MCP-Server für Agenten: was sie sind und wann sie sich lohnen

Was MCP ist

Das Model Context Protocol (MCP) ist ein offener Standard, den Anthropic im November 2024 vorgestellt hat und den seither viele KI-Anbieter und Tools übernommen haben. Er verbindet KI-Anwendungen mit externen Systemen. Ein MCP-Server stellt Fähigkeiten bereit; ein MCP-Client – eine Chat-App, ein IDE-Assistent oder ein Agenten-Framework – entdeckt und nutzt sie.

Ein Server kann drei Arten von Dingen anbieten: Tools (Aktionen, die das Modell aufrufen kann, etwa „Tickets suchen“ oder „Rechnung erstellen“), Ressourcen (Daten, die die Anwendung lesen kann, etwa Dateien oder Datensätze) und Prompts (wiederverwendbare Vorlagen). Server laufen lokal über Standard-Ein- und -Ausgabe oder entfernt über HTTP.

Warum das wichtig ist

Vor MCP brauchte jede KI-Anwendung für jedes System eine eigene Integration. Mit MCP beschreibst du dein System einmal, und jeder kompatible Client kann es nutzen. Für ein Produktunternehmen heißt das: Kunden können dein Produkt mit den KI-Tools verbinden, die sie schon verwenden. Für ein internes Team bedient eine Integration alle Assistenten und Agenten im Unternehmen.

Wann sich ein MCP-Server lohnt

• Deine Kunden sollen dein Produkt aus den KI-Assistenten und Agenten nutzen, die sie bereits haben.
• Mehrere interne Agenten oder Assistenten brauchen dieselben Tools und Daten.
• Du willst ein gut kontrolliertes Tor zu internen Systemen mit einheitlicher Authentifizierung und Protokollierung.
• Dein Team pflegt bereits eine API, und eine MCP-Schicht darauf ist eine schlanke Ergänzung.

Wann nicht

• Du baust eine einzelne KI-Funktion in einer Anwendung mit einem Modell – direktes Function Calling ist einfacher.
• Die Aktionen sind risikoreich (Zahlungen, Daten löschen), und es gibt keinen Plan für Berechtigungen und menschliche Freigabe.
• Deine zugrunde liegende API ist noch nicht stabil; kläre das zuerst.

Gute Tools entwerfen

Modelle wählen Tools anhand von Name, Beschreibung und Eingabeschema – schreib sie für jemanden, der dein System nicht kennt. Setze lieber auf wenige fokussierte Tools („find_customer_by_email“, „list_open_tickets“) als auf ein Tool mit vielen Modi. Gib kompakte, strukturierte Ergebnisse mit IDs zurück, die das Modell im nächsten Aufruf nutzen kann, und hilfreiche Fehlermeldungen bei falscher Eingabe.

Trenne Lesen und Schreiben. Reine Lese-Tools können oft frei laufen; Tools, die Daten ändern, sollten die passende Berechtigung verlangen und bei wichtigen Aktionen einen Bestätigungsschritt im Client.

Sicherheit

Entfernte Server sollten eine saubere Autorisierung nutzen – die MCP-Spezifikation baut auf OAuth auf –, und jedes Token sollte nur die Rechte tragen, die der Nutzer tatsächlich hat. Protokolliere jeden Tool-Aufruf mit Urheber und Änderung. Vor allem: Tool-Ergebnisse landen im Kontext des Modells. Ein Ticket, eine E-Mail oder eine Webseite aus einem Tool kann Text enthalten, der dem Modell neue Anweisungen geben will. Behandle Tool-Ausgaben als Daten, begrenze, was eine Sitzung tun kann, und binde bei allem Destruktiven einen Menschen ein.

Der Einstieg

Offizielle SDKs gibt es für TypeScript, Python und weitere Sprachen, Community-Pakete decken PHP und Laravel ab. Beginne mit zwei oder drei Lese-Tools über einer bestehenden API, teste sie mit dem MCP Inspector und einem echten Client, beobachte, wie das Modell sie nutzt, und schärfe die Beschreibungen, bevor du Schreibaktionen hinzufügst. Die Qualität eines MCP-Servers hängt weniger vom Protokoll ab als von klaren Tools und sorgfältigen Berechtigungen.