Настройка ИИ-агента из терминала: MCP-сервер Савви для Claude Code, Codex и Cursor

Кто хоть раз собирал агента руками, знает этот маршрут: вкладка с инструкцией, вкладка с базой знаний, действия, переменные, тестовый чат — и так по кругу. Даже у опытного интегратора несложный бот съедает около двух часов. Под эту рутину мы сделали MCP-сервер: значительную часть работы можно отдать ИИ-ассистенту прямо в терминале — Claude Code, Codex или Cursor.

Что такое MCP-сервер и при чём тут терминал

MCP (Model Context Protocol) — открытый протокол, по которому ИИ-ассистенты подключаются к внешним инструментам. Наш MCP-сервер открывает ассистенту те же операции, что доступны в личном кабинете Савви: создание агентов, база знаний, действия, таблицы, тестовые диалоги.

Подойдёт любой ассистент с поддержкой MCP: Claude Code, Cursor, Windsurf, VS Code, JetBrains AI Assistant, OpenAI Codex, Gemini CLI, GitHub Copilot и другие. Практический смысл простой: настраивать агента можно из привычной рабочей среды, не переключаясь в браузер.

Официальный способ подключения — плагин, который ставит сразу и MCP-сервер, и agent skill (инструкции для ассистента о том, как правильно работать с Савви):

`` /plugin marketplace add suvvyai/agent-skill /plugin install suvvy-mcp@suvvy-plugins ``

Если плагин не нужен, есть прямое подключение одной командой:

`` claude mcp add --scope user --transport http suvvy https://api.suvvy.ai/mcp ``

Дальше задача формулируется обычным языком — ассистент сам выбирает, какие инструменты Савви вызвать.

Окно AI-ассистента Claude Code для настройки агентов Савви

~5 минут

занимает настройка типового агента через ассистента с MCP

~2 часа

уходило на ту же работу ручными кликами по вкладкам кабинета

Что можно поручить ассистенту

В связке с MCP-сервером ассистент закрывает основные этапы настройки:

Агент по ТЗ. Описываете задачу бизнеса словами — ассистент составляет план, создаёт агента, пишет инструкцию и собирает стартовую базу знаний.
Разбор сайта клиента. Ассистент обходит сайт, достаёт услуги, цены и частые вопросы и превращает это в базу знаний — без ручного копирования текстов.
Таблицы. Прайс-листы, каталоги и расписания собираются под структуру, которую ожидает платформа.
Вебхуки и API. Обмены с внешними системами: от приёма заявок до уведомлений менеджеру в Telegram.
Тестирование. Прогон диалогов «от лица клиента» и проверка, что агент ведёт себя по сценарию.
Поиск ошибок. Ассистент замечает, где агент путается или не вызывает нужную функцию, и сам правит инструкцию.

Это штатный цикл работы MCP-агента из нашей документации: создать агента с нуля или из сайта, написать инструкцию, собрать знания, настроить действия — и затем тестировать и исправлять по кругу, пока агент не заработает как надо.

Пример: агент-продавец с нуля

Покажем логику на примере из нашей презентации (кейс условный, но механика реальная). Интегратор ставит задачу: собрать агента-продавца по сайту клиента — в примере это микрофинансовая организация. Ассистент в Claude Code проходит цепочку сам:

Переписка с ассистентом: запрос создать агента-продавца по данным сайта и шаги выполнения

1
Изучает сайт и файлы клиента
Заходит на указанный домен, собирает описания услуг, условия и частые вопросы.
2
Готовит базу знаний
Инструментами Савви создаёт несколько FAQ-документов — по одному на смысловой блок.
3
Собирает агента
Пишет промпт продавца, настраивает переменные диалога и функцию «Позвать менеджера» для передачи живому сотруднику.
4
Тестирует и правит
Прогоняет сценарии диалога, находит нюансы в ответах и корректирует настройки.

Отчёт ассистента о готовом боте: промпт, база знаний, переменные, результаты тестов

После первого прохода — вторая задача: вынести цены в отдельного агента, чтобы основной промпт не разрастался и тарифы было проще обновлять, а заодно сравнить, как с диалогами справляются разные модели. Ассистент прогоняет тестовые диалоги на нескольких LLM и сводит результат в таблицу по трём параметрам: стабильность вызова функций, корректность ответов и стоимость диалога.

Дополнительные задачи: вынести цены в отдельного агента и прогнать диалоги на разных LLM

Механика сравнения — тоже штатная. В Савви для агента можно выбрать LLM (модели OpenAI, Anthropic, DeepSeek, Google, Яндекса и другие), стоимость диалога платформа считает и показывает прямо в тестовом чате, а для тестового чата можно задать отдельную модель — удобно смотреть поведение одного агента на разных LLM. Сравнивать модели по цене и качеству интеграторы делали и раньше, MCP лишь снимает ручной прогон.

Сравнительная таблица LLM-моделей: стабильность вызова функций, корректность ответов, стоимость диалога

На выходе — рабочий агент на платформе: промпт, база знаний и действия настроены, остаётся запустить его на канале клиента.

Готовый агент на платформе Савви с вкладками настроек

Что это меняет для интегратора

Руками в кабинете

Через ассистента с MCP

Скопировать тексты с сайта и разложить по документам

Ассистент сам разбирает сайт и собирает базу знаний

Написать промпт и настроить действия по вкладкам

Задача ставится словами, шаги выполняет ассистент

Прогнать тесты и вручную искать, где агент путается

Ассистент гоняет сценарии и сам правит инструкцию

Час-два на несложного бота

Черновая настройка — минуты

Важная оговорка: полностью «на автомат» внедрение не отдать. Финальную проверку промпта и логики диалога интегратор делает сам — MCP убирает черновую работу, а не ответственность за результат.

Для тех, кто ведёт несколько проектов параллельно, это экономия времени на каждом внедрении. А новичкам проще стартовать: не нужно помнить, в какой вкладке кабинета что настраивается, — достаточно описать задачу ассистенту.

С чего начать

Подключение и полный список поддерживаемых ассистентов описаны в документации на suvvy.ai. А если вы только осваиваете платформу и хотите научиться внедрять Савви клиентам — в том числе через MCP, — у нас есть бесплатный курс в Академии Савви.