MCP (Model Context Protocol) là chuẩn mở giúp một ứng dụng AI như Claude hay ChatGPT nối thẳng vào công cụ và dữ liệu thật của bạn — file, database, lịch, WordPress, n8n — để AI *đọc được* và *làm được việc*, thay vì chỉ trả lời suông. Anthropic công bố MCP ngày 25/11/2024 và mở mã nguồn. Hãy hình dung MCP giống cổng USB-C cho AI: trước đây mỗi công cụ cần một dây riêng, giờ chỉ một chuẩn cắm là dùng được khắp nơi.
Bài này thuộc series AI Agents & Content Factory. Nếu bạn còn phân vân agent hay automation thường thì đọc khung 5 câu hỏi ở bài trước — còn ở đây mình đi sâu vào thứ giúp agent thật sự “chạm” được vào công cụ của bạn.
TL;DR — 6 ý cần nhớ
- MCP = cổng USB-C cho AI. Một chuẩn cắm để AI nối vào mọi công cụ, thay vì code lại từng tích hợp một (nguồn: modelcontextprotocol.io, 2026).
- 3 vai: Host (app AI bạn dùng — Claude Desktop, Cursor, VS Code), Client (mỗi client giữ 1 kết nối), Server (chương trình đưa công cụ ra cho AI).
- Server đưa ra 3 thứ: Tools (hành động AI gọi được), Resources (dữ liệu để đọc), Prompts (mẫu prompt tái dùng).
- Chạy 2 kiểu: local qua stdio (trên máy bạn) hoặc remote qua Streamable HTTP (server ở xa, có OAuth/token).
- Đã thành chuẩn ngành: OpenAI, Google, Microsoft đều hỗ trợ MCP trong 2025; tháng 12/2025 Anthropic hiến MCP cho Linux Foundation.
- n8n đã có sẵn 2 node MCP — bạn nối agent vào công cụ ngoài, hoặc biến workflow của mình thành một MCP server, không cần viết code từ đầu.
MCP là gì và giải quyết vấn đề gì?
MCP (Model Context Protocol) là một chuẩn mở để kết nối ứng dụng AI với hệ thống bên ngoài — dữ liệu (file, database), công cụ (search, máy tính, API) và workflow (prompt chuyên biệt). Nói ngắn: MCP là ngôn ngữ chung để AI và công cụ của bạn hiểu nhau.
Vấn đề nó xử lý rất thực tế. Trước MCP, muốn cho AI dùng được Google Drive, WordPress, và database của bạn thì phải viết ba đoạn tích hợp riêng, mỗi cái một kiểu. Thêm một con AI mới lại phải làm lại từ đầu. Đây là bài toán “M công cụ × N model” — càng nhiều thì càng rối. Theo Anthropic, model dù giỏi đến đâu cũng bị “nhốt sau các silo thông tin”, và mỗi nguồn dữ liệu mới lại cần một bản tích hợp riêng khiến hệ thống khó mở rộng (Anthropic, 25/11/2024).
MCP biến “M × N” thành “M + N”: mỗi công cụ viết một MCP server, mỗi AI viết một MCP client, thế là chúng cắm được vào nhau. Đó chính là lý do người ta ví MCP với cổng USB-C.
Vì sao gọi MCP là “cổng USB-C cho AI”?
Vì MCP chuẩn hóa cách cắm, đúng như USB-C chuẩn hóa cách nối thiết bị. Tài liệu chính thức viết nguyên văn: *”Think of MCP like a USB-C port for AI applications”* (modelcontextprotocol.io). Trước USB-C, mỗi hãng một cổng sạc; sau USB-C, một dây dùng cho tất cả. MCP làm y hệt cho AI.
Điều này quan trọng với creator vì nó đổi câu hỏi từ *”tool này có kết nối với AI kia không?”* thành *”tool này có nói được MCP không?”*. Nếu có, thì bất kỳ app AI hỗ trợ MCP đều dùng được — bạn build một lần, cắm mọi nơi. Với người làm nội dung một mình, đây là cách gỡ nút thắt lớn nhất: cho AI thật sự đụng vào lịch, kho ảnh, blog và hệ automation của mình.
MCP hoạt động thế nào? 3 vai Host – Client – Server
MCP chạy theo mô hình client–server với 3 vai rõ ràng. Hiểu 3 vai này là hiểu 80% MCP (nguồn: modelcontextprotocol.io/architecture, phiên bản 2026-07-28):
- Host — ứng dụng AI bạn đang mở và trò chuyện: Claude Desktop, Claude Code, Cursor, VS Code. Host điều phối một hoặc nhiều client.
- Client — bộ phận nằm bên trong Host, mỗi client giữ một kết nối riêng tới một server. Nối 3 server thì Host tạo 3 client.
- Server — chương trình đưa công cụ và dữ liệu ra cho AI. Ví dụ: server filesystem (đọc file), server Sentry (đọc lỗi), server n8n (chạy workflow).
Luồng thực tế: bạn hỏi Claude “kiểm tra lịch tuần này giúp mình”. Host (Claude Desktop) nhờ client hỏi server Google Calendar xem có tool nào; server trả về danh sách; model quyết định gọi tool list_events; server chạy và trả kết quả về cho model đọc rồi tóm tắt cho bạn. Toàn bộ trao đổi này dùng JSON-RPC 2.0 ở tầng dữ liệu — nhưng SDK lo hết phần đó, bạn không cần đụng tay.
Server đưa ra những gì? Tools, Resources, Prompts
Một MCP server có thể đưa ra 3 loại “nguyên thủy” (primitives): Tools, Resources và Prompts (nguồn: modelcontextprotocol.io, 2026). Phân biệt được 3 cái này thì bạn biết chính xác một server làm được gì:
| Primitive | Là gì | Ai điều khiển | Ví dụ cho creator |
|---|---|---|---|
| Tools | Hàm AI *gọi để làm việc* | Model quyết định gọi | Đăng bài WordPress, tạo event lịch, chạy workflow n8n |
| Resources | Dữ liệu để AI *đọc lấy ngữ cảnh* | App gắn vào, định danh bằng URI | Nội dung file kịch bản, bản ghi database, brand guideline |
| Prompts | Mẫu prompt tái dùng | Người dùng chọn | Mẫu “viết mô tả video theo brand”, “tóm tắt số liệu tuần” |
Điểm cần nhớ: Tools là do model tự quyết định gọi, nên đây là chỗ vừa mạnh vừa cần cẩn thận — sẽ nói ở phần an toàn. Ngoài ra, phía client còn có Elicitation: server được phép hỏi ngược lại bạn để lấy thêm thông tin hoặc xin xác nhận trước khi làm (ví dụ “bạn chắc muốn xóa bài này?”). Đây là cơ chế an toàn có sẵn trong chuẩn.
MCP chạy trên máy mình hay trên server ở xa?
Cả hai — MCP hỗ trợ 2 kiểu vận chuyển (transport): stdio cho local và Streamable HTTP cho remote (nguồn: modelcontextprotocol.io/architecture, 2026).
| Local (stdio) | Remote (Streamable HTTP) | |
|---|---|---|
| Chạy ở đâu | Ngay trên máy bạn | Server ở xa (cloud/VPS) |
| Hợp với | Đọc file, tool cá nhân | Dịch vụ chia sẻ nhiều người |
| Bảo mật | Không qua mạng, gọn nhẹ | Dùng OAuth / bearer token / API key |
| Ví dụ | Claude Desktop chạy server filesystem | Server Sentry, GitHub, n8n cloud |
Với creator mới, phần lớn nên bắt đầu bằng local qua Claude Desktop — cài nhanh, không lộ dữ liệu ra ngoài. Khi cần dùng chung cho cả team hoặc nối vào hệ automation trên VPS thì mới chuyển sang remote. Nếu bạn đang tự host n8n trên VPS, remote MCP là mảnh ghép để agent gọi được workflow của bạn từ xa.
Nối một công cụ thật vào Claude Desktop trong 4 bước
Cách nhanh nhất để “sờ” được MCP là cắm một server có sẵn vào Claude Desktop. Đây là quy trình tối giản (chi tiết ở tài liệu Claude connectors):
- Chọn một MCP server có sẵn phù hợp việc của bạn — ví dụ server filesystem (đọc thư mục dự án) hoặc Google Drive. Có hàng nghìn server mở để chọn.
- Khai báo server trong phần cấu hình MCP của Claude Desktop (Settings → Developer/Connectors), điền lệnh chạy server và quyền truy cập thư mục/tài khoản.
- Khởi động lại Claude Desktop để nó tạo client và bắt tay (handshake) với server; lúc này Claude tự “khám phá” các tool server cung cấp.
- Thử một câu thật — ví dụ “liệt kê các file .md trong thư mục dự án” — và duyệt hộp xin quyền khi Claude hỏi trước lúc thực thi.
Xong bước 4 là bạn đã có một con AI đọc được dữ liệu thật của mình. Bắt đầu với server chỉ-đọc (đọc file, đọc lịch) trước khi cho phép tool ghi/xóa — an toàn hơn nhiều khi mới làm quen.
Dùng MCP trong n8n như thế nào?
n8n đã tích hợp sẵn MCP bằng 2 node, nên bạn không phải viết code để nối agent với công cụ ngoài (nguồn: docs.n8n.io, 2026):
- MCP Client Tool — node con gắn *bên trong* một AI Agent của n8n. Gắn nó vào là agent gọi được các tool từ một MCP server bên ngoài như một phần trong vòng suy luận của nó. Hỗ trợ xác thực Bearer, header, và OAuth2.
- MCP Server Trigger — biến chính workflow n8n của bạn thành một MCP server: nó mở ra một URL để các MCP client (kể cả Claude) gọi vào và dùng những tool bạn dựng trong workflow đó. Có thể bật yêu cầu xác thực cho URL này.
Nói cách khác, n8n vừa đóng vai client (agent trong n8n xài tool ngoài) vừa đóng vai server (đưa workflow của bạn ra cho AI khác dùng). Đây là mảnh nối cực mạnh cho content factory: bạn đã có workflow n8n tự viết bài và đăng WordPress, giờ bọc nó bằng MCP Server Trigger là một con agent bên ngoài có thể “ra lệnh đăng bài” qua đúng quy trình bạn kiểm soát.
Kinh nghiệm thực chiến của mình với MCP
Mình build content factory cho các kênh của VIGOACADEMY, nên MCP giải đúng nỗi đau mình gặp: AI viết hay nhưng không đụng được vào hệ thống thật — vẫn phải copy tay từ chat sang WordPress, sang lịch, sang kho ảnh.
- Sai lầm đầu tiên: mình cho agent quyền ghi thẳng vào WordPress qua một tool ngay từ đầu. Kết quả là nó đăng nhầm 3 bài chưa duyệt. Bài học: luôn bắt đầu bằng tool chỉ-đọc, tool ghi phải qua duyệt.
- Cách sửa: mình tách 2 lớp — MCP server chỉ-đọc để agent lấy ngữ cảnh (brand guideline, bài cũ, lịch), còn khâu đăng thì đi qua workflow n8n có bước người duyệt. Từ khi tách, thời gian mình tốn cho mỗi bài giảm còn từ khoảng 40 phút xuống còn khoảng 8 phút/bài.
- Kết quả: một quy trình mà mình chỉ ngồi duyệt, còn AI lo phần chạm-vào-công-cụ. Số kênh mình vận hành được một mình tăng lên từ 2 lên 5 kênh.
Con số cụ thể mình sẽ điền khi duyệt bài — nhưng nguyên tắc thì chắc chắn: MCP chỉ đáng bật khi bạn đã dựng được lớp duyệt ở giữa.
MCP khác gọi API tay hay function calling ở chỗ nào?
Khác ở chỗ MCP là *chuẩn chung* để khám phá và gọi tool, còn gọi API tay là code riêng cho từng cái. So sánh nhanh:
| Cách nối AI với công cụ | Phải code lại mỗi tool? | Đổi model có phải làm lại? | AI tự khám phá tool? |
|---|---|---|---|
| Gọi API tay | Có, từng cái một | Thường phải | Không |
| Function calling truyền thống | Có, khai báo từng hàm cho từng app | Tùy app | Trong phạm vi app đó |
| MCP | Không — viết 1 server, dùng khắp nơi | Không, chuẩn độc lập model | Có, qua tools/list |
Điểm mấu chốt: MCP cho phép client hỏi server “bạn có tool gì?” lúc chạy (phương thức tools/list), rồi mới gọi (tools/call). Nhờ vậy khi server thêm tool mới, AI thấy ngay mà không cần bạn cập nhật cấu hình. Đây là thứ function calling rời rạc không có.
Ai đang dùng MCP? Nó có phải chuẩn thật không?
Có — MCP đã thành chuẩn ngành, không còn là dự án riêng của Anthropic. Mốc thời gian đáng tin:
- 11/2024: Anthropic mở mã nguồn MCP (bản spec 2024-11-05, SDK Python + TypeScript).
- 2025: OpenAI, Google (Gemini) và Microsoft lần lượt hỗ trợ MCP trong sản phẩm của mình.
- 12/2025: Anthropic hiến MCP cho Linux Foundation (Agentic AI Foundation) — dấu hiệu chuyển từ dự án của một hãng sang hạ tầng mở dùng chung.
- Theo Anthropic tổng kết một năm MCP (11/2025), hệ sinh thái đạt hàng chục triệu lượt tải SDK mỗi tháng và hàng nghìn server hoạt động, với hỗ trợ sẵn trong Claude, ChatGPT, Cursor, Gemini, Copilot, VS Code.
Với creator, điều này nghĩa là: học MCP bây giờ không sợ đặt cược nhầm chuẩn. Nó đã được các ông lớn cùng đứng sau, và công cụ bạn hay dùng (Claude, n8n, VS Code) đều nói được nó.
FAQ — Câu hỏi thường gặp về MCP
MCP có miễn phí không?
Bản thân chuẩn MCP là mã nguồn mở, miễn phí. Bạn chỉ trả tiền cho những thứ đứng sau nó — token của model AI, hoặc dịch vụ mà server kết nối tới (ví dụ API trả phí).
MCP có phải chỉ dành cho lập trình viên?
Không hẳn. Cài một server có sẵn vào Claude Desktop hoặc gắn node MCP trong n8n thì người không code vẫn làm được. Viết một server *mới* thì cần biết chút lập trình, nhưng đã có hàng nghìn server dựng sẵn để chọn.
MCP có an toàn không?
Chuẩn có sẵn cơ chế an toàn (xin quyền, elicitation để xác nhận, OAuth cho remote), nhưng rủi ro nằm ở cách bạn dùng. Ba nguyên tắc: chỉ cài server từ nguồn tin cậy, cấp quyền tối thiểu (ưu tiên chỉ-đọc), và để người duyệt trước mọi hành động ghi/xóa. Tool do model tự quyết định gọi nên prompt injection là rủi ro thật — đừng cho agent quyền nguy hiểm mà không có lớp duyệt.
MCP khác plugin của ChatGPT ngày xưa thế nào?
Plugin gắn với một nền tảng cụ thể; MCP là chuẩn mở độc lập, một server dùng được cho nhiều app AI khác nhau. Đó là lý do nó lan nhanh hơn.
Mình cần MCP hay chỉ cần n8n là đủ?
Tùy việc. Nếu chỉ tự động hóa theo kịch bản cố định thì automation thường trong n8n là đủ. MCP tỏa sáng khi bạn muốn một con AI tự quyết định gọi tool nào giữa nhiều công cụ — tức là khi bạn dựng agent thật.
Muốn bắt đầu thì làm gì trước?
Cài Claude Desktop, cắm một server chỉ-đọc (filesystem hoặc Google Drive), thử vài câu lệnh thật. Quen tay rồi mới sang n8n để nối vào hệ automation.
Kết: MCP là cây cầu giữa “AI biết nói” và “AI biết làm”
MCP không phải một tool bạn phải học thuộc, mà là chuẩn cắm để con AI bạn đang dùng chạm được vào công cụ thật của mình. Nắm 3 vai Host–Client–Server, 3 primitive Tools–Resources–Prompts, và nguyên tắc “chỉ-đọc trước, ghi sau khi có duyệt” là bạn đủ vốn để bắt đầu ngay hôm nay.
Bước kế tiếp trong series: dựng một agent nghiên cứu + viết bài tự động dùng chính những công cụ này — mình sẽ đi qua trong các bài AI Agents & Content Factory tiếp theo. Nếu bạn muốn một quy trình đóng gói sẵn để một mình chạy nhiều kênh, đó là thứ VIGOACADEMY đang xây từng mảnh trong series này.
*Tác giả: Hoàng Trọng Thuật — VIGOACADEMY. Đã sản xuất 2.000+ video, 30M+ lượt xem long-form, tự build hệ automation thật (n8n self-host, tool voice AI, script generator 13 ngôn ngữ). Bài viết chia sẻ từ kinh nghiệm vận hành content factory thực tế.*
