MCP, чтобы нейронка советовала кино не вслепую

Я давно хотел, чтобы разговор с нейронкой про кино не заканчивался только лишь названиями в чате или предложением мне самому найти где купить билеты. Это странный финал: человек уже попросил помощника сделать работу за него, а помощник в ответ отдаёт ему, например, предположение о том, где можно купить билеты на этот фильм, а не точный результат.

В своём кино-сервисе я сделал MCP. Его можно подключить к ИИ-агенту как внешний источник данных: MCP даёт нейронке не просто общий интернет-поиск, а нормальные действия внутри базы фильмов конкретного пользователя, а также общей базы фильмов. Например, агент может посмотреть непросмотренные пользователем фильмы (для фильмов для просмотра в будущем есть раздел "Непросмотренные"), использовать прошлые оценки, чтобы найти интересный пользователю фильм, собрать подборку, найти ссылку на покупку билетов на конкретный фильм и многое другое.

Сервис абсолютно бесплатный! В статье хотел бы рассказать о возможных сценариях и о том, какими сценариями сам пользуюсь. Покажу на примере Грока, но можно подключить к любому ИИ-агенту по типу Клода, Кодекса, Курсора и т.д.

Если тут есть любители кино, буду рад получить обратную связь по MCP!

Зачем это нужно

Обычная нейронка неплохо рассуждает про фильмы, но часто не знает главного: что вы уже смотрели, что лежит в списке, какие оценки вы ставили, какие актёры и режиссёры вам реально заходят. Плюс она легко отдаёт красивый, но бесполезный совет: фильм есть в прокате, но где именно, во сколько, рядом ли кинотеатр и есть ли рабочая ссылка на покупку билетов — далеко не всегда ИИ-агент даёт корректную инфу, а поиск нормального ответа требует токенов.

В моём Movie Planner я решил закрыть этот разрыв: нейронка остаётся интерфейсом разговора, а MCP приносит ей живые данные и действия.

Хочу показать несколько сценариев, с которыми сам сталкиваюсь, которые наилучшим образом реализуются в паре нейронки и моего MCP.

Сценарий 1. Подборка, которую можно сразу сохранить

Прежде всего обозначу, что в моем сервисе есть добавленные в базу фильмы/сериалы — непросмотренное, то есть то, что пользователь хочет посмотреть в будущем, из чего можно найти кино на вечер. Поэтому, если есть интересные фильмы, то их как раз можно добавить к себе в базу, а после просмотра — оценить. Оценённый фильм остаётся в базе, но уходит из непросмотренного.

Как основной сценарий работы с агентом, можно написать в духе: «Подбери мне 10 фильмов на выходные, но не советуй то, что я уже смотрел».

Агент через MCP смотрит базу Movie Planner, учитывает историю, оценки и теги, собирает список и может сразу добавить фильмы в вашу базу или в отдельную подборку. Не надо руками переносить названия из ответа в приложение.

Это особенно полезно для запросов вроде «хочу что-то тревожное, но не хоррор», «дай современное кино на вечер с друзьями», «подбери фильмы, похожие на то, что я обычно высоко оцениваю».

Сценарий 2. Билеты и сеансы без кривого парсинга билетных сайтов

Можно спросить: «Найди билеты на этот фильм сегодня рядом со мной».

Movie Planner MCP умеет вести агента по правильному маршруту: сначала найти фильм, потом проверить кинотеатральные источники и вернуть актуальные сеансы. Сейчас подключены партнёрские билетные источники, включая T-Афишу и Ticketland; вместе они закрывают большую часть заметных премьер.

После покупки билет можно скинуть агенту прямо в чат. Агент читает скрин или PDF через vision/OCR, передаёт в Movie Planner MCP название фильма, дату, время, кинотеатр и текст билета, а MCP создаёт cinema-план и прикрепляет скрин билета к плану. Для этого есть отдельный маршрут mp_v1_ticket_to_cinema_plan: он нужен именно для сценария «вот билет, занеси его в мой календарь/планы».

В отсутствие MCP, агент ведёт себя...по-разному. Иногда даёт просто ссылки на ресурсы, где можно купить билеты, иногда ещё и скидывает расписание. С MCP появляется прогнозируемый точный результат. Следующий шаг будет — возможность сразу через агента ещё и купить билеты, но это уже в светлом будущем.

Сценарий 3. «Подбери по актёру, но под мой вкус»

Запрос может быть таким: «Посмотри, что я ещё не смотрел у Джима Керри, и подбери из них наиболее интересные по моим оценкам».

Без личной базы агент обычно просто перечислит самые известные фильмы актёра. Через MCP он может отфильтровать варианты по вашим оценкам, жанрам, уже просмотренным фильмам и планам. Это не гарантирует идеальный выбор, но резко снижает шанс получить очевидный и уже виденный совет.

То же работает с режиссёрами, жанрами, годами, тегами и личными коллекциями.

Сценарий 4. «Как назывался тот фильм?»

Агенты блестяще идентифицируют фильмы, но что делать с этой информацией дальше? С MCP можно сразу добавить фильм в базу и запланировать просмотр.

Агент может найти кандидатов, открыть карточку в Movie Planner, добавить нужный фильм в базу, сразу достать похожие и запланировать просмотр. Это гораздо ближе к нормальному человеческому сценарию, чем отдельные вкладки поиска, заметки и календарь.

Как подключить

Для MCP-клиента нужен URL:

https://api.movie-planner.ru/mcp

Если пользователь не авторизован, Movie Planner отдаёт OAuth-маршрут для входа. При этом публичные вещи — поиск фильма, карточка фильма, похожие, сеансы и билетные ссылки — могут работать без доступа к личной базе. Логин нужен там, где появляются персональные данные: оценки, список просмотренного, теги, коллекции, планы.

Что получилось

ИИ-агент остаётся хорошим разговорным слоем, а Movie Planner даёт модели руки и память.

Мне важно, чтобы запрос «найди фильм / подбери / купи билет / запланируй» агент доводил до конца, и кажется я смог нас чуть приблизить к моменту, когда агент сможет делать всё что попросишь. Да и если агент уже умеет пользоваться инструментами, тогда точно надо вручить ему рабочие механизмы.