Zum Inhalt springen

Glossar

KI & Machine Learning

Model Context Protocol (MCP)

Das Model Context Protocol (MCP) ist ein offener Standard, den Anthropic im November 2024 eingeführt hat. Er legt fest, wie KI-Anwendungen über wiederverwendbare Server an externe Tools und Datenquellen angebunden werden, statt über einmalige individuelle Integrationen.

Aktualisiert am · Vom VIZIO AI Team

Was ist das Model Context Protocol?

MCP löst das Many-to-many-Integrationsproblem: Ohne MCP braucht jede KI-App für jedes Tool einen eigenen Connector. Mit MCP baut ein Tool-Anbieter einen einzigen MCP-Server, und jede kompatible KI-Anwendung kann ihn nutzen. Die gängige Analogie ist ein USB-C-Anschluss für KI.

Das Protokoll definiert drei Rollen. Der Host ist die KI-Anwendung, in der der Nutzer arbeitet, etwa Claude Desktop, Claude Code, Cursor oder VS Code.

Darin hält ein Client die Verbindung zu jedem Server. Ein Server kapselt ein System, etwa GitHub, Postgres, Slack oder eine interne API, und stellt es in einem Standardformat bereit, das das Modell erkennen und aufrufen kann.

Nachrichten nutzen JSON-RPC 2.0. Lokale Server laufen meist über stdio; entfernte Server nutzen den Streamable-HTTP-Transport mit OAuth-basierter Autorisierung, wie in der Spezifikation festgelegt.

Was kann ein MCP-Server bereitstellen?

Server bieten drei zentrale Primitive an, die jeweils von einer anderen Partei gesteuert werden.

  • Tools (vom Modell gesteuert): Funktionen, die das Modell aufrufen kann, etwa create_issue oder run_query, jeweils beschrieben mit Name, Beschreibung und JSON Schema für die Eingaben.

  • Resources (von der Anwendung gesteuert): schreibgeschützter Kontext wie Dateien, Datenbankschemata oder Dokumente, die der Host anhängen kann.

  • Prompts (vom Nutzer gesteuert): wiederverwendbare Vorlagen, die ein Nutzer aufrufen kann, etwa „fasse diesen Pull Request zusammen“.

Auch Clients können Servern Fähigkeiten anbieten, etwa Sampling (ein Server kann eine Modellantwort anfordern) und Elicitation (der Nutzer wird nach fehlenden Eingaben gefragt). Da Tools zur Laufzeit erkannt werden, erweitert ein zusätzlicher Server die Möglichkeiten eines KI-Agenten, ohne dass der Code des Agenten geändert werden muss.

Wie sieht MCP in der Praxis aus?

Nehmen Sie ein SaaS-Unternehmen mit 30 Mitarbeitenden, dessen Support-Engineers für jedes eskalierte Ticket zwischen Zendesk, einem Postgres-Replikat, Sentry und internen Runbooks hin- und herspringen. Das Plattformteam schreibt mit dem offiziellen Python-SDK einen kleinen internen MCP-Server.

  1. Er stellt schreibgeschützte Tools bereit: get_ticket, lookup_account (eine parametrisierte Abfrage, kein rohes SQL) und recent_errors aus Sentry.

  2. Runbooks werden als Resources bereitgestellt.

  3. Der Server läuft remote hinter dem SSO des Unternehmens, beschränkt auf eine Support-Rolle.

Die Engineers verbinden ihn in Claude Desktop oder Cursor und fragen: „Warum schlägt Ticket 4812 fehl?“ In diesem Beispiel holt der Assistent das Ticket, den Tarif des Kontos und den passenden Error-Trace und entwirft eine Diagnose, die der Engineer überprüft, statt dass dieser Kontext zwischen vier Tabs hin- und herkopiert.

Welche Sicherheitsrisiken birgt MCP?

Wer ein Modell mit Tools verbindet, verleiht ihm echte Macht; deshalb sollte jeder MCP-Server wie eine Drittanbieter-Integration mit Zugriff auf Ihre Systeme behandelt werden. Mehrere Risiken sind spezifisch für dieses Setup.

  • Prompt Injection über Tool-Ergebnisse: Eine bösartige Webseite oder ein Ticket kann Anweisungen enthalten, denen das Modell möglicherweise folgt.

  • Tool Poisoning: Ein nicht vertrauenswürdiger Server kann Anweisungen in Tool-Beschreibungen verstecken.

  • Zu weit gefasste Zugangsdaten: Ein Server mit Admin-Token macht aus jedem Fehler des Modells einen Admin-Fehler.

  • Schreibende Aktionen: Löschen, Bezahlen oder E-Mails versenden sollte eine Bestätigung erfordern, eine klassische Human-in-the-Loop-Kontrolle.

Nutzen Sie Tokens nach dem Least-Privilege-Prinzip, standardmäßig schreibgeschützte Tools, Server aus vertrauenswürdigen Quellen und eine Protokollierung jedes Tool-Aufrufs.

Worin unterscheidet sich MCP von einer API oder Function Calling?

Eine API ist die Art, wie ein System Funktionen für Code bereitstellt; Function Calling ist die Art, wie ein Modell um die Nutzung einer Funktion bittet; MCP standardisiert, wie diese Funktionen über KI-Apps hinweg verpackt, erkannt und verbunden werden. MCP-Server kapseln in der Regel bestehende APIs, statt sie zu ersetzen.

Bei reinem Function Calling codiert jede Anwendung ihre Tool-Liste und den Verbindungscode für jede API-Integration fest. Mit MCP funktioniert derselbe Server in jedem kompatiblen Host.

MCP ergänzt Retrieval-Augmented Generation, statt mit ihr zu konkurrieren: Ein Retrieval-System kann selbst als MCP-Tool bereitgestellt werden. Neben Anthropic haben auch OpenAI, Google und Microsoft MCP-Unterstützung in ihre Agenten-Tools aufgenommen.

MCP vs. direktes Function Calling

MCP

Direktes Function Calling

Wo Tools definiert werden

In wiederverwendbaren Servern

Im Code jeder einzelnen Anwendung

Erkennung

Host listet die Server-Tools zur Laufzeit auf

Fest codierte Tool-Liste

Wiederverwendung über KI-Apps hinweg

Jeder kompatible Host

Neuentwicklung pro App

Transport

JSON-RPC über stdio oder Streamable HTTP

Anbieterspezifisches API-Format

Am besten geeignet für

Viele Tools, die über Apps und Teams hinweg geteilt werden

Eine App mit wenigen festen Tools

Wie geht VIZIO AI an MCP heran?

Die veröffentlichten Fallstudien von VIZIO AI erwähnen MCP nicht, daher gibt es kein MCP-Projekt, auf das wir verweisen könnten; die nächstliegende ehrliche Überschneidung ist die Anbindung von Sprachmodellen an strukturierte Geschäftsdaten. Für Auli AI baute Venture Studio eine KI-SaaS-Plattform für E-Commerce-Händler, in der ein Multi-Agenten-System mithilfe großer Sprachmodelle strukturierte Händlerdaten zu Preisen, Lagerbestand und Profitabilität analysiert.

Genau dieses Problem standardisiert MCP: Modellen einen zuverlässigen, klar abgegrenzten Zugriff auf die Daten und Tools zu geben, die sie brauchen. Das MVP wird bereits von mehr als 1.000 Nutzern verwendet. Heute würde eine vergleichbare Lösung jede Datenquelle als MCP-Server bereitstellen, damit neue agentische Workflows sie wiederverwenden können.

Wo Sie anfangen sollten: Wählen Sie ein internes System, das Ihr Team täglich abfragt, und stellen Sie daraus zwei schreibgeschützte Tools bereit, bevor Sie schreibende Aktionen hinzufügen.

Facebook-Logo
X-Logo
LinkedIn-Logo
Reddit-Logo
Telegram-Logo

AI-first denken.
Zukunftsschnell handeln.

Lassen Sie uns bauen, was als Nächstes kommt! Von Produktideen und intelligenten Workflows bis zu datengetriebenen Systemen und skalierbaren Growth Operations.

Strategiegespräch buchen