Backend self-hosted terbaik untuk AI agent: sebuah checklist

Backend self-hosted yang baik untuk AI agent punya skema bertipe yang bisa ditemukan agent, pembacaan yang dibatasi, izin yang mengikat agent ke pengguna sungguhan, dan endpoint MCP yang bisa kamu nyalakan atau matikan. Kanesh menyediakannya dalam satu container kecil: endpoint MCP read-only per workspace (opt-in) yang memakai token API pribadi. Kanesh masih baru di rilis stabil pertamanya, dan penulisan data lewat REST, bukan MCP.

Yang dibutuhkan agent dari sebuah backend

Agent berbeda dari manusia dalam satu hal penting: ia bekerja cepat dan mengikuti instruksi yang ia temukan di dalam data. Backend untuknya sebaiknya membatasi kerusakan sejak desain.

• Skema yang bisa ditemukan. Agent seharusnya melihat daftar koleksi dan field sebelum query, bukan menebak nama tabel.
• Pembacaan terbatas. Setiap query mengembalikan satu halaman terbatas, dengan filter dan sort, sehingga satu panggilan tidak bisa menyedot seluruh database.
• Izin turunan. Agent bertindak dengan hak seorang pengguna dan tidak pernah lebih.
• Kredensial yang bisa dicabut. Token di-hash saat disimpan, punya masa berlaku, dan bisa dicabut.
• Jalur tulis terpisah. Membaca dan menulis sebaiknya tidak berbagi satu saklar.
• Log yang bersih. Log request tidak menyimpan isi record maupun kredensial.

Cara Kanesh menjawab tiap poin

Jalankan Kanesh dengan MCP_ENABLED=true. Setiap workspace lalu membuka satu endpoint MCP, dan Studio menampilkan konfigurasi siap pakai untuk Codex dan Claude Code. Endpoint-nya menyediakan tiga tool read-only:

Tool	Yang dikembalikan
get_workspace_schema	Koleksi dan field yang boleh dibaca token
get_schema_model	Lookup tersimpan dan index terkelola
list_records	Satu halaman record terbatas, dengan filter dan sort

Agent mengautentikasi diri dengan token API pribadi. Token disimpan sebagai hash, punya masa berlaku, bisa dicabut, dan membawa izin pengguna yang membuatnya. Izin itu berasal dari peran dan override per koleksi yang sama dengan di Studio dan REST, sehingga agent tidak pernah melihat lebih dari pemiliknya. Log tidak memuat isi request maupun kredensial, dan token tidak diterima lewat query string.

Penulisan memakai REST dengan token yang sama. Ekspor OpenAPI 3.1, yang dibuat dari skema yang berjalan, memberi tahu agent endpoint apa saja yang ada. Kapan agent boleh menulis, kamu putuskan sendiri di kodemu atau di langkah review. Lihat panduan MCP untuk setup.

Checklist yang bisa dipakai ulang

Pertanyaan	Kanesh saat ini
Apakah MCP bawaan?	Ya, opt-in dengan MCP_ENABLED=true
Berapa endpoint?	Satu per workspace
Bisakah agent menulis lewat MCP?	Tidak, tool read-only
Izin siapa yang berlaku?	Izin pemilik token
Bagaimana token disimpan?	Di-hash, punya masa berlaku, bisa dicabut
Seberapa matang?	Baru, rilis stabil pertama

Platform lain juga mendukung agent. Directus, misalnya, punya server MCP native dan AI assistant, dan ia platform yang matang. Bandingkan apa yang boleh dilakukan agent di masing-masing sebelum memilih.

Yang belum ada

Belum ada tool tulis MCP. Belum ada OAuth atau SSO, realtime, workflow, hook, maupun SDK, dan OAuth atau SSO, realtime, serta workflow ada di roadmap. API key dengan cakupan terbatas atau read-only juga belum tersedia, jadi token agent membawa hak penuh pemiliknya. Solusi praktisnya: buat pengguna khusus dengan peran Viewer, atau peran khusus, lalu terbitkan token agent dari akun itu.

FAQ

Apa itu MCP?

MCP, Model Context Protocol, adalah protokol yang memungkinkan alat AI memanggil fungsi dan membaca data dari server eksternal. Backend yang bisa MCP memungkinkan asisten meng-query datamu tanpa kode lem khusus.

Bisakah agent menulis data lewat endpoint MCP Kanesh?

Tidak. Tool MCP saat ini read-only. Agent yang perlu membuat koleksi atau record bisa memanggil API REST dengan token yang sama, sebatas izin pemilik token.

Bisakah agent melihat lebih banyak daripada saya?

Tidak. Token bertindak sebagai pengguna yang membuatnya, dengan peran dan aturan per koleksi yang sama. Buat pengguna terpisah dengan peran sempit kalau kamu ingin agent melihat lebih sedikit daripada kamu.

Langkah berikutnya

Ikuti Memulai, hubungkan agent lewat panduan MCP, atau lihat use case data agent. Untuk perbandingan dengan platform yang punya server MCP sendiri, baca Kanesh vs Directus.