Das Model Context Protocol (MCP) ist ein offener Standard, den Anthropic im November 2024 veröffentlicht hat und der sich seitdem rasant verbreitet. Die Kernidee ist einfach: KI-Agenten, die mit Werkzeugen, Datenquellen und APIs interagieren sollen, brauchen eine standardisierte Schnittstelle für diese Verbindungen – analog dazu, wie HTTP das Web oder USB Peripheriegeräte standardisiert hat. MCP schafft genau diesen Standard für die Integration von LLMs mit externen Systemen, und das mit einem wachsenden Ökosystem, das IT-Teams direkt nutzen können.
Das Problem vor MCP: Integration als Einzelprojekt
Wer KI-Agenten mit Tools verbinden wollte, musste bisher für jede Kombination aus Modell und Dienst eine eigene Integrationsschicht schreiben. Eine LLM-Anwendung, die auf eine Datenbank, ein Ticketsystem und ein Monitoring-Tool zugreifen soll, brauchte drei separate, modellspezifische Adapter. Wechsel das Modell, schreib die Adapter neu. Integriere ein weiteres Tool, schreib einen weiteren Adapter. Der Aufwand skalierte quadratisch mit der Zahl der Kombinationen.
MCP löst dieses Problem durch Entkopplung: Ein MCP-Server stellt Werkzeuge, Ressourcen und Prompts bereit – unabhängig davon, welches Modell diese konsumiert. Ein MCP-Client (der LLM-Host oder das Agenten-Framework) spricht das standardisierte Protokoll. Die Integrationslogik muss einmal implementiert werden und funktioniert anschließend mit jedem kompatiblen Modell und jedem kompatiblen Framework.
Architektur: Server, Client und Transport
MCP unterscheidet drei Rollen in der Kommunikationsarchitektur:
MCP-Server
Ein MCP-Server ist ein separater Prozess, der Fähigkeiten kapselt und bereitstellt. Er kann Tools exposieren (Funktionen, die ein Agent aufrufen kann), Ressourcen anbieten (strukturierte Daten wie Dateiinhalte, Datenbankabfragen oder API-Responses) und wiederverwendbare Prompts bereitstellen. MCP-Server können lokal laufen oder remote als eigenständige Dienste betrieben werden.
MCP-Client
Der MCP-Client ist typischerweise das LLM-Framework oder die Agenten-Laufzeitumgebung – beispielsweise Claude Desktop, eine LangChain-Anwendung oder ein eigenes Agenten-Framework. Der Client verbindet sich mit einem oder mehreren MCP-Servern, fragt deren verfügbare Fähigkeiten ab und gibt dem Modell Zugang zu diesen Fähigkeiten in seiner Tool-Calling-Logik.
Transport-Schicht
MCP unterstützt zwei Transport-Mechanismen: stdio (Standard-Input/Output für lokale Server-Prozesse) und HTTP mit Server-Sent Events für Remote-Deployments. stdio ist ideal für einfache lokale Setups, HTTP+SSE ermöglicht verteilte Architekturen, bei denen Server und Clients auf unterschiedlichen Hosts laufen.
Was MCP-Server in der Praxis bereitstellen
Das MCP-Ökosystem ist seit Ende 2024 erheblich gewachsen. Offiziell von Anthropic gepflegte und community-entwickelte MCP-Server existieren für:
- Dateisystem-Zugriff: Lesender und schreibender Zugriff auf lokale Verzeichnisse, mit konfigurierbarer Pfadbeschränkung
- Datenbanken: SQL-Abfragen gegen PostgreSQL, SQLite und weitere Datenbanksysteme
- Git-Repositories: Commit-History, Branch-Status, Dateiinhalte und Diff-Ausgaben
- Web-Suche und Browsing: Integration von Suchmaschinen-APIs und Browser-Automatisierung
- APIs und HTTP-Endpunkte: Flexible HTTP-Client-Server für beliebige REST-APIs
- Monitoring und Observability: Integration von Metriken-APIs und Log-Aggregationssystemen
- Kommunikationstools: Slack, E-Mail und andere Benachrichtigungskanäle
MCP in IT-Automatisierungs-Workflows einsetzen
Für IT-Teams bietet MCP besonders attraktive Einsatzmöglichkeiten in Bereichen, die viele unterschiedliche System-Integrationen erfordern. Ein Incident-Response-Agent kann über separate MCP-Server gleichzeitig auf Monitoring-Metriken, Logs, das Ticketsystem und die Kommunikationsplattform zugreifen – ohne dass diese Integrationen miteinander verwoben sind.
Konkrete Anwendungsszenarien:
Infrastructure-as-Code-Analyse
Ein Agent mit Zugriff auf einen Dateisystem-MCP-Server und einen Git-MCP-Server kann Terraform- oder Ansible-Konfigurationen lesen, Änderungen im Git-Log analysieren und Sicherheitsreviews durchführen – ohne dass der Code direkt im Prompt-Kontext landen muss. Der Zugriff erfolgt bedarfsgesteuert über Tool-Calls.
Monitoring-Integration
MCP-Server für Monitoring-Systeme können Agenten Zugang zu Echtzeit-Metriken, Alerts und Dashboards geben. Ein Agent kann so auf eine konkrete Frage wie "Was ist der aktuelle p99-Latenzwert für den Payment-Service?" mit einer echten Datenbankabfrage antworten, statt eine halluzinierte Antwort zu liefern.
Dokumentations- und Wissensmanagement
Über Dateisystem- und Datenbank-MCP-Server können Agenten auf interne Wissensdatenbanken, Runbooks und Systemdokumentationen zugreifen. Das ermöglicht kontextbewusste Antworten auf infrastrukturspezifische Fragen – ein erheblicher Produktivitätsgewinn gegenüber generischen LLM-Antworten ohne Unternehmenswissen.
Sicherheitsüberlegungen beim MCP-Einsatz
MCP-Server erweitern die Fähigkeiten eines Agenten – und damit auch seine potenzielle Angriffsfläche. Wichtige Sicherheitsprinzipien für den produktiven MCP-Einsatz:
- Explizite Berechtigungen: Jeder MCP-Server sollte nur auf die Ressourcen zugreifen können, die er tatsächlich benötigt. Ein Dateisystem-Server mit Lese-Schreib-Zugriff auf das gesamte Dateisystem ist ein erhebliches Risiko.
- Tool-Call-Logging: Alle Tool-Calls über MCP sollten auditiert werden. Was ein Agent wann aufgerufen hat, ist für Incident Response und Compliance relevant.
- Kein direkter Credentials-Transport: MCP-Server sollten Secrets nicht in ihre Response-Payloads einbetten. Die Aktion wird serverseitig ausgeführt, das Ergebnis – nicht der Credential – wird zurückgegeben.
- Eingabevalidierung: MCP-Server müssen Tool-Parameter validieren, bevor sie Aktionen ausführen. Ein Agent könnte durch Prompt-Injection dazu gebracht werden, unerwartete Parameter zu übergeben.
MCP im wachsenden Ökosystem
MCP hat sich schnell als De-facto-Standard für LLM-Tool-Integration etabliert. Neben Anthropics eigenen Implementierungen unterstützen inzwischen OpenAI, Google und viele Framework-Entwickler das Protokoll oder arbeiten an Kompatibilität. Das bedeutet für IT-Teams: Investitionen in MCP-Server-Implementierungen sind zunehmend transferierbar – der gleiche Server funktioniert mit unterschiedlichen Modellen und Clients.
Das Ökosystem entwickelt sich schnell. Neue Spezifikationen für erweiterte Sampling-Fähigkeiten, verbesserte Ressourcentypen und sicherere Transport-Optionen werden aktiv entwickelt. Teams, die MCP heute einsetzen, sollten auf Update-Kompatibilität achten und ihre Implementierungen gegen den aktuellen Protokollstand testen.
Fazit: MCP als Fundament für modulare KI-Automatisierung
Model Context Protocol bietet IT-Teams einen pragmatischen Weg, KI-Agenten strukturiert mit externen Systemen zu verbinden – ohne für jede Kombination eigene Integrationslogik zu schreiben. Die Entkopplung von Tool-Implementierung und Modell-Spezifik macht Automatisierungsworkflows wartbarer, die standardisierte Schnittstelle ermöglicht die Wiederverwendung von MCP-Servern über verschiedene Projekte hinweg.
Für Teams, die KI-Agenten für IT-Betrieb, Monitoring-Analyse oder Infrastruktur-Automatisierung evaluieren, ist MCP ein sinnvoller Einstiegspunkt: Das Protokoll ist offen dokumentiert, die verfügbaren Server-Implementierungen decken viele gängige Anwendungsfälle ab, und die Architektur ermöglicht kontrollierte Erweiterungen ohne monolithische Komplexität.
Quellen: Anthropic Model Context Protocol Spezifikation (modelcontextprotocol.io), MCP GitHub Repository, Anthropic Engineering Blog (November 2024).
