MCP là gì: cách nối AI với Google Drive, Slack và dữ liệu công ty
MCP là chuẩn mã nguồn mở giúp ứng dụng AI kết nối với nguồn dữ liệu, công cụ và workflow. Tìm hiểu cách áp dụng tư duy MCP khi thiết kế luồng AI cho Drive, Slack và cơ sở dữ liệu doanh nghiệp.
Một AI có thể trả lời câu hỏi, nhưng để hỗ trợ công việc vận hành, nó cần tiếp cận đúng dữ liệu và đúng công cụ.
Chẳng hạn, một nhân viên có thể cần tìm tài liệu liên quan trên Google Drive, xem ngữ cảnh trao đổi trên Slack, rồi đối chiếu trạng thái trong cơ sở dữ liệu. Vấn đề không chỉ là “cho AI đọc dữ liệu”, mà là tạo một cách kết nối nhất quán giữa ứng dụng AI và các hệ thống bên ngoài.
Đó là mục tiêu của Model Context Protocol (MCP).
MCP là gì?
Theo tài liệu chính thức, MCP là một chuẩn mã nguồn mở để kết nối ứng dụng AI với các hệ thống bên ngoài.
MCP cho phép các ứng dụng AI như Claude hoặc ChatGPT kết nối với:
Nguồn dữ liệu như tệp cục bộ và cơ sở dữ liệu.
Công cụ như công cụ tìm kiếm hoặc máy tính.
Workflow như các prompt chuyên biệt.
Tài liệu MCP ví giao thức này như cổng USB-C cho ứng dụng AI: USB-C tạo một cách kết nối tiêu chuẩn giữa thiết bị điện tử; MCP tạo một cách tiêu chuẩn để ứng dụng AI kết nối với dữ liệu, công cụ và ứng dụng bên ngoài.
Thay vì mỗi ứng dụng AI phải có một kiểu tích hợp riêng cho từng hệ thống, MCP hướng đến một lớp kết nối dùng chung.
MCP có thể giúp gì cho workflow doanh nghiệp?
Tài liệu MCP đưa ra một số ví dụ về khả năng của giao thức này:
Agent có thể truy cập Google Calendar và Notion để trở thành trợ lý cá nhân hóa hơn.
Chatbot doanh nghiệp có thể kết nối với nhiều cơ sở dữ liệu trong tổ chức để người dùng phân tích dữ liệu bằng hội thoại.
Claude Code có thể tạo ứng dụng web từ thiết kế Figma.
Mô hình AI có thể tạo thiết kế 3D trên Blender và in bằng máy in 3D.
Với người làm vận hành, no-code/low-code hoặc phát triển nội bộ, điểm đáng chú ý là: AI có thể được cấp các kết nối cần thiết để lấy thông tin hoặc thực hiện tác vụ trong một quy trình.
Ví dụ, bạn có thể hình dung một trợ lý nhận yêu cầu:
> “Kiểm tra hồ sơ này còn thiếu gì và đề xuất bước tiếp theo.”
Để trả lời, trợ lý có thể cần tra cứu tài liệu, dữ liệu hồ sơ và ngữ cảnh trao đổi. MCP là chuẩn để ứng dụng AI kết nối tới các nguồn dữ liệu hoặc công cụ đó.
MCP không thay thế n8n, Zapier hay Power Automate
MCP là giao thức kết nối cho ứng dụng AI, không phải là công cụ điều phối workflow theo kiểu n8n, Zapier, Make hoặc Power Automate.
Các nền tảng automation vẫn phù hợp cho những phần như:
Nhận trigger từ form, email hoặc ticket.
Chạy các bước theo thứ tự xác định.
Kiểm tra điều kiện nghiệp vụ.
Chuyển yêu cầu sang người duyệt.
Ghi nhận trạng thái và kết quả xử lý.
Có thể xem hai nhóm công cụ này bổ sung cho nhau:
| Thành phần | Vai trò có thể đảm nhiệm |
|---|---|
| MCP | Kết nối ứng dụng AI với dữ liệu, công cụ và workflow bên ngoài |
| AI/agent | Hiểu yêu cầu, tổng hợp thông tin, chọn cách phản hồi |
| Nền tảng automation | Điều phối trigger, điều kiện, phê duyệt và các bước thực thi |
Một cách thiết kế thận trọng là để AI hỗ trợ tìm hiểu, tổng hợp và đề xuất, còn workflow cố định chịu trách nhiệm kiểm tra và thực thi.
Cách tiếp cận khi muốn nối AI với Drive, Slack và database
Tài liệu giới thiệu MCP xác nhận giao thức có thể kết nối AI với nguồn dữ liệu và công cụ, nhưng không cung cấp cấu hình cụ thể cho Google Drive, Slack hay từng loại cơ sở dữ liệu.
Vì vậy, khi triển khai cho tổ chức, nên bắt đầu từ nghiệp vụ cần giải quyết thay vì bắt đầu từ việc cấp quyền truy cập rộng.
1. Xác định một yêu cầu nhỏ, rõ đầu ra
Ví dụ:
Tìm tài liệu liên quan đến một mã hồ sơ.
Tổng hợp trạng thái từ các nguồn được phép.
Soạn bản nháp phản hồi cho nhân viên phụ trách.
Phân loại yêu cầu để chuyển đúng nhóm xử lý.
Tránh bắt đầu bằng một yêu cầu mơ hồ như “để AI quản lý toàn bộ dữ liệu công ty”.
2. Liệt kê nguồn dữ liệu và công cụ thực sự cần thiết
Với một luồng kiểm tra hồ sơ, bạn có thể cần:
Nguồn tài liệu nội bộ, chẳng hạn thư mục Drive được chọn.
Dữ liệu trạng thái từ một cơ sở dữ liệu.
Ngữ cảnh trao đổi từ kênh hỗ trợ hoặc ticket.
Một công cụ tạo bản nháp phản hồi.
Mục tiêu là xác định chính xác AI cần biết gì và được phép làm gì trong từng bước.
3. Tách bước đề xuất khỏi bước hành động
Một luồng minh họa có thể là:
Nhận yêu cầu từ Slack, form hoặc ticket.
Ứng dụng AI dùng các kết nối MCP được cấp để tìm thông tin liên quan.
AI trả về bản tóm tắt và đề xuất bước tiếp theo.
Workflow kiểm tra kết quả.
Người phụ trách duyệt nếu hành động có ảnh hưởng bên ngoài.
Workflow mới gửi tin nhắn, cập nhật CRM hoặc thực hiện tác vụ tiếp theo.
Cách tách này giúp phân biệt rõ: AI đang đề xuất điều gì, còn hệ thống sẽ thực thi điều gì.
Thiết kế công cụ theo từng nhiệm vụ
Khi thiết kế kết nối cho AI, nên ưu tiên những khả năng hẹp, có mục đích rõ ràng.
Ví dụ minh họa:
searchpolicydocuments: tìm tài liệu chính sách phù hợp.
getcasestatus: lấy trạng thái của một hồ sơ.
draftslackreply: tạo bản nháp phản hồi Slack.
createemaildraft: tạo bản nháp email.
Đây là tư duy hữu ích hơn việc mô tả một quyền quá rộng như “đọc mọi tài liệu” hoặc “truy vấn mọi dữ liệu”.
Lợi ích của cách làm này là workflow dễ kiểm tra hơn: bạn biết AI đã được trao khả năng nào, dùng khả năng đó cho mục đích gì và đâu là bước cần được con người xác nhận.
Đưa kết quả AI vào workflow bằng dữ liệu có cấu trúc
Nếu kết quả của AI sẽ được node tiếp theo xử lý, dữ liệu có cấu trúc thường dễ kiểm tra hơn một đoạn văn tự do.
Ví dụ prompt minh họa:
text
Bạn là trợ lý hỗ trợ xử lý yêu cầu vận hành.
Yêu cầu nhận được:
<noidungyeucau>
Chỉ sử dụng các công cụ được cấp để tìm thông tin cần thiết.
Không tự thực hiện hành động bên ngoài.
Trả về DUY NHẤT JSON theo cấu trúc:
{
"caseid": "<mahosohoacnull>",
"status": "<trangthai>",
"missingitems": ["<mucconthieu>"],
"recommendedaction": "<dexuathanhdong>",
"requireshumanapproval": true,
"evidence": ["<tomtatnguondatracuu>"],
"confidencenote": "<dieuchuachacchan>"
}
Kết quả mẫu:
json
{
"caseid": "<mahoso>",
"status": "<trangthaihientai>",
"missingitems": ["<tailieuconthieu>"],
"recommendedaction": "Tạo bản nháp yêu cầu bổ sung thông tin",
"requireshumanapproval": true,
"evidence": ["Đã đối chiếu các nguồn được phép truy cập"],
"confidencenote": "Cần người phụ trách xác nhận trước khi liên hệ khách hàng"
}
Workflow có thể kiểm tra các trường bắt buộc trước khi chuyển sang bước sau. Nếu thiếu mã hồ sơ, kết quả không đúng cấu trúc hoặc dữ liệu chưa đủ rõ, luồng nên chuyển sang xử lý thủ công.
Lưu ý khi đưa MCP vào môi trường thật
Tài liệu MCP có một phần riêng về bảo mật, cho thấy đây là nội dung cần được xem xét khi xây dựng kết nối AI với hệ thống bên ngoài.
Trong thực tế, một số nguyên tắc triển khai đáng cân nhắc gồm:
Chỉ cung cấp dữ liệu cần thiết cho tác vụ.
Phân biệt giữa khả năng đọc dữ liệu và khả năng thực hiện hành động.
Không đưa thông tin đăng nhập hoặc khóa truy cập vào prompt, tin nhắn hay log.
Kiểm tra kỹ trước các hành động có tác động bên ngoài như gửi email, sửa dữ liệu hoặc thanh toán.
Ghi nhận các bước quan trọng để đội vận hành có thể rà soát khi cần.
Có nhánh xử lý khi không tìm thấy dữ liệu, kết nối lỗi hoặc AI trả kết quả không đúng định dạng.
Checklist bắt đầu với MCP
[ ] Đã xác định một use case cụ thể thay vì trao quyền truy cập chung chung.
[ ] Đã liệt kê nguồn dữ liệu và công cụ cần cho use case đó.
[ ] Đã xác định đâu là bước AI chỉ đề xuất, đâu là bước hệ thống thực thi.
[ ] Đã chuẩn hóa đầu ra để workflow có thể kiểm tra.
[ ] Đã xác định các hành động cần người phụ trách duyệt.
[ ] Đã xem xét dữ liệu nhạy cảm, quyền truy cập và cách ghi log.
[ ] Đã chuẩn bị nhánh xử lý cho lỗi kết nối hoặc thiếu dữ liệu.
MCP đáng chú ý vì nó hướng đến một cách kết nối tiêu chuẩn giữa ứng dụng AI với dữ liệu, công cụ và workflow bên ngoài. Với đội vận hành, giá trị không nằm ở việc mở thật nhiều quyền cho AI, mà ở việc tạo đúng ngữ cảnh và đúng giới hạn cho từng tác vụ.