AI có thể đọc tài liệu, viết code, phân tích dữ liệu và trả lời nhiều câu hỏi khó. Nhưng khi hỏi:
Hôm nay công ty còn bao nhiêu sản phẩm A trong kho?
AI có thể không biết.
Không phải vì AI không đủ thông minh, mà vì số lượng hàng tồn kho đang nằm trong ERP hoặc database của doanh nghiệp.
Tương tự, AI cũng không tự biết khách hàng ABC vừa mua sản phẩm gì, hóa đơn nào chưa thanh toán, lịch làm việc của nhân viên ra sao hay hợp đồng mới nhất đang nằm trong thư mục nào.
Muốn AI biết những thông tin đó, phải có một cách để AI kết nối với những hệ thống đang giữ dữ liệu thật.
Đây chính là bài toán mà Model Context Protocol, thường được viết tắt là MCP, muốn giải quyết.
Có thể hiểu MCP theo cách đơn giản:
MCP là một chuẩn kết nối giúp các ứng dụng AI sử dụng dữ liệu và chức năng từ những phần mềm bên ngoài.
Anthropic giới thiệu MCP vào tháng 11/2024 với mục tiêu tạo một chuẩn mở giúp AI kết nối với các hệ thống nơi dữ liệu đang tồn tại, thay vì mỗi ứng dụng phải tự xây một cách kết nối riêng.
Từ đó, MCP phát triển rất nhanh. Đến năm 2026, giao thức này đã được mở rộng để phù hợp hơn với AI Agents, hệ thống doanh nghiệp và các ứng dụng cần vận hành ở quy mô lớn. Phiên bản ngày 28/7/2026 là một trong những thay đổi quan trọng nhất, khi MCP chuyển phần lõi sang cách hoạt động dễ mở rộng hơn trên hạ tầng web hiện đại.
Điều đó khiến MCP ngày càng trở thành một phần đáng chú ý trong kiến trúc AI.
Không phải vì MCP làm model thông minh hơn.
Mà vì MCP giúp AI tiếp cận được dữ liệu và công cụ để làm việc thật.
Mục lục
MCP là gì?
Vì sao AI cần MCP?
MCP giải quyết vấn đề gì?
Một ví dụ đơn giản về MCP
MCP Server là gì?
MCP Client là gì?
Host là gì?
Một yêu cầu đi qua MCP như thế nào?
Tools, Resources và Prompts
Tools: cho AI khả năng thực hiện công việc
Resources: cung cấp dữ liệu cho AI
Prompts: những mẫu hướng dẫn có thể dùng lại
Vì sao không nên biến mọi thứ thành Tool?
Tool nên nhận và trả dữ liệu như thế nào?
MCP và API khác nhau ở đâu?
MCP có thay thế REST API không?
MCP có thể kết nối với những hệ thống nào?
MCP chạy trên máy tính cá nhân như thế nào?
MCP chạy qua Internet như thế nào?
Phiên bản MCP 2026 thay đổi điều gì?
Stateless nghĩa là gì?
Vì sao MCP mới dễ mở rộng hơn?
Khi một Tool cần hỏi thêm người dùng
Khi một công việc mất nhiều phút hoặc nhiều giờ
MCP Apps: khi AI không chỉ trả về văn bản
Bảo mật MCP
Tool chỉ đọc và Tool thay đổi dữ liệu
Human-in-the-loop
MCP trong doanh nghiệp
MCP Registry là gì?
MCP kết hợp với OpenAI Agents SDK
Case Study: Sales Agent kết nối CRM
Case Study: Data Agent phân tích doanh thu
Case Study: MCP Platform trong doanh nghiệp
Khi nào nên dùng MCP?
Khi nào không cần MCP?
Những sai lầm phổ biến
Roadmap học MCP
MCP sẽ phát triển thế nào trong năm 2027?
Kết luận
Tài liệu tham khảo
1. MCP là gì?
Model Context Protocol là một chuẩn mở giúp ứng dụng AI kết nối với dữ liệu và các chức năng bên ngoài.
Giả sử một doanh nghiệp có CRM.
Trong CRM có thông tin khách hàng, lịch sử mua hàng, cơ hội bán hàng và ghi chú của nhân viên Sales.
Một AI Assistant bình thường không tự biết những dữ liệu này.
Nếu muốn hỏi:
Khách hàng ABC hiện đang có những cơ hội bán hàng nào?
AI phải có cách lấy dữ liệu từ CRM.
Một MCP Server có thể cung cấp chức năng:
get_customer_opportunities
AI gửi mã khách hàng.
MCP Server lấy dữ liệu từ CRM.
Kết quả quay lại AI.
AI đọc kết quả rồi trả lời người dùng.
Điểm quan trọng là:
MCP không phải nơi chứa trí thông minh của AI.
Model vẫn là phần hiểu câu hỏi và suy luận.
MCP là phần giúp AI kết nối ra ngoài.
OpenAI hiện cũng mô tả MCP như một chuẩn giúp các ứng dụng cung cấp Tools và Context cho các mô hình ngôn ngữ.
2. Vì sao AI cần MCP?
Một Large Language Model đã được học từ lượng dữ liệu rất lớn.
Nhưng dữ liệu huấn luyện không phải dữ liệu đang thay đổi từng phút trong doanh nghiệp.
Model có thể biết:
CRM là gì?
Nhưng không biết:
Khách hàng nào vừa gọi cho công ty lúc 9 giờ sáng nay?
Model có thể hiểu kế toán.
Nhưng không biết:
Công ty đang còn bao nhiêu tiền mặt trong tài khoản ngân hàng?
Model có thể viết email.
Nhưng không thể tự gửi email nếu không được kết nối với một hệ thống email.
Đây là khác biệt rất quan trọng giữa:
AI biết
và
AI có thể truy cập dữ liệu thật và thực hiện công việc thật.
AI Agents làm cho vấn đề này rõ ràng hơn.
Một Agent không chỉ cần trả lời.
Nó có thể phải:
Đọc dữ liệu.
Tìm kiếm.
Kiểm tra.
Tạo bản ghi.
Gửi email.
Cập nhật CRM.
Chạy một chương trình.
Hoặc giao tiếp với một hệ thống khác.
Muốn làm được những việc đó, Agent cần các công cụ.
MCP là một trong những cách chuẩn hóa việc cung cấp những công cụ đó cho AI.
3. MCP giải quyết vấn đề gì?
Giả sử một doanh nghiệp có 5 hệ thống:
CRM.
ERP.
Google Drive.
Database.
Hệ thống chăm sóc khách hàng.
Doanh nghiệp cũng có 5 AI Agents:
Sales Agent.
Finance Agent.
Customer Service Agent.
Data Agent.
Executive Agent.
Nếu mỗi Agent tự xây kết nối riêng với từng hệ thống, số lượng kết nối sẽ tăng rất nhanh.
Sales Agent cần CRM.
Customer Service Agent cũng cần CRM.
Executive Agent cũng cần CRM.
Ba ứng dụng có thể phải viết ba cách kết nối gần giống nhau.
Điểm khác biệt rất lớn so với chatbot thông thường là:
Con số 150 triệu không được AI tự nghĩ ra.
Nó đến từ hệ thống thật.
Đây là một trong những lý do Tool Calling và MCP quan trọng với AI trong doanh nghiệp.
9. Tools, Resources và Prompts
Khi xây MCP Server, cần phân biệt ba nhóm thành phần chính: Tools, Resources và Prompts. Tài liệu MCP mô tả đây là ba cách quan trọng để Server cung cấp khả năng hoặc thông tin cho ứng dụng AI.
Có thể hiểu rất đơn giản.
Tools dùng khi AI cần làm một việc.
Resources dùng khi AI cần đọc dữ liệu hoặc tài liệu.
Tools là phần được dùng nhiều nhất trong các hệ thống AI Agent.
Lý do rất đơn giản.
Tool giúp AI không chỉ nói mà còn có thể tương tác với phần mềm bên ngoài.
Ví dụ:
get_customer
dùng để đọc khách hàng.
get_inventory
dùng để kiểm tra tồn kho.
create_order
dùng để tạo đơn hàng.
send_email
dùng để gửi email.
Mỗi Tool nên có tên rõ ràng và mô tả rõ chức năng.
Ví dụ tên:
manage_business
rất mơ hồ.
AI khó biết Tool đó thực sự làm gì.
Tên:
get_customer_orders
rõ hơn rất nhiều.
MCP cho phép Server mô tả Tool để model có thể nhận biết và sử dụng chúng. Tài liệu chính thức cũng nhấn mạnh rằng những Tool có thể tạo hành động thực tế cần được triển khai với khả năng kiểm soát và từ chối khi cần.
11. Resources: cung cấp dữ liệu cho AI
Không phải mọi thứ AI cần đều là một hành động.
Đôi khi AI chỉ cần đọc.
Ví dụ doanh nghiệp có:
Chính sách bán hàng.
Danh mục sản phẩm.
Hướng dẫn vận hành.
Tài liệu dự án.
Nội dung source code.
Những dữ liệu như vậy có thể được cung cấp dưới dạng Resource.
Ví dụ:
sales-policy
có thể chứa chính sách chiết khấu.
product-catalog
có thể chứa thông tin sản phẩm.
Ứng dụng AI lấy dữ liệu này khi cần rồi đưa vào phần thông tin mà model được phép sử dụng.
Resource vì vậy khác Tool ở một điểm dễ hiểu:
Tool thường để thực hiện một hành động.
Resource chủ yếu để cung cấp thông tin.
12. Prompts: những mẫu hướng dẫn có thể dùng lại
Prompt trong MCP có thể hiểu là một mẫu hướng dẫn được chuẩn bị sẵn.
Ví dụ phòng Sales có một quy trình đánh giá khách hàng:
Xem ngành.
Quy mô.
Nhu cầu.
Ngân sách.
Thời gian triển khai.
MCP Server có thể cung cấp Prompt:
qualify_enterprise_lead
Ứng dụng AI có thể lấy mẫu hướng dẫn này rồi sử dụng với khách hàng cụ thể.
Lợi ích là nhiều AI applications có thể dùng chung một cách làm.
Tuy nhiên Prompt không nên được dùng thay cho luật bảo mật.
Ví dụ:
Không được hoàn tiền trên 100 triệu nếu chưa được duyệt.
AI nên biết nguyên tắc đó.
Nhưng hệ thống phía dưới cũng phải thực sự chặn hành động nếu không có quyền.
13. Vì sao không nên biến mọi thứ thành Tool?
Một sai lầm dễ gặp là nghĩ:
Càng nhiều Tools, Agent càng mạnh.
Không hẳn.
Nếu Agent có 5 Tools, việc lựa chọn khá đơn giản.
Nếu có 500 Tools, model phải phân biệt hàng trăm chức năng.
Tên Tool có thể giống nhau.
Mô tả có thể dài.
Phần thông tin model phải đọc cũng tăng.
Rủi ro sử dụng nhầm Tool tăng lên.
Vì vậy một Customer Service Agent không cần nhìn thấy toàn bộ 2.000 API của ERP.
Nó có thể chỉ cần:
get_customer
get_order
get_payment
create_ticket
Đây là một nguyên tắc rất quan trọng:
Chỉ cung cấp cho AI những khả năng thực sự cần cho công việc của nó.
Điều này vừa giúp Agent dễ hoạt động hơn, vừa giảm rủi ro bảo mật.
14. Tool nên nhận và trả dữ liệu như thế nào?
Giả sử có Tool:
search_customer
AI muốn tìm:
ABC Retail
Tool có thể nhận dữ liệu:
{
"keyword": "ABC Retail"
}
Khi tìm thấy khách hàng, một cách trả kết quả kém là:
Tôi tìm thấy công ty ABC Retail. Đây là khách hàng Enterprise và công ty đang có hai cơ hội bán hàng.
Không cần bắt AI đọc một đoạn văn rồi tự tách dữ liệu.
MCP phiên bản mới tiếp tục cải thiện cách Tool mô tả dữ liệu đầu vào và đầu ra, giúp Tools có thể hoạt động gần hơn với những API được định nghĩa rõ ràng.
Nguyên tắc cần nhớ rất đơn giản:
Dữ liệu có cấu trúc thì nên trả về theo cấu trúc rõ ràng.
15. MCP và API khác nhau ở đâu?
Đây là một trong những câu hỏi quan trọng nhất.
MCP không phải thứ được tạo ra để thay thế mọi API.
Giả sử CRM có API:
GET /customers/123
API này giúp phần mềm lấy thông tin khách hàng.
MCP Server có thể tạo Tool:
get_customer
Khi AI gọi Tool, MCP Server phía sau lại gọi API đó.
Như vậy API vẫn tồn tại.
Điểm mới là AI được cung cấp một cách thống nhất để biết:
Tool nào đang có.
Tool làm gì.
Tool cần input gì.
Tool trả kết quả như thế nào.
Có thể hiểu:
API là cách các hệ thống phần mềm giao tiếp với nhau. MCP là một lớp giúp AI sử dụng những khả năng của các hệ thống đó theo cách chuẩn hơn.
16. MCP có thay thế REST API không?
Không.
Rất nhiều MCP Server thực tế sẽ tiếp tục sử dụng REST API phía sau.
Ví dụ doanh nghiệp đã có API:
POST /refunds
Không cần xóa API rồi xây lại toàn hệ thống.
MCP Server có thể cung cấp Tool:
request_refund
Khi Agent muốn hoàn tiền, Tool có thể:
Kiểm tra input.
Kiểm tra quyền.
Kiểm tra số tiền.
Yêu cầu approval nếu cần.
Sau đó gọi API /refunds.
MCP vì vậy thường là lớp đứng phía trên hệ thống hiện hữu.
Điều này rất quan trọng với doanh nghiệp.
Không cần thay ERP.
Không cần thay CRM.
Không cần viết lại database.
Chỉ cần xây một lớp giúp AI tiếp cận chúng một cách kiểm soát được.
17. MCP có thể kết nối với những hệ thống nào?
Gần như bất kỳ hệ thống nào developer có thể truy cập bằng code.
Ví dụ:
PostgreSQL.
MySQL.
BigQuery.
Snowflake.
CRM.
ERP.
Google Drive.
GitHub.
Slack.
Email.
Calendar.
File system.
Cloud APIs.
Internal services.
Một MCP Server thậm chí có thể kết hợp nhiều hệ thống phía sau.
Ví dụ Tool:
get_customer_360
có thể lấy:
Thông tin khách hàng từ CRM.
Đơn hàng từ ERP.
Thanh toán từ Finance.
Lịch sử hỗ trợ từ Customer Service.
AI chỉ gọi một Tool.
MCP Server xử lý phần phức tạp phía sau.
18. MCP chạy trên máy tính cá nhân như thế nào?
Một trong những cách dễ nhất để sử dụng MCP là chạy Server ngay trên máy tính.
Ví dụ coding assistant cần truy cập source code.
Một MCP Server được khởi động trên laptop.
Ứng dụng AI kết nối trực tiếp tới chương trình đó.
Một cách phổ biến được gọi là stdio, viết tắt của standard input/output.
Không cần đi sâu vào thuật ngữ.
Có thể hiểu đơn giản:
Hai chương trình chạy cùng máy và gửi dữ liệu trực tiếp cho nhau.
Cách này phù hợp với:
Filesystem.
Git.
Developer tools.
Local database.
Automation cá nhân.
OpenAI Agents SDK hiện hỗ trợ MCP Server dạng stdio, bên cạnh các cách kết nối qua HTTP.
19. MCP chạy qua Internet như thế nào?
Khi MCP Server phục vụ nhiều người, nó có thể được triển khai trên cloud.
Ví dụ doanh nghiệp xây:
CRM MCP Server
Sales Agent ở nhiều văn phòng có thể cùng sử dụng.
Lúc này Server giao tiếp qua HTTP.
MCP hiện khuyến nghị Streamable HTTP cho nhiều triển khai mới qua mạng. OpenAI Agents SDK cũng hỗ trợ trực tiếp loại MCP Server này. SSE kiểu cũ vẫn còn được hỗ trợ trong một số trường hợp để tương thích, nhưng không phải hướng ưu tiên cho các tích hợp mới.
Khi MCP đi qua Internet, những vấn đề vốn quen thuộc của web application xuất hiện:
HTTPS.
Đăng nhập.
Phân quyền.
Rate limiting.
Monitoring.
Load balancing.
Security.
Đây là lúc MCP không còn chỉ là một thử nghiệm của developer.
Nó trở thành một service cần được vận hành nghiêm túc.
20. Phiên bản MCP 2026 thay đổi điều gì?
MCP thay đổi khá nhanh từ khi xuất hiện.
Phiên bản 2026-07-28 là một bước thay đổi rất lớn.
Trong các phiên bản trước, Client và Server thường thiết lập một phiên làm việc rồi giữ một số thông tin giữa các lần trao đổi.
Phiên bản mới đưa phần lõi theo hướng stateless, tức là mỗi yêu cầu mang đủ thông tin hơn để Server có thể xử lý mà không phải dựa nhiều vào một phiên kết nối đã tạo từ trước.
Ngoài ra, phiên bản mới còn bổ sung hoặc cải thiện:
Khả năng Client hỏi trước Server hỗ trợ những gì.
Cache danh sách Tools.
Routing qua các hệ thống gateway.
Authorization.
Cơ chế mở rộng MCP.
Hỗ trợ tốt hơn cho công việc dài.
Mục tiêu chung là làm MCP phù hợp hơn với hệ thống production có nhiều người dùng và nhiều Server.
21. Stateless nghĩa là gì?
Đây là một thuật ngữ kỹ thuật nhưng ý tưởng không quá khó.
Hãy tưởng tượng mỗi lần tới quầy giao dịch, khách hàng đưa một phiếu yêu cầu có đủ:
Mã khách hàng.
Nội dung cần làm.
Thông tin xác thực.
Dữ liệu cần thiết.
Nhân viên nào nhận phiếu cũng có thể xử lý.
Không cần đúng người đã xử lý lần trước.
Đây gần với tư tưởng stateless.
Trong MCP mới, một request có thể đi tới các Server instances khác nhau phía sau load balancer mà không nhất thiết phải quay lại đúng máy đã xử lý request trước.
Nhưng cần lưu ý:
Stateless không có nghĩa ứng dụng không được lưu trạng thái.
CRM vẫn lưu khách hàng.
Database vẫn lưu Order.
Agent vẫn có conversation history.
Task vẫn có trạng thái.
Điều được giảm đi là sự phụ thuộc vào một phiên kết nối MCP cố định.
22. Vì sao MCP mới dễ mở rộng hơn?
Giả sử MCP Server chỉ có 20 người dùng.
Một máy chủ có thể xử lý được.
Nếu lên 1 triệu requests, cần nhiều máy.
Nếu tất cả requests của cùng một user luôn phải quay về đúng máy ban đầu, hệ thống sẽ khó chia tải hơn.
Nếu bất kỳ máy nào cũng có thể xử lý request, việc mở rộng đơn giản hơn.
Có thể đặt 10 Server instances phía sau load balancer.
Request 1 vào máy A.
Request 2 vào máy B.
Request 3 vào máy C.
Nếu máy A gặp lỗi, hệ thống vẫn còn các máy khác.
Chính nhóm phát triển MCP cho biết việc loại bỏ protocol-level sessions và initialization handshake trong revision 2026 nhằm giúp Server dễ scale ngang hơn và hoạt động tự nhiên hơn với các hạ tầng web phổ biến.
Đây là thay đổi quan trọng nếu MCP muốn được dùng rộng trong doanh nghiệp.
23. Khi một Tool cần hỏi thêm người dùng
Không phải lúc nào Tool cũng có đủ thông tin ngay từ đầu.
Ví dụ người dùng nói:
Đặt cho tôi một chuyến bay đi Hà Nội.
Hệ thống còn thiếu:
Ngày đi.
Ngày về.
Hãng bay.
Hành lý.
Khung giờ.
Tool có thể cần yêu cầu thêm thông tin.
Các phiên bản MCP mới tiếp tục phát triển cách xử lý những tình huống cần nhiều lượt trao đổi mà không phải giữ một kết nối mở liên tục. Revision 2026 gọi hướng này là Multi Round-Trip Requests.
Không cần nhớ tên này khi mới học.
Chỉ cần hiểu:
Một Tool có thể cần thêm dữ liệu trước khi hoàn thành công việc.
24. Khi một công việc mất nhiều phút hoặc nhiều giờ
Một Tool thông thường có thể trả kết quả trong một giây.
Nhưng có những công việc mất lâu hơn.
Ví dụ:
Chạy Data Pipeline.
Build một phần mềm.
Phân tích một tập dữ liệu rất lớn.
Nghiên cứu hàng trăm tài liệu.
Triển khai một hệ thống cloud.
Chờ con người phê duyệt.
Nếu Client phải giữ kết nối chờ hàng giờ thì không thực tế.
MCP có Tasks extension để giải quyết loại công việc này.
Thay vì chờ kết quả cuối cùng, Server có thể trả về một mã Task.
Ví dụ:
TASK-10328
Client có thể hỏi:
Task đã hoàn thành chưa?
Hoặc:
Task đang ở trạng thái nào?
Hoặc:
Hủy Task.
Tasks hiện được thiết kế như phần mở rộng dành cho những công việc chạy lâu, workflow có bước phê duyệt hoặc những tình huống kết nối có thể bị gián đoạn.
Đây là một dấu hiệu cho thấy MCP đang tiến xa hơn một giao thức gọi function đơn giản.
25. MCP Apps: khi AI không chỉ trả về văn bản
Một chatbot thường trả về chữ.
Nhưng nhiều công việc không phù hợp để chỉ hiển thị bằng văn bản.
Ví dụ người dùng hỏi:
Cho tôi xem doanh thu theo tháng.
AI có thể viết:
Tháng 1: 10 tỷ. Tháng 2: 11 tỷ. Tháng 3: 9 tỷ...
Nhưng một biểu đồ sẽ dễ hiểu hơn.
MCP Apps cho phép MCP Server cung cấp các giao diện tương tác có thể hiển thị ngay trong cuộc trò chuyện, chẳng hạn:
Dashboard.
Biểu đồ.
Form.
Video.
Workflow nhiều bước.
MCP Apps được đưa thành official extension đầu tiên vào tháng 1/2026.
Điều này mở ra một thay đổi đáng chú ý.
AI application tương lai có thể không chỉ là:
User hỏi → AI trả một đoạn text.
Nó có thể vừa trò chuyện, vừa hiển thị dashboard, vừa cho người dùng chỉnh form và xác nhận hành động.
26. Bảo mật MCP
Đây là phần quan trọng nhất nếu MCP được đưa vào doanh nghiệp.
Giả sử Agent có Tool:
get_customer
Rủi ro có thể tương đối thấp nếu chỉ đọc dữ liệu được phép.
Nhưng Tool:
delete_customer
nguy hiểm hơn rất nhiều.
Tool:
transfer_money
còn nhạy cảm hơn.
Vì vậy một MCP Server tốt phải trả lời được các câu hỏi:
Ai đang gọi?
Người đó được phép dùng Tool nào?
Được xem dữ liệu nào?
Có được thay đổi dữ liệu không?
Tool này có cần người duyệt không?
MCP đã phát triển các cơ chế authorization cho môi trường qua HTTP và tiếp tục tăng cường phần security trong các phiên bản mới. Phiên bản 2026-07-28 có nhiều thay đổi nhằm đưa authorization gần hơn với các cách triển khai OAuth hiện đại.
Bảo mật không nên chỉ nằm trong prompt.
Nếu system prompt nói:
Không được xem dữ liệu của công ty khác.
vẫn chưa đủ.
Server phía dưới phải thực sự kiểm tra quyền.
27. Tool chỉ đọc và Tool thay đổi dữ liệu
Một cách dễ hiểu để thiết kế MCP Tools là chia chúng thành hai nhóm.
Nó liên quan trực tiếp đến cách doanh nghiệp quyết định:
AI được phép làm tới đâu.
28. Human-in-the-loop
Human-in-the-loop nghe có vẻ là thuật ngữ phức tạp.
Ý nghĩa rất đơn giản:
Có những hành động AI đề xuất nhưng con người phải xác nhận trước khi thực hiện.
Ví dụ AI Agent phát hiện khách hàng cần refund 120 triệu.
Agent có thể chuẩn bị:
Số tiền.
Lý do.
Thông tin order.
Lịch sử giao dịch.
Nhưng không tự hoàn tiền.
Finance Manager nhìn đề xuất.
Nhấn Approve.
Tool mới được thực hiện.
OpenAI Agents SDK hiện hỗ trợ approval flows khi sử dụng MCP Tools và khuyến nghị sử dụng quyền tối thiểu cần thiết, chỉ kết nối các Server đáng tin và yêu cầu approval với hành động nhạy cảm.
Đây không phải dấu hiệu AI yếu.
Đây là cách thiết kế hệ thống có trách nhiệm.
29. MCP trong doanh nghiệp
Một developer cá nhân có thể kết nối 3 MCP Servers và tự quản.
Doanh nghiệp lớn thì khác.
Có thể có:
500 MCP Servers.
10.000 nhân viên.
200 AI Agents.
Hàng nghìn Tools.
Lúc đó cần trả lời:
Ai sở hữu Server này?
Server đã được Security kiểm tra chưa?
Nhân viên nào được sử dụng?
Khi nhân viên nghỉ việc thì thu hồi quyền thế nào?
Agent nào đang gọi Tool nào?
Có log không?
Có audit không?
MCP đã phát triển Enterprise-Managed Authorization để doanh nghiệp có thể quản lý quyền truy cập MCP thông qua hệ thống danh tính đang có, thay vì bắt từng nhân viên tự cấp quyền riêng cho từng Server.
Ví dụ doanh nghiệp dùng hệ thống đăng nhập nội bộ.
Nhân viên Finance đăng nhập.
Hệ thống biết nhân viên thuộc nhóm Finance.
Finance MCP Server được cho phép.
Nhân viên Marketing không thuộc nhóm đó thì không được truy cập.
Đây là lúc MCP bắt đầu trở thành một phần của hạ tầng AI doanh nghiệp, chứ không còn chỉ là công cụ cho developer.
30. MCP Registry là gì?
Khi chỉ có vài MCP Servers, người dùng có thể tự ghi địa chỉ của từng Server.
Khi ecosystem có hàng nghìn Servers, xuất hiện câu hỏi:
Tìm MCP Server ở đâu?
Official MCP Registry được xây như một dịch vụ cộng đồng để công bố và tìm kiếm MCP Servers.
Có thể hiểu Registry như một danh bạ.
Một Server có thể công bố:
Tên.
Phiên bản.
Thông tin package.
Thông tin kết nối.
Metadata cần thiết.
Tuy nhiên cần hiểu rất rõ:
Có mặt trên Registry không đồng nghĩa với được chứng nhận an toàn.
Một doanh nghiệp vẫn phải tự đánh giá:
Ai phát triển Server?
Server cần quyền gì?
Dữ liệu đi đâu?
Có log lại dữ liệu không?
Có đáng tin không?
Registry giải quyết bài toán tìm kiếm.
Không tự giải quyết bài toán niềm tin.
31. MCP kết hợp với OpenAI Agents SDK
OpenAI Agents SDK hiện hỗ trợ MCP trực tiếp.
Agent có thể kết nối MCP Server và sử dụng Tools mà Server cung cấp.
Có ba cách phổ biến cần biết.
Hosted MCP
Remote MCP Server được gọi thông qua OpenAI Responses API.
Streamable HTTP
Ứng dụng kết nối MCP Server qua HTTP.
Server có thể chạy local hoặc remote.
stdio
Ứng dụng chạy một MCP Server local rồi giao tiếp trực tiếp với chương trình đó.
OpenAI Agents SDK còn hỗ trợ nhiều khả năng thực tế như:
Lọc Tools.
Approval.
Caching.
Tracing.
Quản lý nhiều MCP Servers.
Điều này cho thấy MCP đang được xem như một phần tự nhiên của Agent architecture, thay vì một integration đặc biệt phải tự xây từ đầu.
Phát hiện cả hai sản phẩm đều từng hết hàng trong ngày.
Agent có thể kết luận:
Doanh thu giảm chủ yếu tại TP.HCM và dữ liệu cho thấy tình trạng hết hàng của hai sản phẩm chủ lực là một nguyên nhân đáng chú ý.
Trong ví dụ này:
LLM thực hiện phần phân tích và lựa chọn bước tiếp theo.
MCP giúp Agent lấy dữ liệu.
Data Platform vẫn là nơi giữ dữ liệu thật.
Đây là cách các lớp phối hợp với nhau.
34. Case Study: MCP Platform trong doanh nghiệp
Hãy hình dung một doanh nghiệp có:
CRM.
ERP.
HR.
Data Warehouse.
Google Drive.
Email.
Thay vì cho từng Agent kết nối trực tiếp toàn bộ hệ thống, doanh nghiệp có thể xây:
CRM MCP Server
cung cấp customer, opportunity, order.
Finance MCP Server
cung cấp invoice, payment, budget.
Data MCP Server
cung cấp business metrics.
Document MCP Server
cung cấp policies và documents.
Sau đó:
Sales Agent dùng CRM.
Finance Agent dùng Finance và Data.
Executive Agent dùng CRM, Finance và Data nhưng chủ yếu ở chế độ đọc.
Customer Service Agent dùng CRM và Orders.
Permission được áp theo từng nhóm.
Lúc này MCP bắt đầu đóng vai trò giống:
Một lớp kết nối chung giữa đội quân AI Agents và hệ thống phần mềm của doanh nghiệp.
Đây có thể là một trong những use case quan trọng nhất của MCP trong vài năm tới.
35. Khi nào nên dùng MCP?
MCP đặc biệt đáng cân nhắc khi hệ thống có một hoặc nhiều đặc điểm sau.
Nhiều AI applications cần dùng chung một integration.
Có nhiều Tools.
Có nhiều nguồn dữ liệu.
Muốn thay model mà không phải viết lại toàn bộ backend integration.
Muốn tạo một Tool Platform dùng chung.
Muốn kiểm soát permissions tập trung.
Muốn AI applications dễ kết nối với hệ thống doanh nghiệp.
Ví dụ một công ty chỉ cần xây CRM MCP Server một lần.
Sau đó có thể cho:
Chat Assistant.
Sales Agent.
Executive Agent.
Customer Service Agent.
sử dụng lại.
Đó là giá trị của chuẩn hóa.
36. Khi nào không cần MCP?
Không phải ứng dụng AI nào cũng cần MCP.
Giả sử một application chỉ có một chức năng:
User nhập Invoice ID.
Backend gọi API.
Model tóm tắt kết quả.
Nếu chỉ có một integration và không có nhu cầu tái sử dụng, direct Tool Calling có thể đơn giản hơn.
Nếu hai backend services đang giao tiếp với nhau hoàn toàn bằng code, không có AI tham gia, REST hoặc gRPC vẫn phù hợp.
Nếu hệ thống chỉ có vài functions nội bộ và team không cần interoperability, thêm MCP có thể tạo thêm complexity.
Một nguyên tắc tốt là:
Không dùng MCP chỉ vì MCP đang nổi.
Hãy dùng khi nó thực sự giúp giảm complexity hoặc tạo khả năng tái sử dụng.
37. Những sai lầm phổ biến
Sai lầm 1: MCP sẽ thay API
Không.
MCP thường sử dụng API phía dưới.
Sai lầm 2: Càng nhiều Tools càng tốt
Không.
Nên expose đúng Tools Agent cần.
Sai lầm 3: Mọi Tool đều được quyền chạy tự động
Không.
Tool ghi dữ liệu và Tool nhạy cảm có thể cần approval.
Sai lầm 4: Dùng prompt để thay authorization
Prompt không phải security system.
Server phải kiểm tra quyền thật.
Sai lầm 5: Tool trả tất cả bằng văn bản
Dữ liệu có cấu trúc nên trả về có cấu trúc.
Sai lầm 6: Cắm MCP Server lạ rồi cấp toàn bộ quyền
Đây là rủi ro rất lớn.
OpenAI cũng cảnh báo MCP Tools có thể truy cập dữ liệu và thực hiện hành động bằng credentials application cung cấp, vì vậy chỉ nên kết nối Server đáng tin.
Sai lầm 7: Học MCP mà không biết API
MCP không làm kiến thức API biến mất.
Ngược lại, để xây MCP production tốt vẫn cần hiểu:
HTTP.
Authentication.
Database.
Error handling.
Retries.
Security.
Sai lầm 8: Xây MCP trước khi hiểu bài toán
Đôi khi một function bình thường đủ giải quyết.
Không cần biến mọi integration thành MCP.
38. Roadmap học MCP
Giai đoạn 1: Hiểu API cơ bản
Học:
HTTP.
Request.
Response.
JSON.
REST.
Authentication.
Không cần cực sâu.
Nhưng phải hiểu application gọi một API như thế nào.
Giai đoạn 2: Hiểu MCP Server và Client
Chỉ cần nhớ:
Server cung cấp.
Client kết nối.
Agent sử dụng.
Giai đoạn 3: Xây MCP Server đầu tiên
Tạo hai Tools:
get_customer
list_orders
Ban đầu dữ liệu có thể fake.
Mục tiêu là hiểu Tool Calling.
Giai đoạn 4: Kết nối database thật
Dùng PostgreSQL.
Tool:
get_customer
query database.
Thêm validation.
Giai đoạn 5: Thêm Tool ghi dữ liệu
Ví dụ:
create_note
Lúc này bắt đầu học permission.
Giai đoạn 6: Kết nối AI Agent
Cho OpenAI Agents SDK hoặc Agent framework khác sử dụng MCP Server.
Quan sát Agent chọn Tool.
Giai đoạn 7: Deploy qua HTTP
Đưa Server lên cloud.
Thêm:
HTTPS.
Authentication.
Logging.
Rate limiting.
Giai đoạn 8: Học bảo mật
Đảm bảo:
User A không xem được dữ liệu User B.
Sales Agent không có quyền Finance.
Agent không có quyền cao hơn user.
Giai đoạn 9: Học vận hành
Monitoring.
Tracing.
Caching.
Load balancing.
Versioning.
Retries.
Giai đoạn 10: Xây dự án hoàn chỉnh
Một project tốt có thể gồm:
CRM MCP Server.
Data MCP Server.
Document MCP Server.
Hai AI Agents.
Permissions khác nhau.
Tool chỉ đọc.
Tool ghi dữ liệu.
Human approval.
Audit logs.
Khi làm tới đây, MCP không còn là một tutorial.
Nó trở thành một phần của Software Architecture.
39. MCP sẽ phát triển thế nào trong năm 2027?
Roadmap MCP công bố ngày 22/8/2026 cho thấy dự án đang tập trung vào một số hướng lớn.
Thứ nhất là hỗ trợ tốt hơn những Agent workflows phức tạp và chạy dài.
Thứ hai là tiếp tục làm MCP hoạt động tự nhiên hơn trên HTTP và các hạ tầng web quen thuộc.
Thứ ba là Agent Identity và Enterprise Security.
Thứ tư là cải thiện Tools, Resources và các khả năng nền tảng.
Thứ năm là cải thiện trải nghiệm developer và các SDK.
Agent Identity đặc biệt đáng chú ý.
Trước đây hệ thống thường hỏi:
User này là ai?
Trong thời AI Agents, còn phải hỏi:
Agent này là ai?
Agent đang đại diện cho user nào?
Agent được quyền sử dụng Tools nào?
Action này do user yêu cầu hay Agent tự quyết định?
Ai chịu trách nhiệm nếu action sai?
Đây không còn là chuyện riêng của MCP.
Nó là một trong những bài toán lớn của enterprise AI.
MCP đang dần tiến vào đúng khu vực này.
40. Kết luận
MCP rất dễ trở nên khó hiểu nếu bắt đầu từ documentation.
JSON-RPC.
Transport.
Capabilities.
Extensions.
Authorization.
Tool schemas.
Stateless.
Tasks.
Nhưng nếu bỏ những thuật ngữ đó sang một bên, ý tưởng chính lại khá đơn giản.
AI rất thông minh.
Nhưng AI không tự biết dữ liệu doanh nghiệp đang nằm đâu.
Nó không tự biết cách gọi CRM.
Không tự biết cách đọc ERP.
Không tự có quyền gửi email.
Không tự được phép tạo order.
Muốn AI làm việc thật, cần một lớp kết nối.
MCP cố tạo một chuẩn chung cho lớp kết nối đó.
Một MCP Server có thể nói với AI:
Tôi có thể giúp bạn lấy thông tin khách hàng.
Tôi có thể kiểm tra đơn hàng.
Tôi có thể tìm tài liệu.
Tôi có thể tạo ghi chú.
AI nhìn những khả năng đó.
Khi cần, nó chọn một Tool.
Server thực hiện.
Kết quả quay về AI.
Ở quy mô nhỏ, đây chỉ là Tool Calling.
Ở quy mô doanh nghiệp, vấn đề trở nên lớn hơn rất nhiều.
Có thể có hàng trăm Agents.
Hàng nghìn Tools.
Hàng trăm hệ thống.
Lúc đó cần:
Identity.
Permissions.
Security.
Approval.
Registry.
Monitoring.
Caching.
Load balancing.
Audit.
Governance.
Đây là lý do MCP đang thay đổi từ một công nghệ kết nối khá đơn giản thành một phần của Agent Infrastructure.
MCP không thay thế LLM.
MCP không thay Agent framework.
MCP không thay API.
MCP không thay database.
Mỗi thành phần có một vai trò.
Có thể hiểu tổng thể như sau:
LLM giúp AI hiểu và suy luận. Agent quyết định cần làm gì tiếp theo. MCP giúp Agent sử dụng dữ liệu và công cụ. Các hệ thống doanh nghiệp phía dưới mới là nơi dữ liệu và công việc thật tồn tại.
Nếu AI Agents thực sự trở thành một phần phổ biến của phần mềm doanh nghiệp trong vài năm tới, một câu hỏi sẽ xuất hiện ngày càng nhiều:
Làm sao cho tất cả các Agents đó truy cập dữ liệu và Tools theo một cách thống nhất, an toàn và có thể quản lý?
MCP đang cố trở thành một phần của câu trả lời.
41. Tài liệu tham khảo
Anthropic, Introducing the Model Context Protocol, November 2024. Bài công bố MCP ban đầu và vấn đề kết nối AI với các hệ thống dữ liệu.
Model Context Protocol, The 2026-07-28 Specification. Phiên bản quan trọng đưa MCP core theo hướng stateless, bổ sung discovery, caching, routing và authorization improvements.
Model Context Protocol, The New MCP Roadmap, August 2026. Roadmap về Agent communication, transport, identity, enterprise security và SDKs.
Model Context Protocol, Server Overview. Tài liệu chính thức về Tools, Resources và Prompts.
Model Context Protocol, Tools. Tài liệu về cách Server cung cấp Tools cho model sử dụng.
Model Context Protocol, Extensions Overview. Giải thích các phần mở rộng của MCP và cách bổ sung capability mà không làm core protocol phình to.
MCP Tasks Extension. Cơ chế dành cho công việc dài, xử lý bất đồng bộ, approval và các workflow không thể giữ connection liên tục.
MCP Apps. Phần mở rộng cho phép Tools cung cấp dashboard, form, visualization và giao diện tương tác trong AI application.
Enterprise-Managed Authorization. Cơ chế quản lý quyền truy cập MCP tập trung thông qua hệ thống danh tính doanh nghiệp.
Official MCP Registry. Dịch vụ cộng đồng dành cho việc công bố và tìm kiếm MCP Servers.
OpenAI Agents SDK, Model Context Protocol. Tài liệu về Hosted MCP, Streamable HTTP, stdio, Tool filtering, approval, caching và tracing.
OpenAI Agents SDK. Tài liệu tổng quan về Agents, Tools, Handoffs và Guardrails.
MCP TypeScript SDK v2, Support for Protocol Revision 2026-07-28. Hướng dẫn kỹ thuật dành cho phiên bản MCP mới.
Model Context Protocol, MCP Apps Extension. Tài liệu chi tiết về cách đưa giao diện tương tác vào MCP clients.
Model Context Protocol Blog, Understanding MCP Extensions. Giải thích cách MCP giữ phần lõi ổn định nhưng vẫn có thể phát triển các tính năng mới.
