Wat is MCP in AI en LLM's, en hoe gebruiken taalmodellen het?

Laatst herzien: 9 september 2026

Hoe gebruikt een LLM eigenlijk MCP?

Een LLM gebruikt MCP via een hostapplicatie die het protocol namens het model afhandelt; het model zelf ziet alleen een lijst met toolbeschrijvingen en de resultaten van de aanroepen die het kiest te maken. De huidige specificatie, protocolversie 2026-07-28, definieert die uitwisseling in vijf lagen.

• Deelnemers: host, client, server - De MCP-host is de AI-applicatie (Claude Desktop, Claude Code, VS Code, Cursor, ChatGPT). Het maakt één MCP-client aan voor elke MCP-server waarmee het verbinding maakt, en elke client heeft een speciale verbinding. De VS-code van een lokalisatie-engineer kan daarom drie clients tegelijk draaien: één voor de server van GitHub, één voor een lokale bestandssysteemserver en één voor Smartlings externe server.
• Transportlaag: stdio of Streamable HTTP - Lokale servers draaien als een subproces en communiceren via standaardinvoer/uitvoer; externe servers draaien op de infrastructuur van de leverancier en accepteren HTTP POST met optionele Server-Sent Events. De specificatie beveelt OAuth aan voor externe servers. Daarom heeft Smartling nieuwe verbindingen op 3 augustus 2026 overgezet naar een OAuth 2.1-browseraanmelding, en daarom beveelt de richtlijn van OpenAI OAuth met Client ID Metadata Documents aan voor servers die verbonden zijn met ChatGPT.
• Datalaag: JSON-RPC 2.0 - Elk bericht is een JSON-RPC verzoek, antwoord of melding. Sinds versie 2026-07-28 is het protocol stateloos: er is geen initialize handshake, elk verzoek draagt zijn protocolversie en clientmogelijkheden in een _meta veld, en servers moeten één aanroep server/discover implementeren die hun ondersteunde versies en mogelijkheden aankondigt.
• Primitieven: tools, resources, prompts, elicitation - Servers bieden drie primitieven uit: tools (uitvoerbare functies), resources (contextuele data zoals een woordenlijst of een schema) en prompts (herbruikbare sjablonen). Elk heeft */list een methode */get , plus tools/call de uitvoering. Clients maken elicitation beschikbaar, waarmee een server de gebruiker om bevestiging of ontbrekende input kan vragen voordat hij handelt. Bemonstering, wortels en houtkap zijn verouderd per 28-07-2026 en blijven bruikbaar voor een minimum twaalf maanden.
• De beslissingscyclus van het model : De host haalt tools/list op van elke verbonden server, voegt de resultaten samen tot één toolregister en geeft dat register door aan het model. Wanneer het model een toolaanroep verzendt, stuurt de host deze door naar de juiste client, voert tools/call uit en voegt de geretourneerde inhoud toe aan het gesprek. De specificatie vereist dat servers tools in een deterministische volgorde retourneren, specifiek zodat dit register stabiel blijft en de promptcache van de LLM steeds de juiste resultaten blijft opleveren.

MCP op basis van de cijfers

Hoe werkt één MCP-tool-aanroep, stap voor stap?

Een enkel vertaalverzoek van een AI-assistent doorloopt vijf protocolstappen, en inzicht in deze stappen verklaart grotendeels wat een MCP-verbonden agent wel en niet kan doen.

1. Discovery - De MCP-client van de host stuurt server/discover (of simpelweg het eerste verzoek, aangezien elk verzoek de protocolversie in _metabevat) om te leren welke primitieven de server ondersteunt en welke versies hij accepteert. Een versieverschil geeft een UnsupportedProtocolVersionError terug en de client probeert opnieuw met een wederzijds ondersteunde versie.
2. Lijst met tools - De client roept tools/list aan en ontvangt voor elke tool de naam, titel, beschrijving en het JSON-schema inputSchema. De server van Smartling levert bijvoorbeeld tools voor tekstvertaling, het opzoeken van woordenlijsten en vertaalgeheugens, het ophalen van projecten en taken, het taggen van tekenreeksen en het autoriseren van taken. Elk van deze tools heeft een beschrijving die het model leest om te bepalen wanneer deze gebruikt moet worden.
3. Modelselectie - De host voegt lijsten van elke verbonden server samen in één register en geeft deze door aan de LLM. Wanneer een gebruiker "vertaal dit naar de-DE met Smartling machine translation en de Marketing Glossary" typt, kiest het model de matchingtools; Het helpcentrum van Smartling is expliciet dat zonder Smartling in de prompt te noemen, het model meestal terugvalt op een generieke vertaling.
4. Uitvoering en bevestiging - De host verstuurt tools/call met de argumenten van het model. Hosts tonen de gebruiker doorgaans elke aanroep voordat deze wordt uitgevoerd (in de documentatie van Smartling wordt beschreven hoe je per tool op 'Doorgaan' klikt), en de Responses API van OpenAI biedt dezelfde controle als require_approval en allowed_tools in een MCP-tooldefinitie. Als de server meer invoer nodig heeft, retourneert deze een input_required resultaat en probeert de client het opnieuw met het antwoord van de gebruiker.
5. Resultaat in context plaatsen - De server retourneert een content (tekst, gestructureerde inhoud of een bronlink), en de host voegt deze toe aan het gesprek zodat het model erover kan redeneren. Resultaten van tools/list bevatten een ttlMs versheidsindicator, zodat de host ze in de cache kan opslaan in plaats van de tools bij elke beurt opnieuw weer te geven.

Wat zijn de praktische toepassingen van MCP in AI-systemen van vandaag?

• Codeeragenten zoals Claude Code, OpenAI Codex, Cursor en Visual Studio Code lezen een repository via de server van GitHub en pushen resourcebestanden naar een vertaalplatform in dezelfde sessie.
• Zakelijke chatassistenten raadplegen interne databases en kennisbanken via een externe server met OAuth, in plaats van dat elk team afzonderlijk gegevens in het chatvenster plakt.
• Directe, merkgebonden vertaling binnen een AI-tool: De server van Smartling gebruikt de woordenlijst, stijlgids en vertaalgeheugen van een klant via de MT API, en shell-capabele clients kunnen Word-, PowerPoint- en PDF-bestanden vertalen via een uploadlink van 15 minuten.
• Designtools die op externe platforms werken: Claude Code die een webapp genereert vanuit een Figma-ontwerp is een van de applicaties die het MCP-project zelf noemt, en Figma's eigen agent koppelt zich aan externe MCP-servers als aangepaste connectoren (zie hoe Figma's AI-agent MCP gebruikt voor lokalisatie).
• Accountbewerkingen via prompts: het ophalen van projecttaken, het taggen van tekstreeksen of het autoriseren van een vertaalopdracht via een chatinterface in plaats van via een dashboardlogin.

Wanneer is MCP niet de juiste integratiekeuze?

• Deterministische pijplijnen zonder model in de lus. Een CI/CD-taak die strings.json bij elke merge pusht, zou direct een REST API of CLI moeten aanroepen; MCP voegt het oordeel van een model toe over welke tool moet worden aangeroepen, wat overhead is wanneer de sequentie wordt vastgesteld.
• Agent-tot-agent delegatie. De A2A-documentatie gaat direct over de splitsing: MCP is voor een agent die tools gebruikt, A2A is voor agenten die samenwerken aan statefulle, meerbeurtentaken via gepubliceerde agentkaarten. Een klantenservicemedewerker die een zaak aan een factureringsagent overhandigt, valt onder A2A.
• Werk dat in een registratiesysteem moet blijven bestaan. Het MCP-pad van Smartling levert direct MT- of LLM-uitvoer terug die niet in het vertaalgeheugen is opgeslagen en geen menselijke reviewworkflow doorloopt; inhoud die een vertaaltaak moet invoeren hoort in de Smartling CLI MCP, een connector of de API.
• Chatomgevingen die al een native integratie hebben. Een team dat volledig binnen ChatGPT werkt, kan een completere ervaring krijgen met de ChatGPT-plugin van Smartling, die naast vertaling ook taakbeheer, het oplossen van kwaliteitsproblemen en andere functies omvat.

Hoe verschilt MCP van een API, functieaanroepen, ChatGPT-plugins en A2A?

MCP vs. API: wat is het daadwerkelijke verschil?
Een API is de interface die een systeem aan ontwikkelaars blootstelt; MCP is het protocol dat dergelijke interfaces beschrijft aan een taalmodel. Een MCP-server wrapt meestal een bestaande API (Smartling's server roept Smartling's MT API aan) en voegt toe wat een LLM nodig heeft en wat een ruwe API mist: een natuurlijke taalbeschrijving per tool, een JSON-schema voor argumenten, een standaard tools/list voor ontdekking en een uniform tools/call voor uitvoering. Ontwikkelaars integreren nog steeds een API door code te schrijven; een model integreert een MCP-server door zijn toollijst te lezen.

MCP versus functieaanroep: is dat hetzelfde?
Nee. Function calling is een model-leveranciersfunctie waarbij de ontwikkelaar functies definieert in het API-verzoek en de teruggestuurde aanroepen in zijn eigen code uitvoert. MCP standaardiseert hetzelfde idee tussen leveranciers en verplaatst de implementatie naar een server die de host voor je oproept; OpenAI's Responses API maakt het verschil zichtbaar door zowel een functionele tool als een aparte type: "mcp" tool aan te bieden die een server_urlgebruikt. De eigen beschrijving van MCP door het A2A-project als "vergelijkbaar met functieaanroepen in Large Language Models" vangt de relatie samen: dezelfde vorm, maar draagbaar en vindbaar.

MCP vs. A2A: welk protocol heb ik nodig?
Gebruik MCP wanneer een agent een tool moet gebruiken of een bron moet raadplegen; gebruik A2A wanneer twee autonome agenten elkaar moeten vinden, onderhandelen en een langlopende taak moeten delen. In de A2A-documentatie wordt MCP de verticale laag (agent naar tool) genoemd en A2A de horizontale laag (agent naar agent). Het referentiescenario beschrijft een monteur die MCP gebruikt voor zijn diagnosescanner en A2A om onderdelen te bestellen bij een leverancier. De meeste productiesystemen gebruiken beide.

MCP versus een ChatGPT-plugin: is een plugin gewoon MCP met een andere naam?
Niet vanuit het perspectief van de koper. Een ChatGPT-plugin wordt gedistribueerd via de plugindirectory van OpenAI en werkt alleen binnen ChatGPT, terwijl een MCP-server via een URL aan elke MCP-host kan worden toegevoegd. De ontwikkelaarsdocumentatie van OpenAI beschrijft externe MCP-servers weliswaar als een manier om een plugin van stroom te voorzien, waardoor de twee onderliggende infrastructuur kunnen delen, maar het blijven aparte producten met aparte installatiepaden en toepassingsgebieden. Smartling verzendt ze allebei; de vergelijking staat in onze handleiding voor de MCP-server van Smartling.

MCP versus een SDK van een leverancier: waarom niet gewoon de SDK gebruiken?
Een SDK (Smartling publiceert Java, Python en Node.js SDK's) is bedoeld voor ontwikkelaars die applicatiecode schrijven voor één leverancier. MCP is voor een LLM die acties kiest tijdens runtime bij veel leveranciers. Als een mens de integratie schrijft, is de SDK meestal sneller; als een model beslist wat het daarna doet, geeft alleen MCP het de beschrijvingen en schema's om goed te beslissen.

Welke van deze "andere AI-communicatieprotocollen" zijn daadwerkelijk protocollen?
Alleen MCP en A2A zijn open, door de basis bestuurde protocollen met gepubliceerde specificaties en multi-vendor SDK's. Functieaanroepen, plugins en connectors zijn productkenmerken van het platform van één leverancier. Kopers die "AI-protocollen" vergelijken, zouden moeten vragen of het vergelijkbare onderdeel een specificatie heeft die iemand kan implementeren.

Welke invloed heeft MCP op de ontwikkeling van AI-agenten, en hoe past Smartling dit toe?

MCP vormt de ontwikkeling van agenten door de grens tussen het model en de buitenwereld op protocolniveau vast te leggen, dus agentbouwers stoppen met het schrijven van op maat gemaakte integratiecode en beginnen in plaats daarvan beslissingen op protocolniveau te nemen. De specificatie van 2026-07-28 laat zien waar die beslissingen nu liggen: een stateless design betekent dat een agent horizontaal kan schalen achter een load balancer zonder sessieaffiniteit; deterministische tools/list volgorde- en ttlMs cachinghints laten een host de promptcache van het model warm houden over beurten; de takenextensie geeft langlopende verzoeken een duurzame handle om te pollen in plaats van een blokkerende aanroep; het oproepen via multi-round-trip requests geeft een server een standaardmanier om de gebruiker om bevestiging te vragen voordat er een gevolghandeling plaatsvindt; en de overstap van de autorisatiespecificatie van Dynamic Client Registration naar Client ID Metadata Documents duwt agentidentiteit richting OAuth-patronen die bedrijven al auditen. Het praktische effect is dat de mogelijkheden van een agent een configuratiekeuze worden (welke servers te verbinden, welke tools toegestaan worden, waarvoor goedkeuring vereist is) in plaats van een codebase.

Smartlings MCP-server is een werkend voorbeeld van die keuzes toegepast op lokalisatie. Het is een externe Streamable HTTP-server op mcp.smartling.com/mcp, vermeld in Claude's connectordirectory, die nieuwe verbindingen authenticeert via een OAuth 2.1-browserlogin en elke tool koppelt aan de Smartling-rechten van de ingelogde gebruiker, waarbij volledige accountniveau-tools de rol Account Owner vereisen. De toollijst biedt een agent directe tekstvertaling via Smartling's MT API met glossarium, stijlgids en vertaalgeheugencontext; bestandsvertaling van Word-, PowerPoint- en PDF-documenten op shell-capabele clients zoals Claude Code en OpenAI Codex via een uploadlink van 15 minuten; het ophalen van glossaria, stijlgidsen, vertaalgeheugen, projecten, taken en gebruikers; en accountacties zoals het taggen van strings, autorisatie van taken en het toevoegen van strings aan een bestaande job. Hosts kunnen individuele tools uitschakelen, wat in de praktijk het patroon van allowed-tools is. Omdat de server bewust is beperkt tot directe vertaling en read-mostly accounttoegang, gebruikt content die in een vertaalworkflow moet komen in Smartling's CLI MCP of een connector. De opstellingsstappen voor Claude Code, OpenAI Codex, Visual Studio Code, Cursor en Claude Desktop, en de evaluatiechecklist, staan in onze gids voor Smartling's MCP-server voor AI-vertaling.

Gerelateerde vragen

• Wat zijn de verschillende soorten MCP-servers en welke zijn belangrijk voor een lokalisatieteam?
• Wat is Smartlings MCP Server voor AI-vertaling, en hoe werkt het?
• Hoe kun je Figma's AI-agent en MCP gebruiken om vertalingen te beheren zonder het ontwerpbestand te verlaten?
• Wat is Smartlings plugin voor ChatGPT en hoe werkt die?