Erläuterung der Model Context Protocol (MCP)-Spezifikation

Die Welt der KI wächst rasant, doch die Integration großer Sprachmodelle (LLMs) in reale Systeme war schon immer kompliziert. Unterschiedliche APIs, unterschiedliche Formate, unterschiedliche Annahmen. Wenn Sie an der Entwicklung von Tools rund um LLMs gearbeitet haben, sind Sie wahrscheinlich immer wieder auf die gleiche Hürde gestoßen: Wie verbindet man ein Modell zuverlässig mit Live-Daten, Apps oder Aktionen, ohne jedes Mal das Rad neu zu erfinden?

Das Model Context Protocol (MCP) wurde als Antwort auf diese Frage entwickelt. Ursprünglich Ende 2024 von Anthropic eingeführt, ist MCP heute einer der vielversprechendsten offenen Standards für die Verbindung von KI-Modellen mit externen Tools und Datenquellen. In diesem Artikel erklären wir, was MCP ist, warum es wichtig ist, wie es funktioniert und wie Entwickler es sofort nutzen können.

 

Warum es das überhaupt gibt: Das Problem, das MCP löst

Beginnen wir mit dem Elefanten im Raum. Wenn Sie M verschiedene LLMs (wie Claude, GPT-4, Gemini) und N Tools (wie eine Datenbank, einen Kalender, ein Dateisystem oder ein CRM) haben, ist die Erstellung von M × N Integrationen einfach nicht realistisch.

Jede Kombination benötigt eigenen Code. Man optimiert ein Tool, und plötzlich funktioniert alles nicht mehr. Modelle können Ihr Tool nicht aufrufen, wenn man es ihnen nicht von Grund auf beibringt. Und das alles ohne ein gemeinsames Protokoll.

Dies ist das MxN-Integrationsproblem und ein enormer Produktivitätskiller. MCP bietet eine einfache Lösung, indem es als universeller Konnektor zwischen KI-Modellen und Tools fungiert. Anstatt zehn verschiedene Integrationen zu schreiben, schreiben Sie einen kompatiblen Server für Ihr Tool, der nun mit jedem kompatiblen KI-Modell kommunizieren kann.

So funktioniert MCP: Die Grundlagen

MCP folgt einem Client-Server-Modell und läuft komplett über JSON-RPC 2.0. Es ist modular, sicher und lässt sich problemlos in die meisten Umgebungen integrieren.

So ist das Ökosystem aufgebaut:

Drei Kernrollen

• Host: Dies ist die LLM-App selbst (z. B. Claude Desktop, eine IDE mit einem KI-Assistenten).
• Client: Ein Connector innerhalb des Hosts, der mit Servern kommuniziert
• Server: Ein einfacher Dienst, der Tools, Daten oder Eingabeaufforderungen bereitstellt

Der Host führt den Client aus, der sich mit einem oder mehreren Servern verbindet. Diese Server bieten Funktionen wie das Abrufen von Daten, das Ausführen von Funktionen oder die Bereitstellung strukturierter Eingabeaufforderungsvorlagen. Client und Server vereinbaren zunächst die Funktionen in einem Handshake und können dann mit dem Senden und Empfangen von Anfragen beginnen.

Was MCP-Server bieten können

Server in MCP sprechen in Primitiven. Dies sind die Bausteine, die LLMs verstehen und verwenden können.

1. Werkzeuge

Dies sind ausführbare Funktionen. Stellen Sie sie sich wie API-Endpunkte vor, die das LLM aufrufen kann.

Beispiele:

• create_event(Titel, Zeit)
• get_stock_price(ticker)
• translate_text(text, zielsprache)

Jedes Tool muss einen eindeutigen Namen, typisierte Parameter und eine beschreibende Docstring enthalten. Dies hilft dem Modell zu verstehen, wann und wie es verwendet werden soll.

2. Ressourcen

Ressourcen sind strukturierte Daten, auf die in einer Eingabeaufforderung verwiesen oder die während der Generierung vom Modell verwendet werden können.

Beispiele:

• Wissensdatenbank-Artikel
• CRM-Datensätze
• Dateien von einem lokalen Laufwerk

Dadurch kann das Modell seine Antworten in einem tatsächlichen, aktuellen Kontext verankern.

3. Eingabeaufforderungen

Eingabeaufforderungsprimitive definieren wiederverwendbare Vorlagen oder Arbeitsabläufe.

Denken Sie beispielsweise an Onboarding-Checklisten, benutzerorientierte Eingabeaufforderungen oder geführte Aktionen. Sie tragen dazu bei, die Konsistenz der Interaktion eines Modells mit Benutzern zu gewährleisten.

 

Was MCP-Clients tun können

MCP-Clients sind nicht nur passive Empfänger. Sie können Servern auch zwei wichtige Funktionen bieten: Roots und Sampling.

Wurzeln

Roots ermöglichen einem Server den Zugriff auf einen bestimmten Ordner oder Dateisystempfad auf der Clientseite, jedoch nur mit Benutzerberechtigung. Dies ist nützlich, wenn ein Tool eine Datei lesen, einen Ordner scannen oder lokal gespeicherte Daten verarbeiten muss. Beispielsweise kann ein Server Zugriff auf /Documents/Reports/ anfordern, um PDFs zusammenzufassen oder Daten zu extrahieren. Der Zugriff ist immer auf den vom Benutzer freigegebenen Pfad beschränkt und somit sicher und kontrolliert.

Probenahme

Durch Sampling kann der Server das LLM des Clients auffordern, etwas zu generieren, beispielsweise eine Eingabeaufforderung zu vervollständigen oder einen Antwortentwurf zu erstellen. Dies ermöglicht dynamischere Arbeitsabläufe. Beispielsweise könnte ein Tool fragen: “Kann Ihr Modell diesen Text zusammenfassen?” oder “Erstellen Sie eine Folge-E-Mail”. Auf diese Weise können Tools modellgenerierte Inhalte abrufen, ohne die Generierung in den Server selbst zu integrieren.

Beide Funktionen bieten Servern mehr Flexibilität, jedoch immer mit Zustimmung und klaren Grenzen. Dadurch fühlt sich MCP sicher und dennoch leistungsstark an.

 

Bauen mit MCP: So gehen wir bei Mobian vor

Bei Mobian, Wir arbeiten mit Teams zusammen, die über Prototypen hinausgehen und echte, produktionsreife KI-Systeme entwickeln möchten. Das Model Context Protocol passt genau zu diesem Ziel. Es bietet uns eine saubere, standardisierte Möglichkeit, große Sprachmodelle mit den benötigten Tools und Daten zu verbinden, ohne auf benutzerdefinierte Integrationen angewiesen zu sein, die bei jeder Änderung nicht mehr funktionieren. Für uns geht es nicht nur um die Implementierung einer Model Context Protocol-Spezifikation, sondern um die Entwicklung digitaler Produkte, die flexibel, sicher und skalierbar sind.

Bei der Entwicklung KI-gesteuerter Plattformen oder Unternehmenssoftware ermöglicht uns MCP die Entwicklung von Systemen, die mit neuen Tools natürlich wachsen. Anstatt den gesamten Stack neu zu entwickeln, können wir neue Funktionen in bestehende Workflows integrieren, sei es Datenzugriff, Prozessautomatisierung oder benutzerorientierte KI-Interaktionen. Das passt perfekt zu unserer Arbeitsweise bei Mobian – skalierbar, modular und auf realen Geschäftsanforderungen basierend.

Wichtige Designprinzipien, die MCP auszeichnen

Das Model Context Protocol ist nicht nur ein technischer Workaround oder ein Patch für Integrationsprobleme. Es basiert auf einigen Kernprinzipien, die es nicht nur praktisch, sondern auch sicher, flexibel und skalierbar machen. Hier erfahren Sie, was MCP so leistungsstark macht.

Vertrauen und Zustimmung

Im Mittelpunkt von MCP steht die strikte Benutzerkontrolle. Nichts geschieht ohne ausdrückliche Zustimmung. Ob es um die Ausführung eines Tools, den Zugriff auf Benutzerdaten oder das Auslösen einer Modellreaktion geht – die Benutzer haben das letzte Wort. Tools wird niemals blind vertraut. Sofern sie nicht ausdrücklich verifiziert oder vorab freigegeben wurden, werden sie standardmäßig mit Vorsicht behandelt. Dieser Ansatz hilft, unerwartetes Verhalten zu vermeiden und sorgt für Transparenz. Das Protokoll schränkt außerdem ein, was das Modell tun kann, sofern der Benutzer keine Berechtigung erteilt hat, sodass Ihr System nicht zu einer offenen Sandbox für KI-Aktionen wird.

Modularität

Eine der intelligentesten Designentscheidungen von MCP ist die Modularität. Jeder Server läuft unabhängig. Wenn also ein Tool abstürzt oder sich fehlerhaft verhält, zieht dies nicht den Rest des Setups mit sich. Sie müssen Ihre App nicht neu erstellen, nur um eine Integration auszutauschen. Dies erleichtert die langfristige Wartung, das Experimentieren mit neuen Tools oder das Erstellen benutzerdefinierter Stacks, ohne alles andere zu beschädigen.

Zusammensetzbarkeit

MCP unterstützt außerdem die Zusammensetzbarkeit, d. h. Sie können Tools miteinander verknüpfen, um erweiterte Workflows zu erstellen. Ein Modell kann mehrere MCP-Server koordiniert nutzen, um Daten zu sammeln, Funktionen aufzurufen und systemübergreifend Antworten zu generieren. Diese Ketten können je nach Bauvorhaben einfach oder komplex sein. Das Protokoll ermöglicht jedoch einen sauberen und zuverlässigen Übergang von einem Schritt zum nächsten.

 

Implementierung: Erste Schritte mit MCP

Sie können MCP von beiden Seiten ansprechen: Client oder Server.

Wenn Sie einen Server erstellen (Tool-Anbieter)

Dies ist der häufigste Weg. So läuft es normalerweise ab:

1. Wählen Sie eine Sprache (Python und TypeScript werden am besten unterstützt)
2. Verwenden Sie das offizielle SDK, um einen Basisserver zu erstellen
3. Definieren Sie Ihre Tools, Ressourcen oder Eingabeaufforderungen
4. Fügen Sie klare Parametertypen und beschreibende Docstrings hinzu
5. Wählen Sie eine Transportmethode (stdio für lokal, HTTP oder WebSocket für Remote)
6. Registrieren Sie Ihren Server in der MCP-Konfiguration Ihrer Host-App

Eine gute Dokumentation ist hier entscheidend. Wenn der LLM Ihr Tool nicht versteht, wird er es nicht richtig verwenden.

Wenn Sie einen MCP-Client integrieren

Dies bedeutet, dass Sie auf der LLM-Seite arbeiten (z. B. beim Erstellen Ihrer eigenen Claude-ähnlichen App).

Sie müssen:

• Behandeln Sie die Servererkennung und die Fähigkeitsverhandlung
• Einrichten von UI-Komponenten für Tool-Genehmigungen und Stichprobenkontrollen
• Verwalten Sie die sofortige Injektion und zeigen Sie die Ergebnisse übersichtlich an
• Respektieren Sie Sicherheitsabläufe und Benutzereinwilligungen

 

Was ist neu im MCP-Standard 2025?

Seit seiner Einführung hat sich das Model Context Protocol rasant weiterentwickelt und die Spezifikation 2025 bringt einige bedeutende Verbesserungen mit sich, die den Einsatz in der Praxis und die Akzeptanz in Unternehmen widerspiegeln.

Einer der wichtigsten Verbesserungsbereiche ist die Sicherheit. Die neue Spezifikation führt feingranulare Zugriffskontrollen ein, sodass Entwickler genau definieren können, was ein Tool tun darf und was nicht. Auch die Audit-Protokollierung ist nun Teil des Standards. So lässt sich nachvollziehen, wie Tools genutzt werden und welche Eingabeaufforderungen gesendet oder generiert werden. Zudem gibt es eine klarere Abgrenzung zwischen dem, was Benutzer sehen, und dem, was das System im Hintergrund tut, was für zusätzliche Transparenz und Kontrolle sorgt.

Ein weiteres wichtiges Update betrifft die Tool-Verkettung. MCP verarbeitet nun die Kontextweitergabe zwischen Tools effektiver, sodass Sie den Status zwischen Aufrufen beibehalten können. Dies ist besonders hilfreich für Workflows, die mehrere Schritte umfassen und bei denen sich das Modell merken muss, was es zuvor in der Sitzung getan hat. Entwickler können nun komplexere Flows mit Tools von verschiedenen Servern erstellen, ohne dass es zu Statusverlusten oder umständlichen Resets kommt.

Schließlich wurden auch auf der Transportebene einige wesentliche Verbesserungen vorgenommen. Das Protokoll unterstützt nun zusätzliche Transportmöglichkeiten wie gRPC und Nachrichtenwarteschlangen und bietet Teams so mehr Flexibilität je nach Infrastruktur. Auch die Handhabung von Timeouts, Wiederholungsversuchen und Abbrüchen wurde verbessert, wodurch Bereitstellungen widerstandsfähiger und im großen Maßstab einfacher zu verwalten sind.

Durch diese Updates ist MCP besser für Produktionsumgebungen geeignet und kann erweiterte Agentensysteme besser unterstützen, ohne unnötige Risiken oder Komplexität einzuführen.

Warum MCP schnell an Boden gewinnt

Dies ist nicht nur ein weiteres vorübergehendes Format. MCP löst ein echtes, schmerzhaftes Problem im KI-Entwickler-Ökosystem. Es basiert auf realen Anwendungsfällen, wird durch SDKs unterstützt und ist bereits bei Akteuren wie Anthropic und OpenAI im Einsatz.

Noch wichtiger ist, dass die Entwickler die Kontrolle zurückerhalten. Sie können ein Tool einmal erstellen und es modell- und hostübergreifend nutzen. Das ist ein großer Vorteil für die langfristige Wartbarkeit.

 

Abschließende Gedanken

Das Model Context Protocol ist nicht nur eine weitere Spezifikation, die man überfliegen und ablegen kann. Es löst still und leise eines der größten Probleme der heutigen KI: Wie lassen sich LLMs mit den Tools, Dateien und Systemen kombinieren, auf die wir uns bereits verlassen? Anstatt jedes Mal, wenn ein Modell mit realen Daten interagieren soll, instabilen, individuellen Code zu schreiben, bietet Ihnen MCP eine gemeinsame Grundlage, auf der Sie aufbauen können. Eine Grundlage, die die Benutzerkontrolle respektiert, komplexe Workflows unterstützt und Integrationen modular und wartungsfreundlich hält.

Wenn Sie bereits mit LLMs arbeiten oder planen, etwas Agentenähnlicheres zu entwickeln, ist dieses Protokoll eine Überlegung wert. Nicht, weil es gerade im Trend liegt, sondern weil es ein echtes, wiederkehrendes Problem löst und Ihren Stack nachhaltiger macht. Bei Mobian sehen wir es als selbstverständlichen Bestandteil moderner KI-Infrastruktur – etwas, das uns hilft, intelligentere, adaptivere Systeme bereitzustellen, ohne vom ersten Tag an technische Schulden zu verursachen.