MCP Protocol: Как подключить Claude AI к вашей CRM за 2 недели

В этой статье я покажу, как за 2 недели создать MCP-сервер для интеграции Claude AI с AmoCRM. Вы узнаете:

• Что такое MCP Protocol и почему это проще, чем кажется

• Как создать простой MCP-сервер на Python

• Как подключить его к CRM

• Реальный кейс: -83% времени на обработку лидов, ROI 340%

Проблема: Почему интеграция AI с бизнес-системами такая сложная?

Представьте: вы хотите, чтобы ChatGPT или Claude помогал вашим менеджерам работать с CRM. Звучит просто, правда?

На практике оказывается сложнее. Вам нужно:

1. Написать API wrapper для вашей CRM

2. Создать промпты для LLM

3. Синхронизировать данные между системами

4. Обрабатывать ошибки

5. Масштабировать всё это

6. Поддерживать при обновлениях

На это уходит 2-3 месяца разработки.

И самое неприятное: если через год вы захотите подключить другую LLM (скажем, переехать с GPT на Claude), придется переписывать половину кода заново.

Решение: MCP Protocol — стандарт интеграции AI

В конце 2024 года Anthropic (создатели Claude) представили Model Context Protocol. Это открытый стандарт для интеграции LLM с внешними системами.

Простыми словами: MCP — это как HTTP для AI.

Вспомните, как работает веб. Раньше каждый браузер по-своему подключался к серверам. Появление HTTP стандартизировало это — теперь один сервер работает со всеми браузерами.

MCP делает то же самое для AI. Вы один раз пишете MCP-сервер для своей CRM, и он работает с:

• Claude AI

• ChatGPT

• Любой другой LLM, поддерживающей MCP

Как это работает на практике

Представьте диалог менеджера с AI:

Менеджер: «Найди контакт Иван Петров и покажи все его сделки»

Claude (через MCP):

1. Понимает запрос

2. Вызывает функцию search_contact(«Иван Петров») через MCP-сервер

3. Получает ID контакта

4. Вызывает функцию get_deals(contact_id) через MCP-сервер

5. Форматирует результат красиво для менеджера

Менеджер видит:

Иван Петров Email: ivan@example.com Телефон: +7 999 123-45-67 Сделки: 1. «Покупка ПО» — 150,000₽ — В работе 2. «Консультация» — 50,000₽ — Закрыта 3. «Внедрение» — 300,000₽ — Обсуждение Последний контакт: 2 дня назад

Время: 10 секунд вместо 5 минут ручного поиска.

Создаем свой первый MCP-сервер

Давайте создадим простой MCP-сервер для AmoCRM. Понадобится только Python и базовые знания API.

Шаг 1: Установка зависимостей

pip install mcp anthropic fastapi aiohttp python-dotenv

Что мы установили:

• mcp — SDK для создания MCP-серверов

• anthropic — для работы с Claude AI

• fastapi — веб-фреймворк (MCP-сервер это HTTP сервер)

• aiohttp — для запросов к API AmoCRM

Шаг 2: Получаем токен AmoCRM

Заходим в настройки AmoCRM → Интеграции → API → Создаем токен.

Сохраняем в .env:

AMOCRM_TOKEN=your_token_here AMOCRM_DOMAIN=yourcompany.amocrm.ru

Шаг 3: Создаем MCP-сервер

Создайте файл amocrm_mcp_server.py:

from mcp import MCPServer, Tool from fastapi import FastAPI import aiohttp import os from dotenv import load_dotenv load_dotenv() # Настройки AmoCRM AMOCRM_TOKEN = os.getenv(«AMOCRM_TOKEN») AMOCRM_DOMAIN = os.getenv(«AMOCRM_DOMAIN») AMOCRM_URL = f»https://{AMOCRM_DOMAIN}» # Создаем FastAPI приложение app = FastAPI() # Создаем MCP-сервер mcp_server = MCPServer(name=»amocrm-integration») # Инструмент 1: Поиск контакта @mcp_server.tool() async def search_contact(query: str) -> dict: «»» Ищет контакт в AmoCRM по имени, email или телефону. AI-агент использует эту функцию, когда менеджер просит «найди контакт Иван Петров». «»» async with aiohttp.ClientSession() as session: headers = {«Authorization»: f»Bearer {AMOCRM_TOKEN}»} url = f»{AMOCRM_URL}/api/v4/contacts» params = {«query»: query} async with session.get(url, headers=headers, params=params) as resp: if resp.status != 200: return {«error»: «Не удалось найти контакт»} data = await resp.json() contacts = data.get(«_embedded», {}).get(«contacts», []) # Возвращаем только нужные поля return { «contacts»: [ { «id»: c[«id»], «name»: c[«name»], «email»: get_field(c, «EMAIL»), «phone»: get_field(c, «PHONE») } for c in contacts ] } # Вспомогательная функция для извлечения полей def get_field(contact, field_code): «»»Достает email или телефон из custom_fields_values»»» custom_fields = contact.get(«custom_fields_values», []) for field in custom_fields: if field.get(«field_code») == field_code: values = field.get(«values», []) return values[0].get(«value») if values else None return None # Инструмент 2: Получение сделок контакта @mcp_server.tool() async def get_contact_deals(contact_id: int) -> dict: «»» Получает все сделки контакта из AmoCRM. Показывает историю взаимодействия с клиентом. «»» async with aiohttp.ClientSession() as session: headers = {«Authorization»: f»Bearer {AMOCRM_TOKEN}»} url = f»{AMOCRM_URL}/api/v4/leads» params = {«filter[contacts][id]»: contact_id} async with session.get(url, headers=headers, params=params) as resp: if resp.status != 200: return {«error»: «Не удалось получить сделки»} data = await resp.json() deals = data.get(«_embedded», {}).get(«leads», []) return { «deals»: [ { «id»: d[«id»], «name»: d[«name»], «price»: d[«price»], «status_id»: d[«status_id»], «created_at»: d[«created_at»] } for d in deals ] } # Запускаем сервер if __name__ == «__main__»: import uvicorn uvicorn.run(app, host=»0.0.0.0″, port=8000)

Что мы создали?

Мы написали HTTP сервер с двумя функциями:

1. search_contact — ищет контакт в CRM

2. get_contact_deals — показывает сделки контакта

Это и есть MCP-сервер! Всего 80 строк кода.

Шаг 4: Подключаем к Claude AI

Теперь создадим клиента, который соединит Claude с нашим MCP-сервером:

# client.py from anthropic import Anthropic from mcp import MCPClient # Подключаемся к нашему MCP-серверу mcp_client = MCPClient(«http://localhost:8000″) # Создаем клиента Claude client = Anthropic(api_key=»ваш_ключ_claude») # Теперь можно задавать вопросы response = client.messages.create( model=»claude-3-5-sonnet-20241022″, mcp_servers=[mcp_client], # Даем Claude доступ к нашему серверу messages=[{ «role»: «user», «content»: «Найди контакт Иван Петров и покажи его сделки» }] ) print(response.content)

Запускаем:

# Терминал 1: Запускаем MCP-сервер python amocrm_mcp_server.py # Терминал 2: Запускаем клиента python client.py

Результат:

Нашел контакт: Иван Петров Email: ivan@example.com Телефон: +7 999 123-45-67 У него 3 сделки: 1. «Покупка ПО» — 150,000₽ — В работе (ID: 12345) 2. «Консультация» — 50,000₽ — Закрыта (ID: 12344) 3. «Внедрение» — 300,000₽ — Обсуждение (ID: 12346)

Магия! Claude сам вызвал нужные функции, получил данные и красиво их отформатировал.

Реальный кейс: E-commerce компания

Давайте посмотрим, как это работает в production.

До внедрения:

Процесс обработки лида:

1. Заявка падает на сайт → 2 минуты (вручную смотрим)

2. Ищем компанию в Google → 5 минут

3. Смотрим LinkedIn, сайт → 8 минут

4. Создаем контакт в CRM → 3 минуты

5. Записываем всю найденную информацию → 5 минут

6. Пишем персонализированное письмо → 10 минут

Итого: 30 минут на один лид.

При 50 лидах в день:

• 25 часов работы

• 2 менеджера по 8 часов = 16 часов

• Физически не успевают

Результат:

• Лиды теряются

• Ответ через 1-2 дня (клиент уже у конкурентов)

• Конверсия: 12%

После внедрения MCP:

Новый процесс:

1. Заявка → AI-агент автоматически:

   • Ищет компанию (Google, LinkedIn)

   • Определяет размер, отрасль

   • Квалифицирует лид (A/B/C)

   • Создает контакт в CRM

   • Генерирует персонализированное письмо

   • Все это за 30 секунд

2. Менеджер получает:

   • Готовый brief о клиенте

   • Готовое письмо

   • Приоритет (A/B/C)

   • Время менеджера: 5 минут (просто проверить и отправить)

Результаты за 3 месяца:

• Время обработки: 30 мин → 5 мин (-83%)

• Конверсия: 12% → 18% (+50%, быстрый ответ работает!)

• Экономия: 15 часов/неделю команды

• ROI: 340%

Стоимость проекта: 160,000₽
Окупилось за: 2 месяца

Как это устроено внутри

Давайте разберем, что происходит, когда менеджер спрашивает Claude: «Покажи информацию о компании ООО Ромашка»

1. Claude получает запрос

Claude — это просто языковая модель. Она не знает про вашу CRM, клиентов или сделки. Она видит только текст вашего вопроса.

Но благодаря MCP, Claude знает, что есть доступные инструменты:

• search_contact(query) — поиск контакта

• get_contact_deals(contact_id) — получить сделки

• create_task(contact_id, text) — создать задачу

2. Claude планирует действия

Claude думает: «Мне нужно найти компанию. Есть функция search_contact. Использую её.»

И вызывает:

search_contact(«ООО Ромашка»)

3. MCP-сервер обрабатывает запрос

Наш Python сервер получает вызов функции и делает HTTP запрос к AmoCRM API:

GET https://yourcompany.amocrm.ru/api/v4/contacts?query=ООО Ромашка Authorization: Bearer your_token

AmoCRM возвращает данные. МЦП-сервер форматирует их и отдает обратно Claude.

4. Claude получает данные

Claude видит:

{ «contacts»: [{ «id»: 12345, «name»: «ООО Ромашка», «email»: «info@romashka.ru», «phone»: «+7 495 123-45-67» }] }

5. Claude думает дальше

«Нашел контакт. ID = 12345. Теперь нужны сделки. Есть функция get_contact_deals.»

Вызывает:

get_contact_deals(12345)

6. Процесс повторяется

MCP-сервер запрашивает сделки из AmoCRM, возвращает Claude.

7. Claude форматирует ответ

Получив все данные, Claude пишет красивый ответ менеджеру:

ООО Ромашка ━━━━━━━━━━━━━━━ Контакт: Иван Иванов Email: info@romashka.ru Телефон: +7 495 123-45-67 Сделки (3): 1. «Покупка ПО» — 150,000₽ — В работе Создана: 15 октября 2. «Консультация» — 50,000₽ — Закрыта Оплачена: 1 ноября 3. «Внедрение» — 300,000₽ — Обсуждение Создана: 5 ноября Рекомендация: Связаться по сделке «Внедрение» — прошло 3 дня с момента создания.

Весь этот процесс занял 5-10 секунд.

Почему это быстрее обычного подхода

Обычный подход (без MCP):

# Нужно писать специфичный код для каждой LLM def process_with_gpt(query): # Код для GPT prompt = f»Найди контакт: {query}» response = openai.ChatCompletion.create(…) # Парсим ответ (GPT вернет текст) contact_name = extract_from_text(response) # Делаем запрос к CRM contact = crm_api.search(contact_name) # Формируем ответ для GPT context = format_contact(contact) # Запрашиваем GPT снова с контекстом final = openai.ChatCompletion.create(context=context) return final # Если захотим Claude — переписываем заново!

Проблемы:

• Много кода

• Сложная логика парсинга

• Привязка к одной LLM

• Сложно масштабировать

С MCP:

@mcp_server.tool() async def search_contact(query: str) -> dict: «»»Ищет контакт. Всё.»»» return await crm_api.search(query)

Преимущества:

• Минимум кода

• Работает с любой LLM

• Claude сам решает, когда вызывать

• Легко добавлять новые функции

Что можно сделать дальше

Базовый MCP-сервер готов. Теперь можно расширять возможности:

Обогащение лидов:

@mcp_server.tool() async def enrich_lead(company_name: str) -> dict: «»» Автоматически ищет информацию о компании: — Сайт компании — Количество сотрудников (LinkedIn) — Недавние новости — ЛПР (кто принимает решения) «»» # Поиск в интернете google_data = await search_google(company_name) linkedin_data = await search_linkedin(company_name) return { «company»: company_name, «website»: google_data.get(«website»), «employees»: linkedin_data.get(«size»), «decision_makers»: linkedin_data.get(«people») }

Теперь AI может автоматически обогащать каждый лид полезной информацией.

Генерация писем:

@mcp_server.resource(«email-templates») async def get_email_templates() -> str: «»» Возвращает шаблоны писем для разных ситуаций. AI использует их как reference при генерации персонализированных писем. «»» return «»» # Шаблоны писем ## Первый контакт с лидом: Тема: [Имя], решение для [проблема] в [Компания] Привет, [Имя]! Заметил, что в [Компания] используете [система]. Мы помогли [похожей компании] [результат]. Интересно обсудить? ## Follow-up через 3 дня: … «»»

Claude будет использовать эти шаблоны как основу, но персонализировать под каждого клиента.

Аналитика и отчеты:

@mcp_server.tool() async def generate_weekly_report() -> dict: «»» Генерирует еженедельный отчет по продажам: — Сколько лидов — Конверсия — Средний чек — Топ менеджеры «»» # Получаем данные за неделю leads = await get_leads_this_week() deals = await get_closed_deals() return { «leads»: len(leads), «conversion»: len(deals) / len(leads) * 100, «avg_deal»: sum(d.price for d in deals) / len(deals) }

Теперь менеджер может просто написать: «Покажи отчет за неделю», и Claude сгенерирует его за секунды.

Метрики: До и После

Было (без AI):

Поиск клиента:

• Открыть CRM → 10 секунд

• Ввести имя → 5 секунд

• Найти нужного (если несколько) → 30 секунд

• Открыть карточку → 5 секунд

• Посмотреть сделки → 20 секунд

• Прочитать историю → 2 минуты Итого: 3-5 минут

Подготовка письма:

• Вспомнить контекст → 2 минуты

• Найти похожее письмо → 3 минуты

• Переделать под клиента → 5 минут

• Проверить → 2 минуты Итого: 10-12 минут

Создание отчета:

• Выгрузить данные из CRM → 5 минут

• Открыть Excel → 1 минута

• Посчитать метрики → 10 минут

• Создать графики → 15 минут

• Форматировать → 10 минут Итого: 40-45 минут

Стало (с MCP + Claude):

Поиск клиента:

• «Покажи Иван Петров» → Claude показывает Итого: 10 секунд

Подготовка письма:

• «Напиши письмо Ивану про наше решение» → Claude генерирует Итого: 20 секунд

Создание отчета:

• «Покажи отчет за неделю» → Claude создает Итого: 15 секунд

Экономия времени:

Поиск: 3 мин → 10 сек (-95%) Письмо: 10 мин → 20 сек (-97%) Отчет: 40 мин → 15 сек (-99%) При 20 лидах в день и 5 отчетах в неделю: Было: 20×13 мин + 5×40 мин = 260 + 200 = 460 мин/нед (7.6 часов) Стало: 20×30 сек + 5×15 сек = 10 + 1.25 = 11.25 мин/нед (0.2 часа) Экономия: 7.4 часа/неделю на одного менеджера При 2 менеджерах: 14.8 часов/неделю За месяц: ~60 часов За год: ~720 часов = 4.5 месяца работы!

Что дальше?

Расширение функционала:

1. Добавьте больше инструментов:

• Создание сделок

• Обновление контактов

• Отправка email через CRM

• Планирование задач

2. Подключите другие системы:

• 1C

• Битрикс24

• Jira

• Google Sheets

• PostgreSQL

3. Сделайте умнее:

• Квалификация лидов (A/B/C)

• Автоматический scoring

• Прогнозирование сделок

• Поиск аномалий

Деплой в production:

# Используйте Docker docker build -t mcp-amocrm . docker run -p 8000:8000 mcp-amocrm # Или systemd service на сервере sudo systemctl enable mcp-amocrm sudo systemctl start mcp-amocrm

Безопасность:

# Добавьте авторизацию from fastapi import Header, HTTPException @app.middleware(«http») async def verify_token(request: Request, call_next): token = request.headers.get(«Authorization») if token != f»Bearer {MCP_SECRET_KEY}»: raise HTTPException(status_code=401) return await call_next(request)

Выводы

MCP Protocol — это действительно прорыв в интеграции AI с бизнес-системами.

Что мы получаем:

Быстро: 1-2 недели вместо 2-3 месяцев
Просто: 80 строк кода вместо тысяч
Стандартно: Работает с любыми LLM
Безопасно: Данные в вашей инфраструктуре
Масштабируемо: Легко добавлять новые функции

Когда использовать:

• Нужна интеграция LLM с корпоративными системами

• Хотите AI-ассистента с доступом к данным

• Автоматизация рутинных задач менеджеров/аналитиков

• Множество однотипных запросов к базам

Когда НЕ использовать:

• Простые задачи (ChatGPT через API хватит)

• Нет повторяющихся операций

• Мало данных (10-20 записей)

Полезные ссылки

• MCP Documentation

• Anthropic MCP GitHub

• Больше кейсов

• Еще больше кейсов в ТГ

Источник: habr.com