(Klicken Sie auf das Bild oben, um das Video dieser Lektion anzusehen)
Generative KI-Anwendungen sind ein großer Fortschritt, da sie dem Benutzer oft erlauben, mit der App über natürlichsprachliche Eingaben zu interagieren. Allerdings möchte man, wenn mehr Zeit und Ressourcen in solche Apps investiert werden, sicherstellen, dass man Funktionalitäten und Ressourcen so integrieren kann, dass es einfach erweitert werden kann, die App mehr als ein Modell unterstützt und verschiedene Modellbesonderheiten handhaben kann. Kurz gesagt, das Erstellen von Gen KI-Apps ist anfangs einfach, doch wenn sie wachsen und komplexer werden, muss man anfangen, eine Architektur zu definieren und wird wahrscheinlich auf einen Standard angewiesen sein, um sicherzustellen, dass die Apps einheitlich gebaut werden. Hier kommt MCP ins Spiel, um die Dinge zu organisieren und einen Standard bereitzustellen.
Das Model Context Protocol (MCP) ist eine offene, standardisierte Schnittstelle, die es großen Sprachmodellen (LLMs) ermöglicht, nahtlos mit externen Tools, APIs und Datenquellen zu interagieren. Es bietet eine konsistente Architektur, um die Funktionalität von KI-Modellen über ihre Trainingsdaten hinaus zu erweitern und so intelligentere, skalierbare und reaktionsfähigere KI-Systeme zu ermöglichen.
Da generative KI-Anwendungen komplexer werden, ist es wichtig, Standards einzuführen, die Skalierbarkeit, Erweiterbarkeit, Wartbarkeit sicherstellen und Vendor Lock-in vermeiden. MCP adressiert diese Bedürfnisse durch:
- Vereinheitlichung der Integration von Modellen und Tools
- Reduzierung von anfälligen, einmaligen Sonderlösungen
- Ermöglichung der Koexistenz mehrerer Modelle verschiedener Anbieter in einem Ökosystem
Hinweis: Obwohl MCP sich als offener Standard versteht, gibt es keine Pläne, MCP über bestehende Standardisierungsorganisationen wie IEEE, IETF, W3C, ISO oder andere zu standardisieren.
Am Ende dieses Artikels werden Sie in der Lage sein:
- Das Model Context Protocol (MCP) und seine Anwendungsfälle zu definieren
- Zu verstehen, wie MCP die Kommunikation zwischen Modell und Tool standardisiert
- Die Kernkomponenten der MCP-Architektur zu identifizieren
- Anwendungsfälle von MCP in Unternehmen und Entwicklungsumgebungen zu erkunden
Vor MCP erforderte die Integration von Modellen mit Tools:
- individuellen Code pro Tool-Modell-Paar
- nicht-standardisierte APIs für jeden Anbieter
- häufige Unterbrechungen durch Updates
- schlechte Skalierbarkeit bei mehr Tools
| Vorteil | Beschreibung |
|---|---|
| Interoperabilität | LLMs funktionieren nahtlos mit Tools verschiedener Anbieter |
| Konsistenz | Einheitliches Verhalten über Plattformen und Tools hinweg |
| Wiederverwendbarkeit | Einmal erstellte Tools können in verschiedenen Projekten und Systemen genutzt werden |
| Schnellere Entwicklung | Entwicklungszeit durch standardisierte, Plug-and-Play-Schnittstellen verkürzen |
MCP folgt einem Client-Server-Modell, bei dem:
- MCP Hosts die KI-Modelle betreiben
- MCP Clients Anfragen initiieren
- MCP Server Kontext, Tools und Fähigkeiten bereitstellen
- Ressourcen – Statische oder dynamische Daten für Modelle
- Prompts – Vorgefertigte Workflows für geführte Generierung
- Tools – Ausführbare Funktionen wie Suche, Berechnungen
- Sampling – Agentic-Verhalten über rekursive Interaktionen
- Elicitation – Server-initiierte Anfragen zur Nutzerinteraktion
- Roots – Dateisystem-Grenzen für Zugriffskontrolle durch Server
MCP nutzt eine zweischichtige Architektur:
- Datenebene: JSON-RPC 2.0-basierte Kommunikation mit Lifecycle-Management und Primitiven
- Transportschicht: STDIO (lokal) und Streamable HTTP mit SSE (remote) Kommunikationskanäle
MCP-Server arbeiten folgendermaßen:
- Anfragefluss:
- Eine Anfrage wird vom Endnutzer oder einer Software in dessen Auftrag initiiert.
- Der MCP Client sendet die Anfrage an einen MCP Host, der die Laufzeitumgebung des KI-Modells verwaltet.
- Das KI-Modell erhält den Nutzereingabe-Prompt und kann den Zugriff auf externe Tools oder Daten über einen oder mehrere Tool-Aufrufe anfordern.
- Der MCP Host, nicht das Modell direkt, kommuniziert über das standardisierte Protokoll mit den entsprechenden MCP Server(s).
- Funktionalität des MCP Host:
- Tool-Register: Pflegt einen Katalog verfügbarer Tools und deren Fähigkeiten.
- Authentifizierung: Überprüft Berechtigungen für Tool-Zugriffe.
- Anfrage-Handler: Bearbeitet eingehende Tool-Anfragen vom Modell.
- Antwort-Formatter: Strukturiert Tool-Ausgaben in einem für das Modell verständlichen Format.
- Ausführung der MCP Server:
- Der MCP Host leitet Tool-Aufrufe an einen oder mehrere MCP Server weiter, die spezialisierte Funktionen anbieten (z.B. Suche, Berechnungen, Datenbankabfragen).
- Die MCP Server führen ihre jeweiligen Operationen aus und geben Ergebnisse im konsistenten Format an den MCP Host zurück.
- Der MCP Host formatiert und übermittelt diese Ergebnisse an das KI-Modell.
- Abschluss der Antwort:
- Das KI-Modell integriert die Tool-Ausgaben in eine finale Antwort.
- Der MCP Host sendet diese Antwort an den MCP Client, der sie an den Endnutzer oder die aufrufende Software überträgt.
---
title: MCP Architektur und Komponenteninteraktionen
description: Ein Diagramm, das die Abläufe der Komponenten im MCP zeigt.
---
graph TD
Client[MCP Client/Anwendung] -->|Sendet Anfrage| H[MCP Host]
H -->|Ruft auf| A[KI Modell]
A -->|Werkzeug-Aufruf Anfrage| H
H -->|MCP Protokoll| T1[MCP Server Werkzeug 01: Websuche]
H -->|MCP Protokoll| T2[MCP Server Werkzeug 02: Rechner Werkzeug]
H -->|MCP Protokoll| T3[MCP Server Werkzeug 03: Datenbankzugriffs-Werkzeug]
H -->|MCP Protokoll| T4[MCP Server Werkzeug 04: Dateisystem Werkzeug]
H -->|Sendet Antwort| Client
subgraph "MCP Host Komponenten"
H
G[Werkzeugregister]
I[Authentifizierung]
J[Anfragebearbeiter]
K[Antwortformatierer]
end
H <--> G
H <--> I
H <--> J
H <--> K
style A fill:#f9d5e5,stroke:#333,stroke-width:2px
style H fill:#eeeeee,stroke:#333,stroke-width:2px
style Client fill:#d5e8f9,stroke:#333,stroke-width:2px
style G fill:#fffbe6,stroke:#333,stroke-width:1px
style I fill:#fffbe6,stroke:#333,stroke-width:1px
style J fill:#fffbe6,stroke:#333,stroke-width:1px
style K fill:#fffbe6,stroke:#333,stroke-width:1px
style T1 fill:#c2f0c2,stroke:#333,stroke-width:1px
style T2 fill:#c2f0c2,stroke:#333,stroke-width:1px
style T3 fill:#c2f0c2,stroke:#333,stroke-width:1px
style T4 fill:#c2f0c2,stroke:#333,stroke-width:1px
MCP-Server erlauben es, die Fähigkeiten von LLMs durch Bereitstellung von Daten und Funktionalität zu erweitern.
Bereit zum Ausprobieren? Hier sind sprach- und/oder stack-spezifische SDKs mit Beispielen, wie man einfache MCP-Server in verschiedenen Sprachen/Stacks erstellt:
-
Python SDK: https://github.com/modelcontextprotocol/python-sdk
-
TypeScript SDK: https://github.com/modelcontextprotocol/typescript-sdk
-
C#/.NET SDK: https://github.com/modelcontextprotocol/csharp-sdk
MCP ermöglicht eine Vielzahl von Anwendungen, indem es KI-Fähigkeiten erweitert:
| Anwendung | Beschreibung |
|---|---|
| Integration von Unternehmensdaten | Anbindung von LLMs an Datenbanken, CRM-Systeme oder interne Tools |
| Agentische KI-Systeme | Ermöglicht autonome Agenten mit Tool-Zugriff und Entscheidungs-Workflows |
| Multimodale Anwendungen | Kombination von Text-, Bild- und Audio-Tools in einer einzigen KI-App |
| Echtzeit-Datenintegration | Einbindung von Live-Daten für genauere und aktuelle Ausgaben in KI-Interaktionen |
Das Model Context Protocol (MCP) fungiert als universeller Standard für KI-Interaktionen, ähnlich wie USB-C physische Verbindungen für Geräte standardisiert hat. In der KI-Welt bietet MCP eine konsistente Schnittstelle, die es Modellen (Clients) erlaubt, sich nahtlos mit externen Tools und Datenanbietern (Servern) zu integrieren. Dadurch entfällt die Notwendigkeit vielfältiger, individueller Protokolle für jede API oder Datenquelle.
Unter MCP folgt ein MCP-kompatibles Tool (bezeichnet als MCP-Server) einem einheitlichen Standard. Diese Server können die von ihnen angebotenen Tools oder Aktionen auflisten und diese ausführen, wenn ein KI-Agent darum bittet. KI-Agentenplattformen, die MCP unterstützen, können verfügbare Tools der Server entdecken und sie über dieses Standardprotokoll aufrufen.
Über das Bereitstellen von Tools hinaus erleichtert MCP auch den Zugang zu Wissen. Es ermöglicht Anwendungen, großen Sprachmodellen (LLMs) Kontext bereitzustellen, indem sie an verschiedene Datenquellen angebunden werden. Beispielsweise könnte ein MCP-Server das Dokumentenarchiv eines Unternehmens repräsentieren, sodass Agenten bei Bedarf relevante Informationen abrufen können. Ein anderer Server könnte spezifische Aktionen wie das Versenden von E-Mails oder das Aktualisieren von Datensätzen übernehmen. Aus Sicht des Agenten sind das einfach nur Tools, die er verwenden kann – einige Tools geben Daten (Wissenskontext) zurück, andere führen Aktionen aus. MCP verwaltet beides effizient.
Ein Agent, der sich mit einem MCP-Server verbindet, lernt automatisch die verfügbaren Fähigkeiten und zugänglichen Daten des Servers über ein Standardformat kennen. Diese Standardisierung ermöglicht eine dynamische Verfügbarkeit von Tools. Zum Beispiel ist das Hinzufügen eines neuen MCP-Servers zum System eines Agenten sofort nutzbar, ohne dass eine weitere Anpassung der Agentenanweisungen nötig wäre.
Diese vereinfachte Integration entspricht dem Ablauf, der im folgenden Diagramm gezeigt wird, in dem Server sowohl Tools als auch Wissen bereitstellen und so eine nahtlose Zusammenarbeit zwischen Systemen gewährleisten.
---
title: Skalierbare Agentenlösung mit MCP
description: Ein Diagramm, das zeigt, wie ein Benutzer mit einem LLM interagiert, das mit mehreren MCP-Servern verbunden ist. Jeder Server stellt sowohl Wissen als auch Werkzeuge bereit und schafft so eine skalierbare KI-Systemarchitektur.
---
graph TD
User -->|Eingabeaufforderung| LLM
LLM -->|Antwort| User
LLM -->|MCP| ServerA
LLM -->|MCP| ServerB
ServerA -->|Universeller Verbinder| ServerB
ServerA --> KnowledgeA
ServerA --> ToolsA
ServerB --> KnowledgeB
ServerB --> ToolsB
subgraph Server A
KnowledgeA[Wissen]
ToolsA[Werkzeuge]
end
subgraph Server B
KnowledgeB[Wissen]
ToolsB[Werkzeuge]
end
```Der Universal Connector ermöglicht MCP-Servern die Kommunikation und das Teilen von Fähigkeiten miteinander, sodass ServerA Aufgaben an ServerB delegieren oder dessen Tools und Wissen nutzen kann. Dies föderiert Tools und Daten über Server hinweg und unterstützt skalierbare und modulare Agentenarchitekturen. Da MCP die Tool-Exposition standardisiert, können Agenten dynamisch Tools entdecken und Anfragen zwischen Servern weiterleiten, ohne hartcodierte Integrationen.
Tool- und Wissensföderation: Tools und Daten können über Server hinweg zugänglich gemacht werden, was skalierbarere und modularere agentische Architekturen ermöglicht.
### 🔄 Erweiterte MCP-Szenarien mit clientseitiger LLM-Integration
Über die grundlegende MCP-Architektur hinaus gibt es erweiterte Szenarien, in denen sowohl Client als auch Server LLMs enthalten und so komplexere Interaktionen möglich sind. Im folgenden Diagramm könnte die **Client-App** beispielsweise eine IDE sein, die eine Reihe von MCP-Tools für die Nutzung durch das LLM bereitstellt:
```mermaid
---
title: Erweiterte MCP-Szenarien mit Client-Server-LLM-Integration
description: Ein Sequenzdiagramm, das den detaillierten Interaktionsablauf zwischen Benutzer, Client-Anwendung, Client-LLM, mehreren MCP-Servern und Server-LLM zeigt, und Tool-Erkennung, Benutzerinteraktion, direkten Tool-Aufruf und Funktionsverhandlungsphasen veranschaulicht
---
sequenceDiagram
autonumber
actor User as 👤 Benutzer
participant ClientApp as 🖥️ Client-App
participant ClientLLM as 🧠 Client-LLM
participant Server1 as 🔧 MCP-Server 1
participant Server2 as 📚 MCP-Server 2
participant ServerLLM as 🤖 Server-LLM
%% Discovery Phase
rect rgb(220, 240, 255)
Note over ClientApp, Server2: TOOL-ERKENNUNGSPHASE
ClientApp->>+Server1: Verfügbare Werkzeuge/Ressourcen anfragen
Server1-->>-ClientApp: Werkzeugliste zurückgeben (JSON)
ClientApp->>+Server2: Verfügbare Werkzeuge/Ressourcen anfragen
Server2-->>-ClientApp: Werkzeugliste zurückgeben (JSON)
Note right of ClientApp: Kombinierten Werkzeugkatalog<br/>lokal speichern
end
%% User Interaction
rect rgb(255, 240, 220)
Note over User, ClientLLM: BENUTZERINTERAKTIONSPHASE
User->>+ClientApp: Natürliche Sprachabfrage eingeben
ClientApp->>+ClientLLM: Abfrage + Werkzeugkatalog weiterleiten
ClientLLM->>-ClientLLM: Abfrage analysieren & Werkzeuge auswählen
end
%% Scenario A: Direct Tool Calling
alt Direkter Werkzeugaufruf
rect rgb(220, 255, 220)
Note over ClientApp, Server1: SZENARIO A: DIREKTER WERKZEUGAUFRUF
ClientLLM->>+ClientApp: Werkzeugausführung anfragen
ClientApp->>+Server1: Spezifisches Werkzeug ausführen
Server1-->>-ClientApp: Ergebnisse zurückgeben
ClientApp->>+ClientLLM: Ergebnisse verarbeiten
ClientLLM-->>-ClientApp: Antwort generieren
ClientApp-->>-User: Endergebnis anzeigen
end
%% Scenario B: Feature Negotiation (VS Code style)
else Funktionsverhandlung (VS Code-Stil)
rect rgb(255, 220, 220)
Note over ClientApp, ServerLLM: SZENARIO B: FUNKTIONSVERHANDLUNG
ClientLLM->>+ClientApp: Benötigte Fähigkeiten identifizieren
ClientApp->>+Server2: Funktionen/Fähigkeiten verhandeln
Server2->>+ServerLLM: Zusätzlichen Kontext anfragen
ServerLLM-->>-Server2: Kontext bereitstellen
Server2-->>-ClientApp: Verfügbare Funktionen zurückgeben
ClientApp->>+Server2: Verhandelte Werkzeuge aufrufen
Server2-->>-ClientApp: Ergebnisse zurückgeben
ClientApp->>+ClientLLM: Ergebnisse verarbeiten
ClientLLM-->>-ClientApp: Antwort generieren
ClientApp-->>-User: Endergebnis anzeigen
end
end
Hier sind die praktischen Vorteile der Nutzung von MCP:
- Aktualität: Modelle können auf aktuelle Informationen zugreifen, die über ihre Trainingsdaten hinausgehen
- Erweiterung der Fähigkeiten: Modelle können spezialisierte Tools für Aufgaben nutzen, für die sie nicht trainiert wurden
- Reduzierte Halluzinationen: Externe Datenquellen bieten faktische Grundlage
- Datenschutz: Sensible Daten bleiben in sicheren Umgebungen statt in Prompts eingebettet
Folgende Kernpunkte sind bei der Verwendung von MCP wichtig:
- MCP standardisiert, wie KI-Modelle mit Tools und Daten interagieren
- Fördert Erweiterbarkeit, Konsistenz und Interoperabilität
- MCP hilft, Entwicklungszeit zu reduzieren, Zuverlässigkeit zu verbessern und Modellfähigkeiten zu erweitern
- Die Client-Server-Architektur ermöglicht flexible, erweiterbare KI-Anwendungen
Denken Sie an eine KI-Anwendung, die Sie bauen möchten.
- Welche externen Tools oder Daten könnten ihre Fähigkeiten verbessern?
- Wie könnte MCP die Integration einfacher und zuverlässiger machen?
Weiter: Kapitel 1: Kernkonzepte
Haftungsausschluss:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner Ursprungssprache gilt als maßgebliche Quelle. Für kritische Informationen empfehlen wir eine professionelle menschliche Übersetzung. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die durch die Nutzung dieser Übersetzung entstehen.