

De Server is verantwoordelijk voor:

• Het bieden van toegang tot externe tools, databronnen of diensten
• Lokaal draaien (op dezelfde machine als de Host) of op afstand (over het netwerk)
• Het beschikbaar stellen van gestandaardiseerde interfaces zodat Clients kunnen communiceren met de functionaliteiten
  

Een eenvoudige MCP Server bouwen

Fastmcp installeren

pip install fastmcp

Basis MCP Server: Weather Tool

Dat is alles! FastMCP regelt alles, inclusief:

• JSON-RPC-protocol
• Tool-registratie
• Typevalidatie
• Foutafhandeling

Verbinden met Claude Code

claude mcp add weather --command python --args /full/path/to/get_weather.py

Herstart Claude Code → de MCP servers maken automatisch verbinding.

Nu kunt u Claude dingen vragen zoals:

• “Wat is de temperatuur in Japan?”
• “Lees het bestand op ~/documents/report.txt”

Claude zal automatisch en naadloos de tools van uw MCP servers aanroepen.

MCP instellen met Claude Code

Gebaseerd op de Claude-documentatie (https://code.claude.com/docs/en/mcp), is het instellen van

MCP in Claude Code vrij eenvoudig — voer gewoon uit

claude  mcp add

en het regelt de configuratie automatisch voor u

Om alle geconfigureerde MCP servers in Claude Code op te sommen en te verifiëren, voert u uit:

claude mcp list 

Claude Code & MCP: Best Practices

1. Serena MCP

Link: https://github.com/oraios/serena

Ik heb geëxperimenteerd met een AI-gedreven workflow en heb Serena MCP er direct in geplugd (gewoon met Sonnet 3.5).

Eerlijk gezegd voelt het behoorlijk indrukwekkend. In plaats van een hele stapel bestanden bij de AI te dumpen in de hoop dat deze het uitzoekt, leest het de codebase echt zoals een senior developer in het team dat zou doen.

Waarom het zo goed werkt?

• ‍RAG: Het indexeert de gehele codebase, gebruikt semantic search om alleen de meest relevante onderdelen op te halen, en voedt schone context aan het model → minder ruis, betere antwoorden.
• Gebouwd op het Language Server Protocol, waardoor het code structureel begrijpt, niet alleen als ruwe tekst.‍
• Diep geheugen: Het onthoudt de geïndexeerde codebase, dus u hoeft niet elke keer tokens te blijven herladen.‍
• Semantic search is geweldig — vraag “Waar wordt authenticatie afgehandeld?” en het vindt gerelateerde functies/klassen, zelfs als de naamgeving vreemd is. Op grote projecten is dat een uitkomst.

Algemeen: minder tokens, schonere context, veel dieper codebegrip.

Als u coding agents bouwt, moet u het proberen. Het begint echt te voelen alsof AI uw teamgenoot is.

2. Sequential Thinking MCP

Link: https://github.com/modelcontextprotocol/servers/tree/main/src/sequentialthinking

Belangrijkste hoogtepunten

• ‍Gestructureerd redeneren: Claude Code lost complexe problemen op met behulp van logisch, stapsgewijs denken.‍
• Behandelt complexe taken: Geoptimaliseerd voor meerstaps taken zoals systeemontwerp of architecturale refactoring.‍
• Schaalbaarheid: Ondersteunt stapsgewijze planning en analyse voor grootschalige codebases.
  

Use Cases

• Refactoring van microservice-architecturen
• Fase-gebaseerde taakplanning voor grote projecten
• Optimaliseren van systeemontwerp en debugging-workflows

3. Gespecialiseerde sub-agents gebruiken

Link: https://github.com/wshobson/agents
Dit is een compleet, productierijp systeem ontworpen om te integreren met Claude Code en de mogelijkheden ervan aanzienlijk uit te breiden.

Het combineert:

• ‍112 gespecialiseerde AI-agents
• 16 multi-agent workflow-orchestrators
• 146 agent-skills
• 79 development tools‍
• Georganiseerd in 72 gefocuste plugins met één enkel doel voor Claude Code
  

Elke agent heeft een duidelijk gedefinieerde rol — zoals backend-architectuurontwerp, frontend-ontwikkeling, cloudinfrastructuur-optimalisatie, geautomatiseerd testen, MLOps, en meer — allemaal geconfigureerd volgens moderne best practices.

Installatie:

git clone https://github.com/wshobson/agents.git ~/.claude/agents