Wat als je AI-assistent niet alleen vragen kan beantwoorden, maar ook direct toegang heeft tot de kennis en informatie binnen jouw organisatie?
Denk aan projectupdates, bedrijfsdocumentatie, HR-informatie en interne kennis. In plaats van zelf door verschillende systemen en documenten te zoeken, stel je simpelweg een vraag aan je AI-agent. Die haalt de relevante informatie op uit jouw applicaties en vertaalt deze naar een bruikbaar antwoord.
Met het Model Context Protocol (MCP) wordt dit mogelijk. MCP biedt een gestandaardiseerde manier om AI-agents te verbinden met externe databronnen en applicaties.
In dit blog laat ik aan de hand van een Proof of Concept zien hoe je een MCP-server implementeert in Drupal, met OpenLucius als databron. Ik koppel de server aan Claude en laat zien hoe je via gewone vragen toegang krijgt tot informatie uit je teamwork-platform.
Theorie en een werkend concept:
Van AI-hype naar praktische toepassingen
Een MCP-server? Wat nu weer voor AI-ding?
Er gebeurt ontzettend veel op AI-gebied. Maar wat mij betreft wordt het pas echt interessant wanneer AI toegang krijgt tot de informatie die al binnen je eigen organisatie aanwezig is.
Wees overigens niet bang: je kunt alle informatie binnen je eigen muren houden, dus zonder dat het lekt naar externe AI's, systemen en whatnot.
Anyway, stel dat je aan je AI-assistent vragen kunt stellen zoals:
- Bedrijfsdocumentatie: Wat zijn onze afspraken over thuiswerken? Waar staat beschreven hoe we omgaan met klantgegevens?
- HR: Wat is ons beleid rondom ouderschapsverlof? Hoeveel vakantiedagen heb ik?
- Projecten: Welke projecten lopen momenteel vertraging op? Wat zijn de belangrijkste openstaande actiepunten van project X?
- Interne kennis: Hebben we eerder een vergelijkbaar project gedaan? Wat hebben we daarvan geleerd?
- Teams en samenwerking: Welke besluiten zijn er de afgelopen maand genomen? Wat zijn de belangrijkste ontwikkelingen binnen team Marketing?
In plaats van zelf door documenten, projectmanagementtools en andere systemen te zoeken, stel je gewoon een vraag. De AI-agent haalt de relevante informatie uit de beschikbare bedrijfsbronnen en maakt er een begrijpelijk antwoord van.
Dat is de kracht van AI in combinatie met je eigen data. En precies daar komt MCP om de hoek kijken.
MCP is een generiek protocol, het kan in alle systemen geïntegreerd worden. Het is dus niet afhankelijk van Drupal, het kan ook ingezet worden voor jullie systemen.
Ja ok, maar wat is MCP dan?
MCP staat voor Model Context Protocol. Het is een open protocol waarmee AI-toepassingen verbinding kunnen maken met externe databronnen, tools en applicaties.
Het protocol is oorspronkelijk ontwikkeld door Anthropic en op 25 november 2024 openbaar gemaakt. Inmiddels hebben vrijwel alle grote AI-bedrijven zich bij deze standaard aangesloten.
Meer informatie: https://modelcontextprotocol.io
Het idee is relatief eenvoudig: in plaats van voor iedere AI-toepassing een eigen integratie te bouwen, biedt MCP een gestandaardiseerde manier om AI-modellen toegang te geven tot externe systemen.
Je kunt het zien als een universele tussenlaag tussen AI en je applicaties. AI-agents kunnen daardoor met dezelfde databronnen en functionaliteiten als de applicatie werken.
Je kunt overigens zelf bepalen welke AI-Agent je ervoor gebruikt. ChatGPT, Claude, maar ook bijvoorbeeld Slack of jullie eigen custom AI-agent.
Wat kun je ermee?
De toepassingen zijn behoorlijk breed. Een paar voorbeelden:
- Bedrijfsdata analyseren: AI-chatbots kunnen verbinding maken met verschillende databases binnen een organisatie. Medewerkers kunnen vervolgens via chat vragen stellen over die data.
- Content aanmaken: vanuit een agent in bijvoorbeeld Slack, Claude Desktop, Claude Code of ChatGPT Desktop kun je content laten aanmaken in een gekoppeld systeem. Je kunt ook een eigen agent gebruiken als je geen data naar externe AI-diensten wilt sturen.
- Persoonlijke AI-assistent: agents krijgen toegang tot bijvoorbeeld Google Calendar en Notion en kunnen daarmee veel persoonlijker assisteren.
- Development: als developer kun je via prompts systemen configureren en ontwikkelen. Denk in Drupal bijvoorbeeld aan het opzetten van content types, taxonomieën en velden.
MCP Server versus CLI
Je kunt natuurlijk ook rechtstreeks met AI-agents in een command-line-interface (CLI) werken. Toch zit daar een enorm groot verschil.
MCP maakt het voor niet-technische gebruikers veel toegankelijker. Je configureert de verbinding in een bestaande AI-agent en kunt vervolgens direct met je applicatie communiceren.
Via een CLI is dat een heel ander verhaal. Dat is een stuk technischer en geeft agents bovendien toegang tot allerlei commando's die niet iedere gebruiker begrijpt, de gevolgen van deze vrijheid kunnen enorm zijn.
MCP-server implementatie bakent alle rollen en rechten af voor mensen die gebruik maken van een AI-assistent, zodat ze helemaal los kunnen gaan zonder iets stuk te maken.
Let wel: zorg voor een goede monitoring van alle AI activiteiten, je weet maar nooit hoe een AI-agent zijn weg vind in onverwachte acties. Ook backups zijn hierin essentieel.
Een Proof of Concept: MCP koppelen aan OpenLucius
Voor deze PoC gebruik ik OpenLucius, een Drupal-distributie voor teamwork en samenwerking.
Mijn doel is om via een AI-agent vragen te kunnen stellen over de data in het platform. Bijvoorbeeld:
Geef me alle updates van laatste 7 dagen uit alle projectgroepen.
Ik doe dit voorlopig lokaal, met test-content. Daarmee kan ik rustig onderzoeken hoe de verbinding werkt en welke informatie ik uit Drupal kan ophalen.
Als je dit op afstand wilt inrichten, bijvoorbeeld voor een productieomgeving, krijg je ook te maken met zaken als OAuth en aanvullende configuratie. Dat wil ik in een vervolg verder uitwerken.
De Drupal MCP Server
Voor Drupal is er een MCP Server-module beschikbaar. Deze maakt het mogelijk om Drupal content en config als MCP-server aan te bieden, zodat externe AI-clients de beschikbare functionaliteiten kunnen gebruiken.
Er zijn twee transportprotocollen:
1. STDIO transport
STDIO staat voor Standard Input/Output. Hierbij start de MCP-client de MCP-server als een lokaal subprocess op dezelfde machine.
2. HTTP transport
Bij HTTP transport wordt het Hypertext Transfer Protocol gebruikt om berichten en aanroepen tussen de client en de server uit te wisselen.
Dit is de transportmethode die je doorgaans in productieomgevingen zult gebruiken. Daarbij moet je onder andere rekening houden met OAuth en aanvullende configuratie.
--
Voor deze PoC werk ik volledig lokaal. Daarom gebruik ik STDIO.
De Drupal MCP Server-module en bijbehorende dependencies bevinden zich inmiddels in een gevorderd beta-stadium. Voor mijn test ziet het er stabiel genoeg uit om ermee aan de slag te gaan.
Tools: wat mag de AI-agent eigenlijk doen?
Een MCP-server op zichzelf is niet genoeg. De AI-agent moet ook weten welke functionaliteiten beschikbaar zijn en wat hij daarmee kan doen.
Daar komen Drupal Tool API en de bijbehorende modules in beeld.
Tool API
https://www.drupal.org/project/tool
De Tool API werkt samen met MCP, maar kan ook zelfstandig worden gebruikt. Hiermee kun je tools definiëren die aangeven welke handelingen beschikbaar zijn.
MCP Server Tool Bridge
https://www.drupal.org/project/mcp_server_tool_bridge
Deze module zorgt voor de koppeling tussen de Drupal Tool API en de MCP-server.
Tool belt
https://www.drupal.org/project/tool_belt
Deze module biedt daadwerkelijk een aantal tools, die binnen de MCP-server beschikbaar gemaakt kunnen worden, zoals moderatie van content, users, config. Maar ook configureren van content types, fields en andere site building functies. Het is vrij uitgebreid, erg veel functies binnen Drupal kunnen hiermee beschikbaar gemaakt worden in de MCP-server, en dus AI-agent.
Installatie en configuratie
Voor deze lokale testomgeving gebruik ik DDEV. Voor deze PoC installeer ik volgende modules in Drupal:
- mcp_server
- mcp_server_tool_bridge
- tool
- tool_belt
- tool_belt_content
- tool_explorer
- mcp_server_tool_bridge
Er zijn nog veel meer mogelijkheden binnen Tool Belt, maar dit is voor nu voldoende om de eerste verbinding te testen.
De MCP-server testen
Om te controleren of de MCP-server daadwerkelijk werkt, gebruik ik de MCP Inspector. Deze start ik met:
npx @modelcontextprotocol/inspector ddev drush mcp:server Administrator
(Zie ook module pagina)
Hierbij gebruik ik Administrator (UID 1) als gebruiker in mijn testinstallatie. Dat is voor een PoC praktisch, voor een productieomgeving moet je een rollen -en rechtenstructuur implementeren.
In de Inspector zie ik dat de server verbonden is:

De Inspector laat ook zien welke tools beschikbaar zijn. In mijn geval is dat op dit moment één tool: List entities.

Met deze tool kan ik Drupal-entiteiten opvragen en daarbij onder andere filteren, sorteren en bepalen welke velden worden teruggegeven.
Klik ik op 'List entities' tool, dan krijg ik results:

De tool ondersteunt verschillende Drupal-entiteitstypen, zoals nodes, users en files, maar ook de OpenLucius-entiteiten.
Mijn huidige concept biedt alleen leesmogelijkheden, dat is genoeg voor nu. Er zijn dus nog geen tools beschikbaar om entities aan te maken, te wijzigen of te verwijderen.
Claude agent koppelen
Configureer de MCP-server in Claude, dit heb ik m.b.v. Claude agent gedaan (Thanks to Webwash for this)
Het resultaat:

Zoals je ziet was mijn initiële configuratie niet helemaal lekker. Claude fixte het.
Check of tool wordt herkend in Claude met command /mcp:

Mooi, de tool wordt nu door Claude agent herkend.
Het resultaat: chatten jouw teamwork data
Nu de verbinding werkt, wordt het interessant. Ik gebruik Claude om de beschikbare Drupal-tools aan te roepen en vragen te stellen over de data in OpenLucius.
Een eerste test:
Laat de meest recente updates zien

De agent gebruikt hiervoor de beschikbare tool om de activiteit uit de OpenLucius-activity stream (ol_stream_item) op te halen.
De resultaten worden vervolgens door Claude geïnterpreteerd en overzichtelijk weergegeven
Zo krijg ik bijvoorbeeld inzicht in toegevoegde taken, afgeronde taken, reacties en toegevoegde bestanden.
Het mooie is dat ik niet zelf hoef uit te zoeken welke Drupal-entiteiten en velden ik daarvoor moet raadplegen. Ik stel gewoon een vraag en de agent bepaalt welke beschikbare tool daarvoor nodig is.
Bizar wat een tijd dit scheelt in allerlei custom queries, afstemming, testen etc.
Ook: ultieme snelheid en flexibiliteit voor de eindgebruikers.
Dit is natuurlijk nog maar een eerste stap. De huidige PoC is bewust beperkt tot het beperkt uitlezen van data, maar het laat goed zien hoe je een AI-agent toegang kunt geven tot informatie binnen je eigen Drupal-platform.
Welke AI-agent gebruik je?
Voor deze test werk ik met Claude Code. Maar MCP is juist interessant omdat het niet aan één specifieke AI-toepassing gebonden is.
Je kunt verschillende clients gebruiken, waaronder Claude Desktop, Claude Code en andere toepassingen die MCP ondersteunen.
Wil je niet dat data van jouw organisatie naar externe AI-servers wordt gestuurd? Dan kun je ook kijken naar andere, privacygerichte agents en lokale oplossingen.
Het MCP-protocol is niet afhankelijk van één specifieke AI-aanbieder. Dat geeft je de vrijheid om zelf te bepalen welke agent je gebruikt.
Hoe zit het met UTCP?
Naast MCP is er sinds kort ook UTCP (Universal Tool Calling Protocol). Meer informatie: https://www.utcp.io/, iets om later verder te verkennen.
Tot slot
MCP is een interessante ontwikkeling voor iedere organisatie die meer uit haar eigen data wil halen.
We hebben binnen organisaties enorme hoeveelheden informatie beschikbaar, maar die informatie is vaak verspreid over verschillende systemen. Met MCP kun je die informatie toegankelijk maken voor AI-agents, zonder voor iedere toepassing een aparte integratie te hoeven bouwen.
De eerste stap met OpenLucius is gezet: een lokale Drupal MCP-server die via Claude informatie uit het platform kan ophalen en interpreteren.
In een vervolg-blog wil ik verder kijken naar een remote implementatie, inclusief OAuth en de benodigde configuratie. Ook de mogelijkheden om meer acties vanuit de AI-agent uit te voeren zijn interessant om verder te onderzoeken. Zoals bijvoorbeeld:
Voeg een taak toe "Documentatie bijwerken" in onze HR groep.
De mogelijkheden zijn er. Nu is het vooral een kwestie van doorontwikkelen en bepalen hoe je dit op een praktische en veilige manier kunnen inzetten.
