Lösungen für
Bitte auswählen
Web-App testen
ki-orchestrierung

Model Context Protocol (MCP)

Redaktion ·

Das Model Context Protocol — kurz MCP — heißt erst mal nur: ein einheitlicher Stecker, über den ein KI-Modell an externe Tools und Daten herankommt. Statt für jedes Modell und jede Datenquelle eine eigene Integration zu bauen, sprechen beide Seiten dasselbe Protokoll. Anthropic hat MCP Ende 2024 vorgestellt, und innerhalb eines Jahres ist daraus ein Branchenstandard geworden, den auch OpenAI, Google, Microsoft und AWS unterstützen.

Das Problem, das MCP löst

Stell dir vor, du willst einem KI-Assistenten Zugriff auf dein Ticket-System, deine Datenbank und dein Google Drive geben. Ohne Standard baust du drei Integrationen — und zwar für jedes Modell neu. Function Calling, also die Fähigkeit eines Modells, Funktionen aufzurufen, sieht zwar bei OpenAI, Anthropic und Google im Schema fast gleich aus. Die Tools selbst musst du aber trotzdem pro Anbieter anbinden.

Das ist das berühmte N-mal-M-Problem: N Modelle mal M Tools ergibt eine Flut an Einzelintegrationen, die niemand pflegen will. MCP dreht das um. Du baust einen Tool-Server einmal, und jedes Modell, das MCP spricht, kann ihn nutzen. Aus N mal M wird N plus M.

Die Architektur: Client und Server

MCP funktioniert nach einem Client-Server-Muster. Auf der einen Seite steht der MCP-Client — das ist die KI-Anwendung selbst, also ein Assistent wie Claude, eine IDE oder ein Agent. Auf der anderen Seite steht der MCP-Server — ein kleines Programm, das eine konkrete Fähigkeit bereitstellt, etwa Zugriff auf deine Postgres-Datenbank oder dein Dateisystem.

Zwischen beiden läuft eine Verbindung über JSON-RPC 2.0, also ein simples Nachrichtenformat, in dem Anfragen und Antworten als JSON hin und her gehen. Der Transport kann lokal über die Standardeingabe laufen (STDIO) oder über HTTP, wenn der Server entfernt liegt. Das Vorbild ist das Language Server Protocol aus der Entwickler-Welt, das genau dasselbe für Code-Editoren tut: einmal anbinden, überall nutzbar.

Ein MCP-Server stellt drei Arten von Bausteinen bereit:

  • Tools — Funktionen, die das Modell aufrufen kann, etwa eine Datenbankabfrage oder ein API-Call.
  • Resources — Daten, die das Modell lesen kann, etwa Dateien oder Datenbankeinträge.
  • Prompts — vorgefertigte Vorlagen, die der Server dem Modell anbieten kann.

Und genau da macht es klick: Sobald ein Tool-Server existiert, ist er für jeden MCP-fähigen Client nutzbar — du schreibst die Anbindung kein zweites Mal.

Warum das für Agenten-Orchestrierung zählt

In der Orchestrierung mehrerer KI-Agenten wird der Standard erst richtig wertvoll. Ein Agenten-System besteht oft aus mehreren Agenten, die sich Teilaufgaben teilen — einer plant, andere arbeiten ab, einer fügt zusammen. Jeder von ihnen braucht Werkzeuge: Suche, Datenbankzugriff, Dateioperationen.

Ohne MCP müsstest du jedem Agenten seine Tools einzeln einprogrammieren. Mit MCP hängst du einen Tool-Server an, und alle Agenten greifen über dasselbe Protokoll darauf zu. Das macht ein System nicht nur schneller zu bauen, sondern auch leichter zu erweitern: Ein neuer Server kommt dazu, und schon können alle Agenten ihn nutzen — ohne dass du an ihrem Code anfasst.

Klingt nach Overkill für ein kleines Skript, und das ist es da auch. Aber sobald dein System aus vielen Agenten und vielen Werkzeugen besteht, ist genau diese Entkopplung der Punkt, an dem die ganze Sache überhaupt wartbar bleibt.

Wer MCP nutzt und wie reif es ist

MCP hat sich erstaunlich schnell durchgesetzt. Schon wenige Monate nach dem Start gab es über 1.000 von der Community gebaute Server, bis Ende 2025 wuchs die offizielle Registry auf rund 2.000 Einträge. Im Lauf von 2025 haben OpenAI, Microsoft, Google und AWS MCP in ihre eigenen Stacks aufgenommen, und im Dezember 2025 hat Anthropic die Verwaltung an eine neutrale Stiftung übergeben — ein Zeichen, dass MCP kein Anthropic-Hausstandard mehr ist, sondern geteilte Infrastruktur.

Die aktuelle Spezifikation ist auf den 25. November 2025 datiert. Sie brachte unter anderem aufgabenbasierte Workflows (der Server kann langlaufende Arbeit verfolgen statt nur sofort zu antworten), eine vereinfachte Autorisierung über OAuth und ein Erweiterungs-Framework für Zusatzfunktionen außerhalb des Kerns. Wichtig zu wissen: Das Feld bewegt sich schnell, und manche dieser Bausteine sind noch als experimentell markiert.

FAQ

Was ist das Model Context Protocol einfach erklärt?
MCP ist ein offener Standard, über den KI-Modelle an externe Tools und Datenquellen andocken. Statt jede Integration für jedes Modell neu zu bauen, sprechen Modell und Tool dasselbe Protokoll — wie ein universeller Stecker.
Wer hat MCP entwickelt?
Anthropic hat MCP Ende 2024 vorgestellt. Im Lauf von 2025 haben OpenAI, Microsoft, Google und AWS Unterstützung aufgenommen, und im Dezember 2025 ging die Verwaltung an eine neutrale Stiftung über.
Was ist der Unterschied zwischen MCP-Client und MCP-Server?
Der Client ist die KI-Anwendung, die Tools nutzen will — ein Assistent, eine IDE, ein Agent. Der Server ist das Programm, das Fähigkeiten anbietet, etwa Datenbankzugriff. Ein Agent ist immer der Client.
Brauche ich MCP für ein einzelnes KI-Tool?
Für ein kleines Skript mit einem festen Tool ist MCP Overkill. Sein Wert zeigt sich erst, wenn viele Modelle oder Agenten auf viele Werkzeuge zugreifen sollen — dann spart der Standard dir den ganzen Integrations-Wildwuchs.
Wie unterscheidet sich MCP von Function Calling?
Function Calling ist die Fähigkeit eines einzelnen Modells, Funktionen aufzurufen — aber anbieterspezifisch. MCP standardisiert die Tool-Seite darüber hinaus, sodass derselbe Tool-Server von jedem MCP-fähigen Modell genutzt werden kann.

Themenuebersicht

KI-OrchestrierungMCP-Workflows