Protokol Konteks Model (MCP) telah mendapatkan perhatian yang signifikan sejak dirilis oleh Anthropic. Sebagai pengembang yang bekerja dengan integrasi AI, saya terus mencari alat yang menyederhanakan koneksi API ke model bahasa besar (LLM). Ketika Mintlify mengumumkan Generator Server MCP mereka, saya merasa tertarik. Janji untuk menghasilkan server MCP langsung dari dokumentasi untuk memungkinkan panggilan API yang dibantu AI terdengar seperti perubahan besar. Namun, saya juga ingin membandingkannya dengan alternatif seperti Apidog, yang menawarkan kemampuan serupa untuk integrasi dan pengujian API.
Dalam ulasan ini, saya akan menjelaskan pengalaman saya menguji Generator Server MCP Mintlify, dengan fokus pada pengaturan, fungsionalitas, dan kinerjanya. Saya juga akan mengeksplorasi bagaimana ia dibandingkan dengan Apidog, alat yang saya anggap sangat berharga untuk debugging alur kerja API.
Apa Itu Generator Server MCP Mintlify?
Generator Server MCP Mintlify adalah alat yang dirancang untuk membuat server Protokol Konteks Model (MCP) langsung dari dokumentasi Anda. MCP, bagi yang tidak familiar, adalah protokol standar yang memungkinkan model AI berinteraksi dengan alat dan sumber data eksternal—seperti GitHub, Slack, atau bahkan API kustom Anda—tanpa memerlukan integrasi kustom untuk setiap koneksi. Mintlify memanfaatkan ini dengan memungkinkan pengembang untuk menghasilkan server MCP menggunakan struktur data yang ada, seperti spesifikasi OpenAPI.
Generator ini bertujuan untuk menyederhanakan tiga skenario kunci:
- Pencarian umum dan pengambilan jawaban dari dokumentasi.
- Pemintaan dan eksekusi API secara real-time melalui aplikasi AI.
- Jawaban kontekstual untuk pengguna yang menanyakan detail produk melalui LLM.
Mintlify memasarkan ini sebagai cara untuk menjembatani kesenjangan antara API Anda dan ekosistem AI, menjadikan dokumentasi Anda lebih mudah diakses oleh manusia dan agen AI. Tapi apakah ini memenuhi janji tersebut? Mari kita uraikan proses pengujian saya.
Mengatur Generator Server MCP Mintlify
Pertama, saya mengikuti panduan instalasi Mintlify untuk mengatur Generator Server MCP. Proses ini memerlukan instalasi CLI sederhana, yang saya jalankan menggunakan npm:
npm install -g @mintlify/mcp-generator
Setelah instalasi, saya menavigasi ke direktori proyek saya yang berisi file spesifikasi OpenAPI (openapi.yaml). Dokumentasi Mintlify menyarankan bahwa generator dapat secara dinamis membuat server MCP berdasarkan spesifikasi ini. Saya menjalankan perintah berikut untuk menghasilkan server:
mintlify mcp-generate --spec openapi.yaml
CLI meminta saya untuk memilih folder tujuan untuk file server MCP yang dihasilkan. Dalam beberapa detik, ia menghasilkan pengaturan server yang ringan dengan Node.js sebagai lingkungan runtime. Server yang dihasilkan mencakup endpoint untuk pencarian umum, permintaan API, dan eksekusi tindakan—sesuai dengan kasus penggunaan yang dinyatakan oleh Mintlify.
Namun, saya mengalami sedikit masalah selama pengaturan. Generator mengasumsikan versi Node.js 18 atau lebih tinggi, tetapi sistem saya memiliki versi 16 yang terinstal. Setelah memperbarui Node.js, proses selesai dengan lancar. Ini menyoroti poin kunci: pastikan lingkungan Anda memenuhi persyaratan sebelum memulai.
Pengujian Server MCP: Integrasi API dan Interaksi AI
Selanjutnya, saya menguji server MCP yang dihasilkan dengan mengintegrasikannya dengan klien AI. Saya menggunakan Cursor, IDE bertenaga AI, untuk berinteraksi dengan server. Cursor mendukung klien MCP, memungkinkan untuk mencari dan mengeksekusi tindakan melalui protokol. Tujuan saya adalah untuk menguji dua skenario: mencari dokumentasi dan mengeksekusi panggilan API.
Skenario 1: Mencari Dokumentasi
Saya menginstruksikan Cursor untuk mencari endpoint tertentu dalam dokumentasi API saya: “Bagaimana cara saya melakukan otentikasi dengan API Foo?” Server MCP, yang berjalan secara lokal di http://localhost:3000, menjawab dengan jawaban terstruktur yang diambil dari spesifikasi OpenAPI saya. Respons mencakup endpoint otentikasi, header yang diperlukan, dan contoh tubuh permintaan:
{
"endpoint": "/auth/login",
"method": "POST",
"headers": {
"Content-Type": "application/json"
},
"body": {
"username": "string",
"password": "string"
}
}
Ini berjalan dengan lancar, dan waktu responsnya mengesankan—di bawah 200 milidetik. Generator Server MCP secara efektif mengubah dokumentasi saya menjadi sumber yang dapat dicari untuk aplikasi AI.
Skenario 2: Mengeksekusi Panggilan API
Untuk tes kedua, saya ingin melihat apakah server MCP dapat mengeksekusi panggilan API atas nama saya. Saya mengautentikasi Cursor dengan kunci API yang diperlukan dan memintanya untuk “memulai pengembalian dana Stripe untuk ID biaya tertentu.” Server MCP memproses permintaan tersebut, menghasilkan panggilan API yang sesuai, dan mengeksekusinya menggunakan API Stripe. Respons mengonfirmasi pengembalian dana:
{
"id": "re_1N5X7Y2eZvKYlo2C0X5Y7Z8",
"amount": 1000,
"status": "succeeded"
}
Fungsionalitas ini merupakan peningkatan besar dibandingkan dokumentasi tradisional, karena memungkinkan AI tidak hanya mengambil informasi tetapi juga mengambil tindakan. Namun, saya menyadari bahwa server tidak memiliki pencatatan yang mendetail untuk lalu lintas API, yang menyulitkan untuk melakukan debugging jika terjadi kesalahan. Di sinilah Apidog bersinar, seperti yang akan saya bahas nanti.
Kinerja dan Skalabilitas Generator Server MCP
Setelah menguji fungsionalitas inti, saya mengevaluasi kinerja dan skalabilitas server MCP yang dihasilkan. Saya menjalankan uji beban menggunakan skrip sederhana untuk mensimulasikan 100 permintaan bersamaan ke server, menanyakan berbagai endpoint. Server menangani beban dengan baik, dengan waktu respons rata-rata 250 milidetik dan tanpa kerusakan.
Namun, ketika saya meningkatkan beban menjadi 500 permintaan bersamaan, waktu respons melonjak menjadi 1,2 detik, dan server kadang-kadang mengembalikan kesalahan 503. Ini menunjukkan bahwa konfigurasi default server MCP mungkin tidak dioptimalkan untuk skenario lalu lintas tinggi. Untuk mengatasi ini, saya memodifikasi konfigurasi server untuk meningkatkan jumlah thread pekerja:
const server = require('./mcp-server');
server.setWorkerThreads(4);
server.start();
Penyetelan ini mengurangi waktu respons menjadi 800 milidetik di bawah beban yang sama, tetapi masih menunjukkan bahwa Generator Server MCP mungkin memerlukan optimasi tambahan untuk lingkungan produksi.
Membandingkan Generator Server MCP Mintlify dengan Apidog
Sementara Generator Server MCP Mintlify mengesankan saya dengan kemudahan penggunaannya, saya tidak bisa tidak membandingkannya dengan Apidog, alat lain yang saya gunakan untuk pengaturan server MCP dan pengujian API. Apidog menawarkan solusi server MCP yang terintegrasi langsung dengan spesifikasi API, mirip dengan Mintlify, tetapi menyediakan fitur tambahan yang membuatnya menjadi alternatif yang lebih baik dalam skenario tertentu.
Pengaturan dan Konfigurasi
Proses pengaturan Apidog sedikit lebih rumit daripada Mintlify, memerlukan Node.js dan file konfigurasi untuk mendefinisikan sumber data. Namun, Apidog mendukung beberapa sumber data langsung dari kotak, termasuk file lokal, basis data, dan API jarak jauh. Mintlify, di sisi lain, terutama berfokus pada spesifikasi OpenAPI, yang membatasi fleksibilitasnya.
Debugging dan Visibilitas
Salah satu area di mana Apidog mengungguli Mintlify adalah debugging. Apidog memungkinkan Anda untuk menangkap dan memeriksa lalu lintas API antara server MCP dan klien AI seperti Cursor. Misalnya, ketika saya menguji skenario pengembalian dana Stripe yang sama dengan server MCP Apidog, saya dapat melihat muatan permintaan dan respons yang tepat:
Permintaan:
{
"charge": "ch_1N5X7Y2eZvKYlo2C0X5Y7Z8",
"amount": 1000
}
Respons:
{
"id": "re_1N5X7Y2eZvKYlo2C0X5Y7Z8",
"amount": 1000,
"status": "succeeded"
}
Tingkat visibilitas ini membantu saya memecahkan masalah otentikasi yang tidak jelas dengan server Mintlify. Kemampuan Apidog untuk menyimpan spesifikasi API secara lokal dan menyegarkannya sesuai permintaan juga memastikan bahwa AI selalu bekerja dengan data terbaru.
Generasi Kode dan Kustomisasi
Apidog membawa fungsionalitas server MCP lebih jauh dengan memungkinkan AI untuk menghasilkan kode berdasarkan spesifikasi API. Misalnya, saya menggunakan Apidog untuk menghasilkan catatan Java untuk skema “Produk”:
public record Product(String id, String name, double price) {}
Generator Server MCP Mintlify tidak menawarkan fitur ini, lebih fokus pada pencarian dan eksekusi API. Meskipun ini sejalan dengan tujuan Mintlify untuk meningkatkan dokumentasi, set fitur yang lebih luas dari Apidog menjadikannya lebih serbaguna bagi pengembang yang bekerja pada alur kerja AI yang kompleks.
Menghubungkan Dokumentasi API Online yang Diterbitkan oleh Apidog ke AI melalui Server MCP Apidog
Server MCP Apidog memungkinkan AI untuk terhubung dan memanfaatkan dokumentasi API online yang diterbitkan oleh Apidog.
Metode konfigurasi ini hanya mendukung dokumentasi online yang diterbitkan secara publik dan tidak mendukung dokumentasi dengan pengaturan kata sandi atau whitelist. Untuk dokumentasi yang tidak publik, disarankan untuk menggunakan ID proyek dan token akses API pribadi untuk membaca data proyek Apidog. Untuk detail lebih lanjut, lihat: Menghubungkan Dokumentasi API dalam Proyek Apidog ke AI melalui Apidog.
Mengaktifkan MCP untuk Dokumentasi Online
Ambil File Konfigurasi Setelah mengaktifkan, tombol Vibe Coding(via MCP) akan muncul saat mengakses dokumentasi online.
Klik tombol tersebut akan menampilkan panduan konfigurasi dan file konfigurasi MCP, yang secara otomatis menyertakan site-id dokumentasi Anda. Cukup salin konfigurasi ini untuk integrasi IDE.
Mengonfigurasi MCP di Cursor: Edit File Konfigurasi MCP Buka editor Cursor, klik ikon pengaturan (pojok kanan atas), pilih "MCP" dari menu sebelah kiri, lalu klik "+ Tambahkan server MCP global baru".
Tambahkan Konfigurasi Tempelkan konfigurasi JSON MCP yang disalin dari dokumentasi online ke dalam file mcp.json yang dibuka: macOS / Linux Windows
{
"mcpServers": {
"apidog-site-123456": {
"command": "npx",
"args": [
"-y",
"apidog-mcp-server@latest",
"--site-id=123456"
]
}
}
}Verifikasi Konfigurasi Uji koneksi dengan meminta AI (dalam mode Agen), misalnya:
Silakan ambil dokumentasi API melalui MCP dan beri tahu saya berapa banyak endpoint yang ada dalam proyek.Jika AI mengembalikan informasi API yang benar, koneksinya berhasil.
Catatan Penting: Jika Anda perlu bekerja dengan dokumentasi API yang berbeda, cukup tambahkan beberapa konfigurasi Server MCP ke file konfigurasi.
Setiap dokumentasi API harus memiliki <site-id> yang unik. Untuk pengguna implementasi on-premise, harap sertakan alamat API server on-premise Anda dalam konfigurasi MCP IDE: "--apidog-api-base-url=<Alamat API server on-premise, dimulai dengan http:// atau https://>" Selain itu, pastikan akses jaringan ke www.npmjs.com berfungsi dengan baik.
{
"mcpServers": {
"apidog-site-123456": {
"command": "npx",
"args": [
"-y",
"apidog-mcp-server@latest",
"--site-id=123456",
// Diperlukan untuk implementasi on-premise:
"--apidog-api-base-url=<Alamat API server on-premise>"
]
}
}
}Kelebihan dan Kekurangan Generator Server MCP Mintlify
Untuk merangkum pengalaman saya, berikut adalah kelebihan dan kekurangan dari Generator Server MCP Mintlify:
Kelebihan
- Pengaturan Mudah: Proses instalasi dan pembuatan berbasis CLI cukup sederhana, memakan waktu kurang dari lima menit.
- Integrasi AI yang Mulus: Server terintegrasi dengan baik dengan klien AI seperti Cursor, memungkinkan pencarian kontekstual dan eksekusi API.
- Berfokus pada Dokumentasi: Ini unggul dalam membuat dokumentasi dapat diakses oleh AI, meningkatkan pengalaman pengguna.
Kekurangan
- Skalabilitas Terbatas: Konfigurasi default mengalami kesulitan dengan skenario lalu lintas tinggi, memerlukan optimasi manual.
- Kurangnya Alat Debugging: Tidak ada cara bawaan untuk memeriksa lalu lintas API, yang dapat menyulitkan pemecahan masalah.
- Fokus Sempit: Ini terutama mendukung spesifikasi OpenAPI, membatasi penerapannya pada sumber data lain.
Mengapa Apidog Merupakan Alternatif yang Lebih Baik untuk Kebutuhan Server MCP
Walaupun Generator Server MCP Mintlify adalah alat yang solid untuk kasus penggunaan yang berfokus pada dokumentasi, Apidog menawarkan solusi yang lebih komprehensif bagi pengembang yang bekerja dengan server MCP. Kemampuan Apidog untuk menangani berbagai sumber data, memberikan wawasan lalu lintas API yang mendetail, dan mendukung generasi kode menjadikannya pilihan yang lebih baik untuk alur kerja yang kompleks. Selain itu, versi beta dari server MCP Apidog secara aktif diperbarui, dengan fokus pada umpan balik pengembang, memastikan ia berkembang untuk memenuhi kebutuhan dunia nyata.
Jika Anda seorang pengembang yang ingin mengintegrasikan API dengan model AI, saya sarankan untuk mulai dengan Apidog. Set fitur yang kuat dan kemampuan debuggingnya akan menghemat waktu dan usaha Anda dibandingkan dengan penawaran Mintlify yang lebih terbatas.
Kesimpulan: Haruskah Anda Menggunakan Generator Server MCP Mintlify?
Setelah menguji Generator Server MCP Mintlify secara menyeluruh, saya bisa mengatakan bahwa ini adalah alat yang menjanjikan bagi pengembang yang ingin menjadikan dokumentasi mereka siap AI. Kemudahan penggunaan dan fokus pada integrasi API patut dipuji, tetapi kurang dalam skalabilitas dan debugging—area di mana Apidog unggul. Jika tujuan utama Anda adalah untuk meningkatkan dokumentasi dengan kemampuan AI, Mintlify adalah pilihan yang baik. Namun, untuk kebutuhan server MCP yang lebih maju, Apidog adalah alternatif yang lebih baik.
Seiring MCP terus berkembang, alat seperti Mintlify dan Apidog akan memainkan peran penting dalam membentuk bagaimana pengembang mengintegrasikan API dengan AI. Saya senang melihat bagaimana kedua platform ini berkembang di masa depan, tetapi untuk saat ini, Apidog memiliki suara saya karena fleksibilitas dan fitur yang ramah pengembang.