Im November 2024 veröffentlichte Anthropic das Model Context Protocol (MCP), einen neuen Open Source Standard für die Kommunikation zwischen Komponenten einer KI-Anwendung sowie externen Systemen oder Tools. Die Entwickler-Community übernahm das Protokoll schnell und implementierte eine Vielzahl an MCP-Servern. Da führende Unternehmen wie AWS, GitHub und sogar Anthropics „Konkurrent“ OpenAI MCP nun offiziell unterstützen, gewinnt es auch im Business-Kontext schnell an Bedeutung.

MCP standardisiert die Integration von Daten und Tools mit KI-Anwendungen. Dieser Artikel erklärt, warum MCP sich aktuell schnell zum neuen Standard für die Kontextkommunikation in agentenbasierten KI-Systemen entwickelt.

Was ist das Model Context Protocol (MCP)?

Damit KI-Modelle in Produktionsumgebungen wie z.B. Programmierassistenten, Fertigungssteuerungen oder der Finanzberichterstattung zuverlässigen Mehrwert liefern, benötigen sie den passenden Kontext. Effektive KI-Systeme kombinieren die Fähigkeiten des Modells mit dem Zugriff auf relevante, präzise Informationen – seien es proprietäre Daten aus verschiedenen Unternehmenssystemen oder aktuelle Erkenntnisse aus Websuchen – sowie mit agentenbasierten Tools, die Daten weiterverarbeiten und Unternehmensabläufe automatisieren können.

Früher geschah dies ad hoc und ohne Standardisierung. MCP bietet nun ein konsistentes, strukturiertes Format für die Interaktion mit Large Language Models (LLMs) und anderen KI-Modellen und vereinfacht so die Entwicklung maßgeschneiderter KI-Anwendungen erheblich. Ähnlich wie REST-APIs einst die Kommunikation von Webdiensten standardisierten, ermöglicht MCP eine nahtlose Integration und Interoperabilität zwischen verschiedenen Systemen und Plattformen.

MCP definiert klare Muster für die Kontextbereitstellung für Modelle, die Verwaltung der Tool-Nutzung und die Verarbeitung von Antworten. So können Entwickler schneller wartungsfreundlichere KI-Anwendungen erstellen, ohne für jeden Anwendungsfall neue Implementationen erstellen zu müssen.

Wie funktioniert MCP?

MCP verwendet ein einfaches Client-Server-Modell. KI-Anwendungen wie Cursor, Claude oder ein Haystack Agent fungieren als Clients, die sich mit MCP-Servern verbinden. Jeder dieser Server ermöglicht über eine standardisierte Schnittstelle den Zugriff auf ein bestimmtes Tool oder eine Datenquelle.

Wenn die KI-Anwendung Informationen benötigt oder eine Aktion ausführen möchte, sendet sie eine Anfrage an den entsprechenden MCP-Server. Dieser übernimmt die Interaktion mit der zugrundeliegenden Datenquelle oder dem Tool und gibt die Ergebnisse zurück. Diese Standardisierung ermöglicht die Zusammenarbeit aller MCP-kompatiblen Clients mit allen MCP-kompatiblen Servern ohne individuelle Integration.

Während in der offiziellen Dokumentation zwischen Hosts (der KI-Anwendung) und Clients (Protokolladaptern auf der Hostseite, die 1:1 mit Servern verbunden sind) unterschieden wird, wird in den meisten praktischen Ausführungen zu MCP die KI-Anwendung selbst einfach als „MCP-Client“ bezeichnet, der sich mit mehreren Servern verbinden kann.

MCP Servers

Ein MCP-Server ist wie ein intelligenter Adapter für ein Tool oder eine App. Er kann eine Anfrage einer KI (z. B. „Verkaufsbericht von heute abrufen“) in vom Tool verständliche Befehle übersetzen.

Beispiele:

• Ein GitHub-MCP-Server könnte die Anfrage „Offene Pull Requests auflisten“ in einen GitHub-API-Aufruf umwandeln.
• Ein File-MCP-Server könnte die Anfrage „Zusammenfassung als Textdatei speichern“ in eine Datei auf Ihren Desktop schreiben.
• Ein YouTube-MCP-Server könnte Videolinks auf Anfrage transkribieren.

Der MCP Server ist für folgende Aufaben zuständig:

• Der KI erklären, was sie überhaupt tun kann (Tool-Erkennung)
• Interpretieren und Ausführen von Befehlen
• Formatieren von Ergebnissen, die für die KI verständlich sind
• Behandeln von Fehlern und Zurückgeben von aussagekräftigen Feedback

MCP Clients

Auf der anderen Seite befindet sich ein MCP-Client im KI-Assistenten oder in der App (wie Claude oder Cursor). Wenn die KI ein Tool verwenden möchte, kommuniziert sie über diesen Client mit dem entsprechenden Server.

Zum Beispiel:

• Cursor kann über einen Client mit Ihrer lokalen Entwicklungsumgebung interagieren
• Claude kann damit auf Dateien zugreifen oder Tabellen lesen

Der Client übernimmt den gesamten Transfer von Daten: Senden von Anfragen, Empfangen von Ergebnissen und Weiterleiten an die KI.

Das MCP Protokoll

Das MCP-Protokoll sorgt für die Synchronisierung. Es definiert die Kommunikation zwischen Client und Server – wie Nachrichten aussehen, wie Aktionen beschrieben werden und wie Ergebnisse zurückgegeben werden.

Es ist sehr flexibel:

• Kann lokal ausgeführt werden (z. B. zwischen Ihrer KI und den Apps Ihres Computers)
• Kann über das Internet ausgeführt werden (z. B. zwischen Ihrer KI und einem Online-Tool)
• Verwendet strukturierte Formate wie JSON, damit alles sauber und konsistent bleibt

Dank dieses gemeinsamen Protokolls kann ein KI-Agent eine Verbindung mit einem neuen Tool herstellen – sogar mit einem, das er noch nie zuvor gesehen hat – und trotzdem verstehen, wie es zu verwenden ist.

Services: Konkrete Apps und Daten

Der letzte Teil des Puzzles sind die Services – die eigentlichen Tools oder Datenquellen, die die KI nutzen möchte.

Das können sein:

• Lokal: Dateien auf Ihrem Gerät, ein Ordner, eine lokal ausgeführte App
• Remote: Cloud-Datenbanken, SaaS-Tools, Web-APIs

MCP-Server bilden das Gateway zu diesen Diensten und gewährleisten den Zugriff sicher und zuverlässig.

Model Context Protocol (MCP) in der Praxis: Integration und schnelle Entwicklung

Das Potenzial vom MCP wird deutlich, wenn wir uns Anwendungen in der Praxis ansehen:

1. Neue Integrationen ohne Programmierkenntnisse: Stellen Sie sich einen Finanzanalysten vor, der mit einem LLM Investitionsmöglichkeiten bewertet. Mit MCP kann er neue Datenquellen – beispielsweise eine proprietäre Marktdatenbank oder Echtzeit-Rohstoffpreise – dynamisch integrieren, ohne dass Entwicklungsressourcen für die individuelle Integration erforderlich sind. Der Analyst kann den KI-Assistenten einfach auf die MCP-kompatible Datenquelle verweisen und die Erkenntnisse sofort in die Analyse einfließen lassen.
2. Schnelle Integration von Datenquellen in dynamische Szenarien: Stellen Sie sich einen Marktforscher vor, der während einer Kundenpräsentation Daten aus einer spezialisierten Branchendatenbank hinzufügen möchte. Mit MCP kann er seinen KI-Assistenten mit minimalem Einrichtungsaufwand mit dieser neuen Quelle verbinden und Antworten mit neuem Kontext erhalten, ohne seinen Arbeitsablauf zu unterbrechen oder technischen Support zu benötigen.
3. Einfacheres Prototyping: Aus Sicht der Produktentwicklung beschleunigt MCP den Prototyping- und Iterationszyklus. Ein Bankinstitut, das verschiedene Anwendungsfälle für den KI-Einsatz evaluiert, kann mit MCP schnell mehrere Szenarien testen. Beispielsweise können sie die Automatisierung des Kundenservice, die personalisierte Finanzberatung und die Bearbeitung von Kreditanträgen gleichzeitig testen, indem sie Prototypen mit verschiedenen MCP-basierten Tools und Datenquellen erstellen.
4. Schnellere Iterationszyklen: Über das anfängliche Prototyping hinaus ermöglicht MCP eine iterative, feedbackgesteuerte Entwicklung. Beispielsweise könnte ein Team, das ein Self-Service-Portal erstellt, mit einfachen Funktionen zum Abrufen von Dokumenten beginnen und diese dann basierend auf dem Benutzerfeedback schrittweise erweitern. Wenn Kunden zusätzliche Funktionen anfordern, kann das Team problemlos neue Tools – Zugriff auf die Produktdatenbank, Abfrage des Bestellstatus, Erstellung von Support-Tickets – über MCP integrieren, ohne jede Integration von Grund auf neu schreiben zu müssen.

Mit diesen schnelleren und umfassenderen Möglichkeiten zum Prototyping und zur Iteration unterstützt die deepset AI Platform Teams dabei, den Überblick über ihre verschiedenen Projekte und Releases zu behalten. Sie bietet integrierte Best Practices für die KI-Produktentwicklung und zahlreiche vorgefertigte, aber leicht anpassbare Vorlagen, um jedes Projekt schnell zu starten. Produktteams können mehrere Anwendungsfälle validieren, bevor sie Ressourcen für die vollständige Entwicklung bereitstellen. Das reduziert die Markteinführungszeit und die Entwicklungskosten.

Ausblick und zukünftige Entwicklungen

Die einfache und flexible Integration von Datenquellen sowie schnellere Prototyping- und Iterationszyklen mit einer Vielzahl von Tools durch MCP machen es wahrscheinlich, dass MCP in den kommenden Jahren zu einem integralen Bestandteil von KI-Systemen in Unternehmen wird. Es gibt jedoch noch Bereiche, in denen das MCP-Ökosystem noch ausgereifter werden muss:

• Viele MCP-Server-Implementierungen sind derzeit lokal ausgelegt und lassen sich nicht auf Unternehmens-Workloads skalieren.
• Mehr offizielle MCP-Server-Implementierungen direkt von Unternehmen werden die Verbreitung steigern. Der Markt ist aber bereits rasant in Bewegung: AWS und GitHub haben beispielsweise kürzlich ihre ersten offiziellen Implementierungen veröffentlicht.
• MCP führt dynamischere Sicherheits- und Compliance-Anforderungen ein, die bei der Integration mehrerer Tools und Datenquellen in KI-Anwendungen erfüllt werden müssen.

Quellen

https://www.deepset.ai/blog/understanding-the-model-context-protocol-mcp

https://modelcontextprotocol.io/introduction

https://medium.com/@elisowski/mcp-explained-the-new-standard-connecting-ai-to-everything-79c5a1c98288

https://a16z.com/a-deep-dive-into-mcp-and-the-future-of-ai-tooling