Как настроить Movie Planner MCP для подбора и планирования кино через ИИ

Общение с нейросетями о кинематографе часто заходит в тупик на самом интересном месте. Разговор с языковой моделью обычно завершается списком названий в чате или общими формулировками о том, где теоретически можно приобрести билеты. Получается странная ситуация: человек обращается к виртуальному ассистенту за помощью, а в ответ получает лишь гипотезы вместо конкретного практического результата.

Чтобы решить эту проблему, я внедрил поддержку протокола MCP (Model Context Protocol) в свой сервис Movie Planner. MCP выступает связующим звеном между языковой моделью и базами данных: он предоставляет ИИ-агенту не просто абстрактный поиск в сети, а полноценный инструментарий для работы с личным списком кинолент пользователя и общей базой фильмов. Ассистент способен изучить список непросмотренного, проанализировать прошлые оценки, составить подборку на вечер или найти ссылки на покупку билетов. Инструмент абсолютно бесплатен, а подключить его можно к любым популярным ИИ-агентам — от Grok и Claude до Codex и Cursor.

Зачем нужен MCP в разговорном ИИ для кино

Обычная нейросеть отлично рассуждает о кинематографе, но не обладает ключевой информацией о конкретном человеку. Ей неизвестно, какие картины вы уже видели, что находится в вашей очереди на просмотр, какие оценки вы ставили и какие режиссёры или актёры вам действительно импонируют. Кроме того, ИИ часто выдаёт неактуальные данные по прокату: фильм может идти в кино, но узнать точные сеансы, найти кинотеатр поблизости и получить рабочую ссылку без множества лишних поисковых запросов бывает непросто.

В рамках Movie Planner MCP я объединил диалоговый интерфейс нейросети с живыми данными и прикладными функциями. Ниже я подробно разберу основные сценарии использования, которые я регулярно применяю в собственной практике.

Сценарий 1. Составление подборок с прямым сохранением в базу

В сервисе предусмотрен специальный раздел для фильмов и сериалов, отложенных на будущее — «Непросмотренное». Это личная база тайтлов, из которой удобнее всего выбирать кино на вечер. Когда интересная картина найдена, её можно сразу занести в эту категорию, а после просмотра — выставить оценку. После этого фильм автоматически перемещается из очереди в архив просмотренного.

Базовый запрос к нейросети через MCP может выглядеть так: «Порекомендуй 10 фильмов на выходные, но исключи то, что я уже смотрел». ИИ-агент обращается к базе Movie Planner, учитывает историю просмотров, персональные оценки и теги, собирает подходящий список и самостоятельно добавляет эти позиции в вашу базу. Ручной перенос названий из текста ответа больше не требуется.

Такой подход прекрасно работает со сложными и гибкими формулировками:

• «Найди что-то держащее в напряжении, но не чистый хоррор»;
• «Посоветуй современное кино для компании друзей на вечер»;
• «Сформируй подборку фильмов, похожих на те, которым я поставил высшие баллы».

Сценарий 2. Поиск сеансов, билетов и планирование походов в кино

Ещё один частый кейс — поиск билетов по текстовому запросу: «Найди билеты на этот фильм на сегодня неподалёку от меня». Movie Planner MCP проводит агента по чётко заданному алгоритму: сначала идентифицируется конкретная картина, затем проверяются подключённые билетные агрегаторы (среди которых T-Афиша и Ticketland), и пользователю возвращается актуальное расписание сеансов.

Благодаря интеграции с Яндекс.Картами сформированный план сохраняет географическую привязку кинотеатра. После покупки билета файл или скриншот можно отправить прямо в чат нейросети. Модель считывает данные через компьютерное зрение (vision/OCR) и передаёт в Movie Planner MCP название, дату, время и кинотеатр. Для этого используется специализированный маршрут mp_v1_ticket_to_cinema_plan, который автоматически создаёт событие в календаре и прикрепляет к нему изображение билета.

Без MCP нейросеть действует непредсказуемо — выдаёт случайные ссылки или некорректные графики. Протокол MCP гарантирует стабильный и точный результат, а в перспективе позволит оплачивать билеты прямо через чат-бота.

Сценарий 3. Персональный подбор фильмов конкретного актёра или режиссёра

Типичный запрос пользователя может звучать так: «Проверь, какие фильмы с Джимом Керри я ещё не видел, и выбери из них самые подходящие под мои предпочтения».

Без доступа к персональному профилю ИИ-агент выдаст лишь дежурный список главных хитов фильмографии. При использовании MCP нейросеть отфильтрует просмотренные ленты, сопоставит оставшиеся варианты с любимыми жанрами, личными оценками и планами. Это существенно снижает риск получить банальную рекомендацию киноленты, которую вы давно знаете наизусть. Аналогичный принцип применяется для сортировки по режиссёрам, годам выпуска, тегам и пользовательским коллекциям.

Сценарий 4. Быстрое распознавание фильма и добавление в списки

Языковые модели прекрасно справляются с поиском кино по смутным описаниям сюжета или застрявшим в памяти сценам. Однако после того как название найдено, человеку обычно приходится открывать браузер, заходить в заметки или сервис кинопоиска.

С помощью MCP ассистент сразу выполняет полный цикл действий: открывает карточку в Movie Planner, проверяет наличие фильма в вашей базе, добавляет его в плановые просмотры и предлагает подборку похожих произведений. Весь процесс происходит в одном окне без необходимости переключаться между вкладками и сторонними приложениями.

Инструкция по подключению Movie Planner MCP

Для подключения сервиса к вашему ИИ-агенту используется следующий URL-адрес подключения:

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

В работе сервиса разделены публичные и приватные функции:

• Без авторизации доступны: поиск по общей базе, открытие карточек фильмов, подбор похожих лент, просмотр расписания сеансов и ссылки на покупку билетов.
• С авторизацией по OAuth становятся доступны: личные оценки, список просмотренного, теги, персональные коллекции и планировщик сеансов.

Итоги работы с Movie Planner MCP

В такой связке ИИ-агент берёт на себя роль интерактивного собеседника, а Movie Planner снабжает его оперативной памятью и набором рабочих инструментов. Для меня было важно добиться того, чтобы любой запрос на поиск, подбор или планирование киносеанса доводился до логического финала в один шаг.

Источник: habr.com