🔌 Day 3 — MCP: Model Context Protocol untuk AI Agent

Week 3 · Day 3 · 7 Video Topik: Apa itu MCP, Arsitektur Host/Client/Server, Transport Mechanism, Tiga Cara Menggunakan MCP di n8n, Sales Prospecting dengan MCP (Firecrawl + Hunter), Membangun MCP Server di n8n, Koneksi ke Claude AI

📋 Daftar Isi

Apa itu MCP?
Arsitektur MCP: Host, Client, Server
Tiga Cara Menggunakan MCP di n8n
Praktik: Sales Prospecting dengan MCP
Membangun MCP Server di n8n
Koneksi dari Claude AI ke MCP Server n8n
Recap & Structured Outputs Reinforcement

🌐 Apa itu MCP?

MCP (Model Context Protocol) adalah standar open-source dari Anthropic yang dirilis akhir 2024 dan meledak popularitasnya pada Maret-April 2025. Anthropic sendiri mendeskripsikannya sebagai:

"USB-C port for AI applications" — sebuah standar universal untuk menghubungkan aplikasi AI ke sistem eksternal.

Yang Perlu Dipahami: Tools vs MCP

Sebelum membahas MCP lebih jauh, ada prinsip fundamental yang harus diingat:

┌─────────────────────────────────────────────────────┐
│  🔑 INOVASI BESAR Agentic AI = TOOLS                │
│                                                      │
│  Tools adalah kemampuan LLM memanggil fungsi         │
│  eksternal berdasarkan token yang dihasilkannya.     │
│                                                      │
│  MCP = standar BERBAGI tools, bukan tools itu sendiri│
│                                                      │
│  Hype seharusnya tentang TOOLS,                      │
│  MCP "hanya" standar yang membuat sharing mudah.     │
└─────────────────────────────────────────────────────┘

MCP Adalah dan Bukan

MCP ADALAH ✅	MCP BUKAN ❌
Cara mudah menggunakan tools orang lain	Tools itu sendiri
Cara mudah membagikan tools Anda	Teknologi baru yang revolusioner
Standar interface antara LLM dan tools	Satu-satunya cara menghubungkan LLM ke tools
Sangat popular karena adopsi massal	Dijamin bertahan selamanya

Kenapa MCP Jadi Besar?

Bukan karena teknologinya inovatif — Anthropic sendiri mengakui itu. Yang membuatnya besar adalah adopsi massal: semua orang menggunakannya, sehingga ada ribuan MCP server tersedia, menciptakan ekosistem yang self-reinforcing.

Alternatif & Masa Depan

Pendekatan	Asal	Status
MCP	Anthropic	Sangat populer saat ini
Skills	Anthropic & OpenAI	Lebih oriented ke produk consumer
Code Mode	Anthropic	Baru, mungkin jadi alternatif MCP

💡 Meski MCP mungkin bersifat transitory, konsep di baliknya akan tetap relevan apapun yang menggantikannya.

🏗️ Arsitektur MCP: Host, Client, Server

MCP terdiri dari tiga komponen yang saling berinteraksi:

Diagram Arsitektur

┌──────────────────────────────────────────────────────────┐
│                    MCP HOST                               │
│              (n8n, Claude, AI app)                        │
│                                                          │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐     │
│  │ MCP Client  │  │ MCP Client  │  │ MCP Client  │     │
│  │     #1      │  │     #2      │  │     #3      │     │
│  └──────┬──────┘  └──────┬──────┘  └──────┬──────┘     │
│         │                │                │              │
└─────────┼────────────────┼────────────────┼──────────────┘
          │                │                │
          ▼                ▼                ▼
   ┌─────────────┐  ┌─────────────┐  ┌─────────────┐
   │ MCP Server  │  │ MCP Server  │  │ MCP Server  │
   │ (Firecrawl) │  │ (Hunter.io) │  │ (Custom)    │
   │             │  │             │  │             │
   │ 🔧 search  │  │ 🔧 email   │  │ 🔧 tool A  │
   │ 🔧 scrape  │  │ 🔧 verify  │  │ 🔧 tool B  │
   │ 🔧 crawl   │  │ 🔧 domain  │  │             │
   └─────────────┘  └─────────────┘  └─────────────┘

Definisi Komponen

Komponen	Definisi	Contoh
MCP Host	Environment keseluruhan tempat agent berjalan	n8n, Claude Desktop, AI SaaS app
MCP Client	Komponen kecil di dalam host yang terhubung ke server	MCP Client tool node di n8n
MCP Server	Grup tools dari pihak ketiga, lengkap dengan deskripsi	Firecrawl MCP Server, Hunter MCP Server

Transport Mechanism

Cara MCP Client berkomunikasi dengan MCP Server:

#	Nama	Lokasi	Status	Support n8n
1	stdio (Standard I/O)	Lokal (sama komputer)	Aktif	❌ Tidak didukung
2	SSE (Server-Sent Events)	Remote	⚠️ Deprecated	✅ Didukung (legacy)
3	Streamable HTTP	Remote	✅ Recommended	✅ Didukung

⚠️ Limitasi n8n: n8n TIDAK mendukung stdio transport. Ini berarti sebagian MCP server yang hanya tersedia via stdio tidak bisa diakses dari n8n. Anda harus menggunakan SSE atau Streamable HTTP.

🔧 Tiga Cara Menggunakan MCP di n8n

Cara 1: MCP Client Tool ⭐ (Paling Penting)

Menambahkan MCP Client sebagai tool pada AI Agent — agent bisa mengakses tools dari MCP server external.

AI Agent
  └── Tools
        ├── Native Tool (Calculator, dll.)
        ├── MCP Client → Firecrawl Server
        └── MCP Client → Hunter Server

Kapan digunakan: Ketika tidak ada native n8n tool node untuk layanan yang Anda butuhkan.

Cara 2: MCP Server Trigger

Menjadikan workflow n8n Anda sebagai MCP Server yang bisa dipanggil oleh MCP Client lain.

┌────────────────────────────┐
│     n8n Workflow            │
│                             │
│  MCP Server Trigger         │
│       │                     │
│       ├── Tool: HTTP Request│
│       ├── Tool: Workflow    │
│       └── Tool: ...        │
│                             │
│  URL: https://xxx/mcp       │
└────────────────────────────┘
       ▲
       │
  Claude, AI app, dll.

Cara 3: Global MCP Server Setting

Mengekspos semua workflow (atau subset) sebagai MCP server secara global — setting di halaman Settings n8n.

Prioritas Penggunaan

1️⃣ Native n8n Tool Node    ← Selalu pilihan pertama!
      │
      ▼ (tidak tersedia?)
2️⃣ MCP Client Tool         ← Fallback ke MCP
      │
      ▼ (ingin share tools?)
3️⃣ MCP Server Trigger      ← Untuk berbagi tools Anda

Mengapa MCP Kurang "Berguna" di n8n?

Ironisnya, n8n terlalu bagus — sudah memiliki sangat banyak native tool nodes sehingga jarang sekali perlu MCP sebagai fallback. Instruktur sendiri kesulitan menemukan use case karena setiap ide sudah ada node-nya!

🎯 Praktik: Sales Prospecting dengan MCP

Arsitektur Workflow

┌──────────┐   ┌────────────────────────────────┐
│   Chat   │──▶│  AI Agent (GPT-5.2, low effort)│
│  Trigger │   │                                │
└──────────┘   │  System: "Find sales prospects" │
               │  Max Iterations: 30            │
               │  Structured Output: ON         │
               │                                │
               │  Tools:                        │
               │  ├── MCP Client → Firecrawl    │
               │  └── MCP Client → Hunter.io    │
               │                                │
               │  Output Parser:                │
               │  Structured Output Parser      │
               └────────────────────────────────┘

Konfigurasi AI Agent

Setting	Nilai
Model	GPT-5.2 (atau model frontier lain)
Reasoning Effort	Low (cepat + ekonomis)
Max Iterations	30 (dinaikkan dari default 10)
Structured Output	ON

Schema Structured Output — Prospects

json

{
  "prospects": [
    {
      "first_name": "prospect first name",
      "last_name": "prospect last name",
      "company": "company where they work",
      "role": "their job title",
      "email": "predicted email address for this prospect",
      "rationale": "why this prospect is qualified as a potential client"
    }
  ]
}

Setup MCP Client #1: Firecrawl

Setting	Nilai
Server Transport	HTTP Streamable
Endpoint	`https://mcp.firecrawl.dev/v2/mcp/{{$vars.firecrawl_api_key}}`
API Key	Disimpan sebagai n8n Variable (`$vars.firecrawl_api_key`)

Cara menggunakan n8n Variables:

Buka Project → Variables
Create variable: firecrawl_api_key = (API key Anda)
Akses dalam expression: $vars.firecrawl_api_key

Setup MCP Client #2: Hunter.io

Setting	Nilai
Server Transport	HTTP Streamable
Endpoint	`https://mcp.hunter.io/mcp`
Authentication	Bearer Auth
Bearer Token	API Key dari Hunter.io

Hasil Eksekusi

Agent menggunakan tools secara cerdas dan otonom:

MCP Server	Jumlah Panggilan	Tools yang Digunakan
Firecrawl	5-10 calls	`firecrawl_search`, `firecrawl_scrape`
Hunter.io	12-13 calls	`email_finder`, `email_verifier`, `domain_search`, `discover`

Output: 5 sales prospects lengkap dengan nama, perusahaan, jabatan, email terverifikasi, dan alasan kualifikasi.

🔑 Key Insight: Agent tidak perlu diberitahu cara menggunakan tools MCP — MCP server sudah menyertakan deskripsi lengkap yang secara otomatis dipahami LLM. Ini "keajaiban" MCP!

🏭 Membangun MCP Server di n8n

Setelah menggunakan MCP server orang lain, sekarang kita membalikkan arah — menjadikan workflow kita sebagai MCP server.

Step 1: Ubah Workflow Jadi Sub-workflow

SEBELUM:                        SESUDAH:
Chat Trigger → AI Agent         When Executed by
                                Another Workflow → AI Agent
                                  │
                                  └── Input: "query" (string)

Workflow diberi nama "Prospecting Subagent" — karena ia adalah agent kecil yang bisa dipanggil oleh agent lain.

Step 2: Buat Workflow MCP Server

┌────────────────────────────────────────┐
│     Workflow: "Prospecting MCP"         │
│                                         │
│  ┌─────────────────────┐               │
│  │  MCP Server Trigger │               │
│  │                     │               │
│  │  URL (test):    xxx │               │
│  │  URL (production): xxx              │
│  │                     │               │
│  │  └── Tool: Call Workflow            │
│  │       └── "Prospecting Subagent"    │
│  │                                     │
│  │  Description:                       │
│  │  "Call this tool to find sales      │
│  │   prospects for a given sales       │
│  │   query. Returns five leads."       │
│  │                                     │
│  │  Input: query                       │
│  │  "State what kind of sales          │
│  │   prospect you are looking for"     │
│  └─────────────────────────────────────│
└────────────────────────────────────────┘

Konfigurasi Tool

Setting	Nilai
Tool Type	Call n8n Workflow
Workflow	Prospecting Subagent
Description	"Find sales prospects for a given sales query, returns five leads"
Input: query	Model defines — deskripsi sales prospect yang dicari

🤖 Koneksi dari Claude AI ke MCP Server n8n

Bukti paling dramatis bahwa MCP server kita bekerja: menghubungkannya ke Claude dari Anthropic.

Langkah Koneksi

Buka Claude → klik + → Add Connectors
Pilih "Add a custom one"
Nama: "Sales Prospecting Tool"
Remote MCP Server URL: paste URL production dari n8n
Klik Add

Pengujian

User (di Claude): "Please use your sales prospecting tool to find
                   good targets for me to sell my accounting software
                   to consulting firms in the US."

Claude:  → Mendeteksi tool tersedia (dari MCP server n8n)
         → Menggunakan parameter "query"
         → Memanggil n8n workflow via MCP
         → n8n menjalankan Firecrawl + Hunter
         → Hasil dikembalikan ke Claude
         → Claude menyajikan 5 prospects lengkap

Alur End-to-End

Claude (MCP Host)
  │
  ├── MCP Client (built-in)
  │     │
  │     ▼
  │   n8n MCP Server (Prospecting MCP)
  │     │
  │     ▼
  │   n8n Subworkflow (Prospecting Subagent)
  │     │
  │     ├── MCP Client → Firecrawl Server
  │     │                  (search + scrape)
  │     │
  │     └── MCP Client → Hunter.io Server
  │                        (email finder + verifier)
  │     │
  │     ▼
  │   Structured Output (5 prospects)
  │
  ▼
Claude menyajikan hasil ke user

🤯 MCP digunakan pada dua level — Claude memanggil n8n MCP server, yang di dalamnya menggunakan Firecrawl dan Hunter MCP server. MCP bersarang di dalam MCP!

🔄 Recap & Structured Outputs Reinforcement

Ringkasan Hari Ini

Aktivitas	Detail
Menggunakan MCP	MCP Client di n8n → Firecrawl + Hunter MCP Servers
Membuat MCP Server	MCP Server Trigger + Call Workflow tool
Menghubungkan ke Claude	Custom connector dengan production URL
MCP multi-level	Claude → n8n MCP → Firecrawl MCP + Hunter MCP

Structured Outputs (Penguatan)

Instruktur kembali menekankan pentingnya Structured Outputs:

Diimplementasikan di balik layar sebagai tool (JSON generation tool)
Tombol: Require specific output format → ON
Sub-node: Structured Output Parser dengan JSON example
Sangat powerful untuk mengontrol output LLM
Akan digunakan intensif di Day 4 dan Day 5

📊 Tabel Terminologi

Istilah	Definisi
MCP	Model Context Protocol — standar open-source dari Anthropic
MCP Host	Environment AI tempat agent berjalan (n8n, Claude)
MCP Client	Komponen yang terhubung ke MCP Server dari dalam host
MCP Server	Grup tools pihak ketiga yang bisa diakses via MCP
Transport Mechanism	Cara komunikasi Client ↔ Server (stdio/SSE/Streamable HTTP)
stdio	Standard Input/Output — transport lokal, TIDAK didukung n8n
SSE	Server-Sent Events — transport remote, deprecated
Streamable HTTP	Transport remote terbaru, recommended
$vars	Sintaks n8n untuk mengakses project variables
Bearer Auth	Autentikasi menggunakan token di header Authorization
MCP Server Trigger	Node n8n yang menjadikan workflow sebagai MCP server
Call Workflow Tool	Tool node yang memanggil sub-workflow sebagai tool

🏆 Pencapaian Day 3

✅ Memahami MCP: apa itu, apa bukan, dan mengapa populer
✅ Menguasai arsitektur Host/Client/Server
✅ Memahami tiga transport mechanism
✅ Menggunakan MCP Client untuk Firecrawl & Hunter.io
✅ Membangun sales prospecting agent dengan MCP
✅ Membuat MCP Server dari workflow n8n
✅ Menghubungkan MCP Server ke Claude AI
✅ Melihat MCP bekerja pada dua level (nested MCP)

🎯 Progres: 87% kursus selesai! Hari ini adalah hari terbesar sejauh ini — MCP membuka pintu ke ekosistem tools yang luas untuk AI Agent.

🔌 Day 3 — MCP: Model Context Protocol untuk AI Agent ​

📋 Daftar Isi ​

🌐 Apa itu MCP? ​

Yang Perlu Dipahami: Tools vs MCP ​

MCP Adalah dan Bukan ​

Kenapa MCP Jadi Besar? ​

Alternatif & Masa Depan ​

🏗️ Arsitektur MCP: Host, Client, Server ​

Diagram Arsitektur ​

Definisi Komponen ​

Transport Mechanism ​

🔧 Tiga Cara Menggunakan MCP di n8n ​

Cara 1: MCP Client Tool ⭐ (Paling Penting) ​

Cara 2: MCP Server Trigger ​

Cara 3: Global MCP Server Setting ​

Prioritas Penggunaan ​

Mengapa MCP Kurang "Berguna" di n8n? ​

🎯 Praktik: Sales Prospecting dengan MCP ​

Arsitektur Workflow ​

Konfigurasi AI Agent ​

Schema Structured Output — Prospects ​

Setup MCP Client #1: Firecrawl ​

Setup MCP Client #2: Hunter.io ​

Hasil Eksekusi ​

🏭 Membangun MCP Server di n8n ​

Step 1: Ubah Workflow Jadi Sub-workflow ​

Step 2: Buat Workflow MCP Server ​

Konfigurasi Tool ​

🤖 Koneksi dari Claude AI ke MCP Server n8n ​

Langkah Koneksi ​

Pengujian ​

Alur End-to-End ​

🔄 Recap & Structured Outputs Reinforcement ​

Ringkasan Hari Ini ​

Structured Outputs (Penguatan) ​

📊 Tabel Terminologi ​

🏆 Pencapaian Day 3 ​