AI Agent & Tool Use: MCP — Giao Thức Kết Nối AI với Doanh Nghiệp

Vấn Đề N × M và Cách MCP Giải Quyết

AI agent mạnh đến đâu cũng vô dụng nếu không thể truy cập dữ liệu thực tế. Trước MCP, mỗi tích hợp AI-to-tool là custom code riêng lẻ — tạo ra vấn đề N × M: N AI providers × M business tools = hàng trăm tích hợp dễ vỡ.

Đổi từ GPT-4 sang Claude? Viết lại toàn bộ integration layer. Mỗi API thay đổi là phải sửa code. Security chaos khi mỗi tích hợp xử lý auth theo cách riêng.

Model Context Protocol (MCP) do Anthropic phát triển (11/2024) giải quyết điều này: một open standard duy nhất, hoạt động với mọi LLM, kết nối mọi hệ thống. Được adopt bởi OpenAI, Google DeepMind, Cursor, Zapier — xác nhận đây là chuẩn thực sự, không phải proprietary format.

Kiến Trúc: 3 Thành Phần

MCP hoạt động theo mô hình client-server:

┌──────────────────────────────────┐
│       AI Application (Host)       │
│  ┌──────────┐    ┌─────────────┐ │
│  │  LLM     │────│  MCP Client │ │
│  └──────────┘    └──────┬──────┘ │
└─────────────────────────│────────┘
                          │ JSON-RPC 2.0
         ┌────────────────┼───────────────┐
         │                │               │
   ┌─────▼────┐   ┌───────▼──┐   ┌───────▼──┐
   │MCP Server│   │MCP Server│   │MCP Server│
   │  (CRM)   │   │  (DB)    │   │(Helpdesk)│
   └──────────┘   └──────────┘   └──────────┘

• MCP Host: Ứng dụng AI chứa LLM (Claude Desktop, Cursor, custom agent)
• MCP Client: Component kết nối Host với từng Server — 1:1, một Client per Server
• MCP Server: Lightweight service expose 3 loại capability:
  • Tools — Functions agent gọi để thực hiện hành động (create_ticket, update_crm)
  • Resources — Data sources agent đọc (customer records, log files)
  • Prompts — Reusable templates có tham số

Luồng Hoạt Động

Bước 1 — Discovery: Client gọi tools/list → Server trả về danh sách tools với JSON Schema đầy đủ. LLM biết mình có khả năng gì trước khi reasoning.

Bước 2 — Invocation: LLM quyết định gọi tool → Client gửi tools/call:

{
  "method": "tools/call",
  "params": {
    "name": "get_customer",
    "arguments": { "identifier": "[email protected]" }
  }
}

Bước 3 — Reasoning loop: Kết quả inject vào context. Agent tiếp tục reasoning — gọi thêm tool nếu cần — hoặc formulate response cuối cùng.

Ví dụ thực tế:

User: "Cập nhật lead score của anh A thêm 10 điểm vì vừa book demo"
→ get_customer("[email protected]") → score: 78
→ update_lead_score(id="C-1234", score=88, reason="Booked demo 2026-02-21")
→ "Đã cập nhật lead score lên 88/100."

MCP vs Function Calling

Khía cạnh	Function Calling	MCP
Phạm vi	Provider-specific	Universal open standard
Triển khai	In-process	Separate server process
Discovery	Static (hardcoded)	Dynamic (runtime query)
Tái sử dụng	Implement lại mỗi app	Một server, dùng mọi nơi
Stateful	Không	Có

Ví dụ minh họa: Build một MCP Server cho HubSpot hôm nay → hoạt động ngay với Claude Desktop, custom agent, Cursor IDE, và bất kỳ MCP-compatible app nào trong tương lai. Với Function Calling, phải implement lại từ đầu cho mỗi app.

Use Cases Thực Tế

AI Sales Assistant: "Danh sách enterprise chưa liên hệ 30 ngày" → Agent gọi search_contacts với filters → kết quả actionable ngay lập tức, không cần chuyển tab.

AI Customer Support: Đồng thời truy cập order system + logistics API + CRM để trả lời câu hỏi về đơn hàng với đầy đủ context.

AI Business Analyst: "Doanh thu Q4 theo kênh bán hàng so với Q3" → Agent gọi run_business_query → phân tích với số liệu thực từ data warehouse, không cần SQL thủ công.

Bảo Mật: Nguyên Tắc Least Privilege

Chỉ expose đúng những gì agent cần:

❌ Nguy hiểm	✅ An toàn
execute_sql(query: string)	get_monthly_revenue(month, year)
delete_records(table, condition)	archive_inactive_leads(days=90)
send_email(to, subject, body)	send_order_confirmation(order_id)

Yêu cầu xác nhận user cho bulk operations và delete actions. Audit log mọi tool call với timestamp, identity, và arguments đã sanitize.

Ecosystem 2025

Official MCP servers: GitHub, PostgreSQL, Cloudflare, Docker, Zapier (5,000+ integrations), Brave Search. Adopted bởi toàn bộ AI IDE ecosystem (Cursor, Windsurf, Continue, Zed).

Việt Nam: KiotViet, MISA, GetFly CRM, Pancake chưa có official MCP server — nhưng với Python SDK, build unofficial server cho các tools này là lợi thế cạnh tranh rõ ràng và hoàn toàn khả thi trong vài ngày.

Lộ Trình 3 Tuần

Tuần 1 — Proof of Concept:

• Chọn 1 read-only tool quan trọng nhất (CRM query, order lookup)
• Build MCP Server với 2-3 tools đơn giản: pip install mcp
• Test với Claude Desktop trước khi deploy

Tuần 2 — Hardening:

• Authentication (API key hoặc OAuth), error handling, input validation
• Audit logging cho mọi tool call, rate limiting và retry logic

Tuần 3 — Production:

• Dockerize và deploy lên infrastructure
• Monitor tool call patterns và latency
• Expand tool library dựa trên feedback thực tế

Bắt đầu với read-only tools — an toàn hơn, dễ rollback. Sau đó mới thêm write tools với scope hẹp, rồi bulk operations.

Kết Luận

MCP không chỉ là kỹ thuật tích hợp — đây là hạ tầng cơ bản cho AI doanh nghiệp, như REST API đã làm với web services. Doanh nghiệp build MCP infrastructure sớm có lợi thế kép: AI agents hoạt động tốt hơn ngay hôm nay, và dễ dàng upgrade khi LLM mạnh hơn ra đời mà không cần viết lại toàn bộ integration.

Câu hỏi không còn là "Có nên dùng MCP không?" mà là "Nên bắt đầu với tool nào trước?"

Muốn orchestrate nhiều agent qua MCP? Xem hướng dẫn Multi-Agent Systems.