Docker a rendu l'utilisation des serveurs MCP 100 fois plus facile (installations en un clic !)

Une méthode simplifiée est désormais disponible pour améliorer considérablement les capacités des agents IA grâce aux serveurs MCP. Historiquement, l'intégration de ces serveurs nécessitait de naviguer dans des registres GitHub et de configurer manuellement des fichiers JSON complexes pour chaque fonctionnalité désirée. Cette complexité représentait un véritable obstacle à l'adoption rapide de ces outils puissants par les agents.

Le flux de travail observé, intégrant la connexion à YouTube, Obsidian, Slack et GitHub, n'a pris que dix minutes à être entièrement configuré et opérationnel.

Le nouvel outil, le catalogue Docker MCP, change radicalement cette donne. Il s'agit d'une liste soigneusement organisée de serveurs MCP. Avec un simple clic, ces serveurs peuvent être connectés et immédiatement utilisables par des clients externes tels que Claude Code ou Claude Desktop, faisant de ce catalogue le nouveau centre de commande pour la gestion des serveurs MCP.

L'accès à ce catalogue de serveurs MCP nécessite uniquement l'installation de Docker Desktop. Pour ceux qui utilisent déjà Docker pour leurs applications, la plateforme est déjà active, permettant de gérer les serveurs MCP dans le même environnement que les conteneurs habituels, ce qui représente une intégration très harmonieuse.

La sélection d'un serveur, comme Cloud Code ou Gemini CLI, met à jour automatiquement la configuration nécessaire pour ces outils. Cela signifie que l'utilisateur n'a plus besoin d'intervenir manuellement sur les fichiers JSON, une tâche fastidieuse auparavant. Cette automatisation accélère considérablement le déploiement des fonctionnalités.

Le catalogue est actuellement trié par popularité. Des outils comme Fetch, avec plus de 500,000 téléchargements, permettent d'extraire le contenu d'une URL. D'autres serveurs comme Slack, Playright pour les tests front-end, Context 7 pour le RAG, ou encore des connecteurs pour les bases de données (Chroma DB), Notion, Brave et Firecrawl pour le scraping, sont disponibles, offrant une couverture fonctionnelle quasi exhaustive pour les besoins des agents.

L'installation d'un serveur, tel que celui des transcriptions YouTube, se fait par un simple clic sur le bouton « Add MCP Server ». Si des configurations spécifiques, comme des clés API, sont requises, elles peuvent être gérées directement dans l'interface du catalogue. Il est crucial de noter que pour utiliser l'ensemble des fonctionnalités de la trousse à outils MCP (actuellement en bêta), il faut s'assurer que les fonctionnalités bêta sont activées dans les paramètres de Docker.

Une fois un serveur sélectionné, il peut être connecté aux clients en un clic. Cependant, il est possible de tester les serveurs directement dans Docker Desktop grâce à Gordon, l'agent IA intégré, qui est également en version bêta. Gordon est préconfiguré pour utiliser la trousse à outils MCP, offrant un environnement de test immédiat avant même de connecter un client externe.

Pour tester le serveur de transcription YouTube, il suffit de demander à Gordon de transcrire une vidéo et de fournir un résumé concis. Gordon exécute l'appel d'outil (get_transcript) rapidement. Bien que fonctionnel, il est noté que Claude Desktop utilise un modèle de langage sous-jacent plus puissant que celui de Gordon, souvent comparable à Gemini 2.5 Flash ou GPT-5 Nano.

Pour utiliser ces outils dans des clients existants comme Claude Desktop, il faut se rendre dans l'onglet « clients » et cliquer sur « connect ». Un redémarrage du client est souvent nécessaire pour que les nouveaux outils agrégés soient disponibles. La vérification se fait en recherchant l'outil sous le nom générique mcp_docker, qui regroupe tous les outils des serveurs connectés.

Pour enrichir les capacités de Claude Desktop, plusieurs serveurs supplémentaires sont ajoutés. Slack est connecté en un clic, nécessitant la configuration de l'ID d'équipe et des jetons d'application Slack. Pour GitHub, l'utilisation d'une version archivée s'est avérée plus stable que la version officielle, nécessitant l'ajout d'un jeton d'accès personnel pour accéder aux dépôts.

L'intégration d'Obsidian, utilisé pour la prise de notes, requiert l'installation du plugin communautaire « Local Rest API » qui fournit la clé API nécessaire pour la configuration dans le catalogue MCP. Une fois ces quatre serveurs (Slack, GitHub, Obsidian, YouTube Transcripts) connectés, l'agent dispose d'un ensemble d'outils combinés, prêt à exécuter des tâches complexes.

Après avoir redémarré Claude Desktop, la vérification dans la section « search and tools » montre une liste d'outils beaucoup plus étendue, consolidant les capacités de Slack, Obsidian, YouTube Transcripts et GitHub sous le serveur agrégateur mcp_docker. Il est possible de tester des requêtes spécifiques, comme lister les canaux Slack accessibles, confirmant que seul le canal de recherche est listé.

Un point technique important concerne l'efficacité de ce système : tous les outils appelés s'exécutent via des conteneurs Docker qui sont rapidement démarrés pour effectuer l'action demandée, puis immédiatement arrêtés. Cela signifie que la multiplication des serveurs MCP connectés n'entraîne pas une consommation constante de mémoire sur la machine hôte.

Le véritable potentiel se révèle lors de la création de workflows complexes où l'agent doit coordonner l'utilisation de plusieurs serveurs pour accomplir une tâche globale. L'objectif ici est de pousser les limites du modèle Sonnet 4.5 en lui demandant d'effectuer une séquence d'actions interdépendantes.

La requête demande à l'agent de réaliser quatre étapes principales : récupérer la transcription de la vidéo Dockling (YouTube MCP), créer un résumé et le sauvegarder dans le dossier « reference notes » d'Obsidian (Obsidian MCP), lire l'historique de recherche dans le canal Slack spécifié (Slack MCP), puis créer une issue GitHub pour le projet Archon, et enfin, ajouter un commentaire (@cloudfix) pour déclencher l'agent Cloud Code sur cette nouvelle issue.

Je suis en train de demander beaucoup ici, et je suis réellement curieux de voir si l'agent sera capable d'accomplir l'ensemble de ces étapes.

L'exécution de ce flux de travail complexe s'est déroulée sans faute. Le modèle a réussi toutes les étapes séquentielles, démontrant une orchestration impressionnante des outils. Cloud Code a même été déclenché et a commencé à travailler sur l'issue créée de manière autonome.

Le résumé de la vidéo Dockling a été correctement enregistré dans Obsidian, avec une orthographe correcte du terme. Ensuite, l'agent a récupéré l'historique de conversation Slack pertinent. Pour GitHub, bien qu'un premier appel d'outil ait échoué lors de la création de l'issue, Sonnet 4.5 a démontré sa capacité à s'autocorriger, à rappeler l'outil correctement, et à créer l'issue formatée pour l'intégration Dockling.

Le résultat final est une automatisation complète, où la recherche initiale effectuée depuis Claude Desktop culmine avec Cloud Code travaillant activement sur une Pull Request dans le dépôt GitHub, le tout orchestré par les serveurs MCP.

L'incroyable capacité démontrée dans Claude Desktop ouvre la question de l'application de cette puissance aux agents personnalisés développés en code externe, comme ceux construits en Python ou via des plateformes d'automatisation. La méthode de connexion utilisée par Docker pour ses clients préconfigurés est réplicable pour des outils sur mesure.

L'examen des paramètres du serveur MCP Docker révèle l'utilisation du Docker MCP Gateway. Cette passerelle est la solution open source de Docker conçue pour orchestrer et gérer les serveurs MCP. Elle reproduit la logique interne utilisée pour connecter le catalogue aux clients prédéfinis, mais permet aux développeurs de l'exécuter localement pour connecter leurs propres agents personnalisés.

Pour utiliser cette fonctionnalité, il est nécessaire de construire la passerelle à partir des sources et de l'exécuter. Le protocole standard pour MCP est HTTP Streamable. L'exécution de la commande lance le serveur d'écoute sur un port spécifique, ici 8089, rendant tous les serveurs du catalogue accessibles à distance.

L'agent n8n est un excellent moyen d'exploiter immédiatement cette fonctionnalité. Un flux de travail simple est configuré avec un déclencheur de chat et un LLM basique (GPT-4.1 mini). La connexion au client MCP est établie en pointant vers l'hôte local sur le port 8089, en utilisant le transport HTTP Streamable.

Un autre exemple d'intégration concerne les agents vocaux construits avec LiveKit. En configurant le paramètre MCP Servers pour pointer vers la même URL de passerelle utilisée dans n8n, l'agent vocal hérite de toutes les capacités des serveurs curatés dans le catalogue Docker.

Dans une démonstration vocale, l'agent a pu interroger GitHub. En fournissant le nom d'utilisateur, l'agent a utilisé l'outil GitHub pour rechercher et identifier le dépôt avec le plus d'étoiles, qui s'est avéré être Archon, confirmant la réussite de l'interaction entre l'agent vocal personnalisé et les outils distants.

Le catalogue Docker MCP représente la manière la plus aisée d'intégrer des fonctionnalités externes et étendues aux agents IA. Cette collaboration avec Docker a permis de mettre en lumière des caractéristiques essentielles qui simplifient drastiquement l'écosystème des outils pour les agents.