Model Context Protocol: Wie der offene KI-Standard Tools und Dienste für Sprachmodelle erschließt

Schematische Darstellung eines neuronalen Netzwerks als Grundlage moderner KI-Modelle. Bildquelle: Wikimedia Commons, gemeinfrei.

Seit Ende 2024 hört man in Entwickler-Communities einen Begriff immer öfter: Model Context Protocol, kurz MCP. Anthropic, das Unternehmen hinter dem KI-Modell Claude, hat diesen offenen Standard entwickelt und Ende 2024 veröffentlicht. Inzwischen hat er breite Resonanz gefunden – andere Anbieter, Tool-Entwickler und Open-Source-Projekte haben ihn übernommen oder unterstützen ihn aktiv. Dieser Artikel erklärt, was MCP ist, wie es technisch funktioniert und warum es für IT-Teams und Entwickler zunehmend relevant wird.

Das Problem: KI-Modelle ohne Kontext

Sprachmodelle wie Claude, GPT-4o oder Gemini sind in der Lage, komplexe Fragen zu beantworten, Code zu generieren und Texte zu erstellen. Ihr grundlegendes Problem ist jedoch, dass sie von Haus aus keinen Zugriff auf externe Systeme haben. Sie kennen nur das, was im Trainingskorpus enthalten war – und das ist spätestens nach einem Jahr veraltet.

Will ein Entwickler ein KI-Modell nutzen, um Fragen über seine eigene Codebasis, die interne Wissensdatenbank oder Live-Daten aus einem Monitoring-System zu beantworten, musste er bisher eigene Integrationen bauen: API-Aufrufe schreiben, Daten in Prompts einbetten, Antworten parsen und verarbeiten. Das war aufwendig, nicht standardisiert und für jedes Tool neu zu entwickeln.

Genau hier setzt MCP an.

Was MCP ist und wie es funktioniert

Das Model Context Protocol definiert einen standardisierten Weg, wie KI-Modelle mit externen Datenquellen und Werkzeugen kommunizieren können. Die Architektur besteht aus drei Rollen:

MCP-Host: Die Anwendung, in der das KI-Modell läuft – beispielsweise Claude Desktop, eine IDE-Erweiterung oder eine eigene KI-Applikation.
MCP-Client: Der Teil des Hosts, der die Kommunikation mit MCP-Servern verwaltet.
MCP-Server: Ein schlanker Dienst, der eine bestimmte Funktionalität bereitstellt – Zugriff auf ein Dateisystem, eine Datenbank, eine externe API oder ein Monitoring-System.

Das Modell kann über den MCP-Client Anfragen an MCP-Server stellen: Werkzeuge aufrufen, Ressourcen lesen und Prompts aus Templates laden. Entwickler schreiben einen MCP-Server einmal, und dieser funktioniert mit allen MCP-kompatiblen Hosts – ähnlich wie ein USB-Gerät mit jedem USB-Port.

Warum ein offener Standard entscheidend ist

Vor MCP war die KI-Tool-Integration ein Flickenteppich. Jeder KI-Anbieter hatte sein eigenes Format für Tool-Definitionen und Funktionsaufrufe. Ein Tool, das für OpenAI's Function Calling gebaut wurde, funktionierte nicht ohne Anpassung bei Anthropic oder Google – und umgekehrt.

Ein offener Standard löst dieses Problem auf dieselbe Weise, wie HTTP das Web ermöglicht hat: Wer einen MCP-Server baut, kann davon ausgehen, dass er mit allen konformen Hosts funktioniert. Das senkt den Entwicklungsaufwand erheblich und schafft ein Ökosystem, in dem nützliche Integrationen entstehen, ohne dass jeder alles selbst bauen muss.

MCP ist für KI-Werkzeuge, was HTTP für das Web ist: ein Protokoll, das Interoperabilität möglich macht.

Konkrete Anwendungsfälle für IT-Teams

Für IT-Teams entstehen durch MCP interessante praktische Möglichkeiten:

Monitoring-Daten abfragen: Ein MCP-Server kann Verbindung zu einem Monitoring-System herstellen und dem KI-Modell erlauben, Statusdaten abzufragen. Das ermöglicht Fragen wie: „Welche Monitore sind gerade im Alarmzustand?" oder „Was waren die letzten Ausfälle der letzten 24 Stunden?"
Interne Dokumentation durchsuchen: Ein MCP-Server für eine interne Wissensdatenbank macht es möglich, dass ein KI-Assistent direkt in der echten Dokumentation sucht, statt aus dem Trainings-Gedächtnis zu antworten.
Code-Repositories analysieren: IDEs wie Cursor oder VS Code bieten MCP-Unterstützung, um KI-Assistenten direkten Zugriff auf Projektdateien zu geben.
Datenbankabfragen unterstützen: MCP-Server für SQL-Datenbanken ermöglichen es, Datenbankstrukturen abzufragen und Read-only-Queries auszuführen – gesteuert durch natürlichsprachige Anfragen.

Sicherheit und Kontrolle bei MCP

Ein wichtiges Prinzip von MCP ist die explizite Kontrolle: MCP-Server definieren, welche Ressourcen sie exposieren und welche Aktionen sie erlauben. Entwickler entscheiden, welche Server einem Host zugänglich gemacht werden. Schreiboperationen werden klar von Leseoperationen getrennt. Damit lassen sich sensible Systeme schützen, indem nur Read-only-Zugriff über MCP erlaubt wird.

Dennoch gilt: Wie bei jeder Systemintegration ist sorgfältige Berechtigungsvergabe essenziell. Ein MCP-Server, der uneingeschränkten Zugriff auf ein Produktionssystem erlaubt, birgt erhebliche Risiken. Die Empfehlung lautet, für jeden MCP-Server dedizierte Service-Accounts mit minimalen Rechten einzusetzen – dem Least-Privilege-Prinzip folgend.

Aktueller Stand und Verfügbarkeit

Das Model Context Protocol ist Open Source und auf GitHub verfügbar. SDKs für Python, TypeScript, Java und weitere Sprachen ermöglichen es, eigene MCP-Server zu entwickeln. Eine wachsende Community pflegt einen zentralen Server-Index mit fertig nutzbaren Integrationen für gängige Dienste.

Native MCP-Unterstützung bieten aktuell unter anderem Claude Desktop, Cursor, Zed und verschiedene andere Entwicklungsumgebungen. Die Nutzerbasis und das Ökosystem wachsen schnell – was darauf hindeutet, dass MCP sich als De-facto-Standard für KI-Tool-Integration etabliert.

Für IT-Teams, die KI-Modelle in ihren Betrieb integrieren wollen, lohnt es sich, MCP frühzeitig zu verstehen und zu evaluieren, welche eigenen Systeme sich als MCP-Server sinnvoll erschließen lassen.

Bildquelle: Schematische Darstellung eines neuronalen Netzwerks. Wikimedia Commons, gemeinfrei.