Доверие к агенту не живёт в промпте: human approval для destructive MCP tools

Три режима одной обёртки решают, останется ли человек в контуре опасного вызова: elicitation в UI клиента, одноразовый token, auto между ними. В разборе Saurabh Pathak переносит правило в код (preview без эффектов, execute после согласия, npm mcp-safe-actions 1.2.0).
Соло на TypeScript, который поднимает MCP-сервер под Cursor или другой клиент, не может полагаться на «please ask first» в промпте, когда на кону удаление файла, письмо или drop table.
Промпт просит, код не обязан слушать
System prompt остаётся просьбой.
Агент в IDE дойдёт до MCP tool call, если сервер отдал опасную операцию без gate. Необратимые сценарии в Dev.to-тексте перечислены явно: delete_file (в том числе при prompt injection вроде delete_file("../../important")), отправка email, drop table. Контроль уезжает из инструкций модели в контракт сервера: последствия описаны в API и заблокированы до approval, а не «обсуждаются» в чате.
Preview, elicitation и token: три лица одного tool
Preview говорит, что произойдёт, и ничего не меняет; execute включается только после approval.
В примере Pathak: registerConfirmedTool из mcp-safe-actions, MCP SDK (@modelcontextprotocol/sdk), схема через zod, аудит fileAudit("./audit.jsonl"), флаг destructiveHint: true в листинге. Для vibe-coding контура граница ближе к rules и skills в редакторе, чем к «будь осторожен» в чате: обёртка tool, не тон ассистента.
Human decision по задумке MCP сидит в client UI. Elicitation запрашивает человека через интерфейс клиента; модель не видит шаг approval и не может нажать «да» сама. Declined, cancelled, timed out, crashed означают одно: ничего не выполняется. Поддержка elicitation зависит от клиента и версии; пошаговой связки с Cursor в статье нет, только generic MCP client. Перед продом проверьте, умеет ли ваш клиент elicitation, а не обещания в промпте.
Token mode автор называет speed bump, not proof of a human: модель может вызвать destructive tool дважды подряд без вопроса пользователю.
Если elicitation недоступен, сервер отдаёт plan и one-time token; ассистент показывает plan и вызывает tool снова с token. Token одноразовый, с истечением, только для того же tool с теми же аргументами. mode: auto (по умолчанию), elicit, token. Для необратимого нужен mode: "elicit". Preview обязан быть правдивым; execute() перепроверяет state после preview. Обёртка не sandbox всего сервера, только gating обёрнутых tools; least-privilege и валидация входов на разработчике.
Тесты, которые пытаются обойти gate
Suite в techsaurabh-394/mcp-safe-actions: 64 tests (unit, end-to-end с real MCP client and server in memory, property tests на 300 случайных наборов аргументов, stdio с дочерним процессом example server), заявленные 100% line coverage по src/.
npm run mutation вводит 20 намеренных поломок (reusable token, пропуск approval при ошибке, секреты в логе и др.); тесты должны падать, all 20 caught. Слабый тест описан в docs/TESTING.md. Локально: git clone → npm install → npm run demo (оба approval flow) → npm test. Для одного разработчика без security-team доверие к gate проверяется попытками сломать его, не лозунгом.
Channel, autoApprove и поведение 1.2.0
В релизе 1.2.0 autoApprove пропускает human prompt только при exact true; throw или truthy вроде "yes" всё равно спрашивает; mode: "elicit" игнорирует autoApprove.
mode: "channel" с webhookApprover(url) для headless: plan на ваш сервис; approve при HTTP 2xx и теле {"approved": true}; plain Slack incoming webhook ответа не вернёт, нужен промежуточный сервис. Оба режима покрыты тестами и mutation check; детали в docs/USAGE.md. В комментариях на Dev.to обсуждают refusal by default для irreversible tools без elicitation; в коде этого ещё нет (I haven't built it yet). На проде смотрите shipped behavior, не roadmap в комментариях. Python-версия для FastMCP заявлена как план без сроков.
Источники
- Stop your AI agent deleting things: human approval for destructive MCP tools — Dev.to, Saurabh Pathak; дата публикации поста: 1 ноября 2026 (UTC).
- techsaurabh-394/mcp-safe-actions — репозиторий библиотеки из поста.