MCP-серверы для 1С: как интегрировать AI-агента с базами 1С:Предприятие — обзор open-source решений 2026

Что такое MCP-сервер для 1С и зачем он нужен

Model Context Protocol (MCP) — это открытый стандарт, разработанный Anthropic для подключения AI-ассистентов к внешним данным и инструментам. Если коротко: MCP делает для AI то же, что USB-C делает для периферии — даёт единый протокол, по которому любая модель может запрашивать данные из любого источника.

Для 1С это означает, что AI-агент может сам прочитать структуру базы, выполнить запрос, сгенерировать код обработки и проверить его синтаксис — без ручного копирования контекста. Качество ответа языковой модели напрямую зависит от качества предоставленного контекста, а MCP этот контекст собирает автоматически.

Отличительная особенность 1С — закрытый диалект BSL (1С:Предприятие), который не поддерживают стандартные AI-инструменты. Без MCP разработчику приходится вручную выгружать метаданные, писать промпты с описанием структуры базы и загружать результаты обратно. С MCP вся эта цепочка автоматизируется: модель видит метаданные, пишет BSL, сразу проверяет его синтаксис и может запустить тесты.

На июнь 2026 года в экосистеме 1С сформировался набор open-source MCP-решений под разные задачи: от чтения метаданных и справки до запуска тестов и управления учётными записями. Сводный каталог проектов ведётся в репозитории Untru/1c-mcp (115 звёзд, февраль 2026).

Рынок 1С и AI: цифры и тренды

Прежде чем разбирать технические детали, стоит оценить масштаб. По данным TAdviser, консервативная оценка российского рынка решений 1С составляет 80 млрд рублей — с учётом лицензий, внедрений, техподдержки и аутсорсинга. Другие эксперты дают оценку до 250 млрд рублей с учётом сопутствующих услуг. На этом рынке работают десятки тысяч программистов 1С и тысячи франчайзи-компаний.

На фоне этого — стремительный рост интереса к AI в 1С-сообществе. Только за первую половину 2026 на профильных ресурсах (Infostart, Habr) вышли десятки статей по интеграции AI с 1С: от MCP-серверов до автономных агентов на A2A-протоколе. На Habr опубликована RAG-система для документации 1С на базе двух MCP-серверов — documents1c и metadata1c.

На Infostart вышла серия материалов про AI-агентов для 1С: от генерации кода до автоматизации разработки и тестирования. Там же опубликован обзор MCP и A2A-протоколов в 1С-среде и инструкция по созданию MCP-сервера на OneScript. Рынок явно перешёл от стадии «а что это такое» к стадии «как это внедрить в реальный проект».

1c_mcp — универсальный фреймворк для создания MCP-серверов

1c_mcp от Владимира Харина — центральный open-source проект в этой нише. Это не готовый MCP-сервер под конкретную задачу, а фреймворк для создания MCP-серверов прямо внутри 1С:Предприятие на языке BSL. Проект стартовал в июне 2025 года и к июню 2026 набрал 443 звезды на GitHub — с активными коммитами каждую неделю.

Архитектура проекта состоит из двух компонентов. Расширение 1С (файл .cfe) реализует MCP-сервер и набор базовых инструментов — его подключают в конфигурацию как обычное расширение. Python-прокси — опциональный, но рекомендуемый компонент, который решает инфраструктурные проблемы: транспорт (позволяет подключать клиенты, работающие по stdio), аутентификацию по OAuth2, и проброс учётных данных 1С без отключения безопасности.

Процесс разработки собственного инструмента выглядит так: в расширении создаётся новая обработка и включается в подсистему mcp_КонтейнерыИнструментов. В модуле менеджера обработки реализуются два экспортных метода — ДобавитьИнструменты (описание инструментов и их параметров) и ВыполнитьИнструмент (непосредственная логика). После этого AI-ассистент сам «увидит» новый инструмент и сможет его вызывать.

«Из коробки» проект предоставляет готовые инструменты для работы с метаданными конфигурации 1С — это справочники, документы, регистры, перечисления с их структурой полей и типов. Этого уже достаточно, чтобы AI мог писать простые обработки, отчёты и запросы, не спрашивая у разработчика структуру базы.

Экосистема MCP-серверов для 1С

Помимо 1c_mcp, за 2025–2026 год сформировался целый набор профильных MCP-проектов. Большинство из них собрано в каталоге Untru/1c-mcp. Вот ключевые категории:

Примечательно, что проекты практически не дублируются — каждый решает свою задачу. Фреймворк 1c_mcp остаётся единственным инструментом, который позволяет писать серверы на самом BSL, без Python или JavaScript. Остальные — это готовые серверы на Python или TypeScript для конкретных сценариев.

Варианты подключения: прямое, через прокси и Docker

У 1c_mcp три варианта подключения AI-агента к базе, и выбор между ними — это компромисс между простотой и безопасностью.

Прямое подключение (вариант 1). AI-клиент (Cursor, Claude Desktop) подключается напрямую к HTTP-сервису 1С. Минимум движущихся частей, не нужен Python, не нужен Docker. Но есть три серьёзных ограничения: требуется публикация HTTP-сервиса без аутентификации 1С (опасно), клиенты, работающие по транспорту stdio (Claude Desktop), подключить не получится, и совместимость с HTTP-клиентами ограничена особенностями 1С-протокола. Этот вариант подходит для тестовой базы на локальном стенде.

Через Python-прокси (вариант 2 — рекомендуемый). Между AI-клиентом и 1С встаёт Python-прокси — он реализует транспорт stdio, аутентификацию по OAuth2 и передаёт авторизацию в 1С через Basic Auth. Это решает главную проблему прямого подключения: не нужно отключать аутентификацию 1С на веб-сервере. Прокси поддерживает два режима — работа от имени одного фиксированного пользователя или проброс аутентификации каждого пользователя под собственными учётными данными.

В Docker (вариант 3). Прокси-сервер запускается в изолированном контейнере: достаточно скопировать .env.docker.example в .env, отредактировать настройки подключения к базе и запустить docker-compose up -d. Если 1С работает на том же хосте, в URL базы нужно использовать host.docker.internal вместо localhost. Этот вариант проще в развёртывании на сервере — не требует установки Python-зависимостей вручную.

На практике для разработки используют вариант 2 (прокси на локальной машине), для продакшена — вариант 3 (Docker на сервере рядом с базой). Вариант 1 — только для быстрых экспериментов.

Сценарии: AI-агент пишет BSL, делает code review, работает с учёткой

Экосистема MCP-серверов для 1С покрывает три типовых сценария, и они уже описаны в каталоге Untru/1c-mcp с готовыми архитектурными стеками.

Сценарий 1: AI пишет код обработки или расширения. Агент получает контекст из метаданных (1c_mcp) и справки по платформенным типам (mcp-bsl-platform-context), пишет BSL-код, проверяет синтаксис через bsl-mcp и запускает YaXUnit-тесты через mcp-onec-test-runner. Цепочка из четырёх MCP-серверов полностью автоматизирует цикл «прочитал документацию — написал код — проверил — протестировал».

Сценарий 2: AI делает code review BSL. Агент через mcp-bsl-lsp-bridge (100+ диагностик) проверяет код на ошибки, антипаттерны и несоответствие стандартам. К этому подключается 1c-buddy (проверка через 1С:Напарник) и 1c-mcp-metacode (граф вызовов, поиск мёртвого кода). Результат — автоматический аудит кода при каждом коммите.

Сценарий 3: AI работает с учётной системой. 1c-rest-mcp через OData-протокол позволяет создавать документы, искать контрагентов, генерировать отчёты на естественном языке. ARQA MCP Server (коммерческий продукт) добавляет бизнес-операции. Справку для понимания доменной модели подтягивает onec-help-mcp. Пользователь просто пишет «покажи просрочку по контрагенту Иванов» — агент сам формирует запрос, выполняет его и возвращает результат.

Все три сценария можно комбинировать: один и тот же AI-агент может и код писать, и документацию создавать, и отчёты формировать — достаточно подключить нужный набор MCP-серверов.

Как выбрать MCP-сервер для своей базы 1С

Выбор зависит от того, что вы хотите автоматизировать. Универсального решения «на всё» пока нет, но собирается комбинация из 2–4 серверов под конкретную задачу.

Если ваша задача — AI-ассистент для разработчика 1С (пишет код, подсказывает структуру базы, помогает с отладкой): ваш стек — 1c_mcp как основа + mcp-bsl-platform-context (справка) + bsl-mcp (проверка синтаксиса). Этого достаточно, чтобы AI понимал метаданные, писал корректный BSL и не выдумывал несуществующие методы платформы.

Если задача — автоматический code review BSL для команды разработки: mcp-bsl-lsp-bridge (100+ диагностик) + 1c-mcp-metacode (граф вызовов, мёртвый код). Это уже не про написание кода, а про контроль качества. Подключается к CI/CD — каждый коммит прогоняется через диагностики перед мержем.

Если задача — AI-агент для работы с учётной системой (бухгалтерия, склад, закупки): 1c-rest-mcp (OData) или ARQA MCP Server (коммерческий). Первый даёт прямой REST-доступ к данным через OData-протокол, второй — бизнес-операции на естественном языке с готовыми сценариями создания документов и формирования отчётов.

Если задача — RAG по документации 1С: RAG-система на базе двух MCP-серверов documents1c + metadata1c — готовое решение, описанное на Habr. Ответы на вопросы по платформе, конфигурациям и типовым сценариям с цитированием источников.

Общее правило: начинайте с 1c_mcp + одного профильного сервера под вашу задачу. По мере использования добавляйте новые инструменты — MCP-архитектура позволяет подключать и отключать серверы без изменения кода на стороне AI-агента.

Коротко

MCP-серверы превращают AI-агента из «болванки с чатиком» в полноценного участника разработки 1С. 1c_mcp даёт фреймворк для создания таких серверов прямо на BSL, а экосистема из 6+ проектов покрывает все основные сценарии: от написания кода до работы с учётными данными. Начинать стоит с 1c_mcp и одного профильного сервера под задачу — архитектура позволяет достраивать стек без переписывания интеграции.

Что ещё важно знать