Der nächste Schritt in der KI-Automatisierung: Model Context Protocol (MCP)

Verschiedene Arten von KI-Modellen, von großen Sprachmodellen bis hin zu Computer Vision-Systemen, sind in der Lage, ein breites Spektrum von Aufgaben zu unterstützen, darunter das Generieren von Texten, das Analysieren von Bildern, das Erkennen von Mustern und das Treffen von Vorhersagen. Die Anbindung dieser Modelle an reale Computersysteme auf nahtlose und skalierbare Weise erforderte jedoch in der Regel komplexe Integrationsmaßnahmen.

Auch wenn ein Modell für sich genommen gut funktioniert, erfordert die Bereitstellung in der Praxis oft den Zugriff auf externe Tools, Live-Daten oder domänenspezifische Kontexte. Das Zusammenfügen dieser Elemente erfordert in der Regel benutzerdefinierten Code, manuelle Einrichtung und eine eingeschränkte Wiederverwendbarkeit.

In letzter Zeit hat das Konzept eines Model Context Protocol (MCP) in der KI-Community an Aufmerksamkeit gewonnen. MCP ist ein offener Standard, der es KI-Systemen ermöglicht, Informationen mit Tools, Dateien und Datenbanken in einem gemeinsamen, strukturierten Format auszutauschen. Anstatt Integrationen für jeden Anwendungsfall zu entwickeln, können Entwickler mit MCP den Zugriff von Modellen auf den benötigten Kontext und die Interaktion mit diesem Kontext optimieren.

Sie können sich MCP als einen Universaladapter vorstellen. So wie ein Reiseadapter es Ihren Geräten ermöglicht, sich weltweit an verschiedene Steckdosen anzuschließen, ermöglicht MCP es KI-Modellen, sich an verschiedene Systeme, Tools und Datenquellen anzuschließen, ohne dass für jede einzelne eine benutzerdefinierte Einrichtung erforderlich ist.

In diesem Artikel werden wir uns genauer ansehen, was MCP ist, wie es funktioniert und welche Rolle es dabei spielt, KI in realen Anwendungen effektiver zu machen. Wir werden auch einige Beispiele aus der Praxis untersuchen, in denen MCP eingesetzt wird.

Was ist das Model Context Protocol?

Das Model Context Protocol (MCP) ist ein offener Standard, der von Anthropic entwickelt wurde, einem Unternehmen für KI-Sicherheit und -Forschung, das für die Entwicklung fortschrittlicher Sprachmodelle bekannt ist. Es bietet KI-Modellen eine klare Möglichkeit, sich mit Tools, Dateien oder Datenbanken zu verbinden. 

Die meisten KI-Assistenten verlassen sich heutzutage auf große Sprachmodelle, um Fragen zu beantworten oder Aufgaben zu erledigen. Diese Modelle benötigen jedoch oft zusätzliche Daten, um gut zu reagieren. Ohne ein gemeinsames System muss jede Verbindung von Grund auf neu aufgebaut werden. 

Ein Chatbot, der beispielsweise bei der IT-Unterstützung helfen soll, muss möglicherweise Informationen aus dem internen Ticketsystem eines Unternehmens abrufen. Ohne MCP wäre dafür eine benutzerdefinierte Integration erforderlich, was die Einrichtung zeitaufwändig und schwer zu warten macht.

MCP löst dieses Problem, indem es als gemeinsamer Port für alle Tools und Modelle fungiert. Es gehört nicht einem einzelnen Unternehmen oder Modell, sondern ist ein neues Konzept dafür, wie KI-Systeme sich mit externen Daten und Diensten verbinden können.

‍

Jeder Entwickler kann MCP verwenden, um Assistenten zu entwickeln, die mit Live-Informationen arbeiten. Dies reduziert die Einrichtungszeit und vermeidet Verwirrung beim Wechsel zwischen Tools oder Plattformen. 

Der Ursprung und die Einführung des Model Context Protocol

Anthropic stellte die Idee des Model Context Protocol (MCP) im November 2024 vor. Es begann als Open-Source-Projekt, um die Interaktion von Sprachmodellen mit Tools und Daten zu verbessern. 

Seitdem hat MCP viel Aufmerksamkeit erhalten. Es begann damit, dass Entwickler interne Tools für Dinge wie Dokumentsuche und Code-Unterstützung entwickelten. Dieses frühe Interesse wuchs schnell, und größere Unternehmen begannen, MCP in ihren Produktionssystemen einzusetzen.

‍

Anfang 2025 begann sich die Unterstützung für MCP in der gesamten Technologiebranche auszubreiten. OpenAI und Google DeepMind, zwei führende KI-Forschungslabore, gaben bekannt, dass ihre Systeme mit dem Protokoll zusammenarbeiten würden.

Etwa zur gleichen Zeit veröffentlichte Microsoft Tools, die Entwicklern die Nutzung von MCP erleichtern sollten, einschließlich Unterstützung für seine beliebten Produkte wie Copilot Studio, das Unternehmen beim Aufbau von KI-Assistenten unterstützt, und Visual Studio Code, ein weit verbreiteter Code-Editor.

Schlüsselkomponenten des Model Context Protocol

Das Herzstück von MCP bilden drei Hauptteile: Clients, Server und ein gemeinsames Regelwerk, das als Protokoll bezeichnet wird. Stellen Sie sich das wie ein Gespräch zwischen zwei Parteien vor: die eine fragt nach Informationen und die andere stellt sie bereit.

In diesem Aufbau übernimmt das KI-System die Rolle des Clients. Wenn es etwas benötigt, wie eine Datei, einen Datenbankeintrag oder ein Tool zur Durchführung einer Aktion, sendet es eine Anfrage. Auf der anderen Seite empfängt der Server diese Anfrage, holt die benötigten Informationen von der richtigen Stelle und sendet sie in einer für die KI verständlichen Form zurück.

Diese Struktur bedeutet, dass Entwickler keine benutzerdefinierte Verbindung erstellen müssen, wenn ein KI-Modell mit einem neuen Tool oder einer neuen Datenquelle zusammenarbeiten soll. MCP trägt zur Standardisierung des Prozesses bei und macht alles schneller, einfacher und zuverlässiger.

Eine Übersicht über die Funktionsweise von MCP

Hier ist eine schrittweise Erklärung, wie MCP einen KI-Assistenten mit externen Daten oder Tools verbindet:

• Der Assistent prüft, was er weiß: Wenn ein Benutzer etwas fragt, prüft der Assistent zunächst, ob er die Antwort bereits hat. Wenn dies nicht der Fall ist, beschließt er, sich von einem anderen System helfen zu lassen.
  ‍
• Er erstellt eine Anfrage: Als MCP-Client erstellt der Assistent eine Anfrage. Diese beinhaltet, welche Daten er benötigt und warum.
  ‍
• Die Anfrage erreicht den Server: Die Anfrage wird an einen Server gesendet, der mit einem Tool, einer App oder einer Datenbank verbunden ist. Der Server kann die Anfrage mithilfe der MCP-Regeln verstehen und bearbeiten.
  ‍
• Der Server erledigt die Arbeit: Er sucht möglicherweise nach Daten, führt eine Abfrage aus, aktualisiert eine Datei oder führt eine andere Aktion in dem verbundenen Tool aus – was auch immer der Assistent angefordert hat.
  ‍
• Der Server antwortet: Die Daten werden im MCP-Format verpackt und an den Assistenten zurückgesendet. Dies hilft dem Modell, sie sofort zu verstehen.
  ‍
• Der Assistent antwortet: Mit dem aktualisierten Kontext verwendet der Assistent die neuen Informationen, um seine Antwort zu vervollständigen. Der Benutzer erhält eine Antwort, die genau, relevant und auf Echtzeitdaten basiert.

‍

Erkundung realer Anwendungen von MCP

Heutzutage wird MCP bereits in einer Vielzahl von Tools und Plattformen eingesetzt, die auf Echtzeit-Kontext angewiesen sind. Hier sind einige Beispiele dafür, wie Unternehmen das Protokoll verwenden, um Sprachmodelle mit Live-Systemen und strukturierten Daten zu verbinden:

• Softwareentwicklung: Programmierassistenten sind hilfreicher, wenn sie wissen, woran Sie gerade arbeiten. Tools wie Zed (ein schneller, kollaborativer Code-Editor) und Replit (eine Online-Plattform zum Schreiben und Ausführen von Code) verwenden MCP, damit ihre Assistenten geöffnete Dateien lesen und Ihre Änderungen während der Programmierung verfolgen können.
  
  
• Unternehmensassistenten: Viele Unternehmen verwenden interne Tools wie Wikis, Helpdesks oder Customer Relationship Management (CRM)-Systeme. Unternehmen wie Apollo (eine Plattform für Vertriebsteams) verwenden MCP, damit ihre Assistenten Informationen in diesen Systemen finden können – ohne dass Benutzer zwischen Apps wechseln müssen.
  
  
• Multi-Tool-Agenten: Einige Aufgaben erstrecken sich über mehrere Systeme. Mit MCP können Assistenten Dokumente durchsuchen und Aktualisierungen oder Nachrichten reibungslos versenden.
  
  
• Desktop-Assistenten: Assistenten, die auf Ihrem Computer laufen, müssen manchmal auf lokale Dateien zugreifen. Die von Anthropic als Teil seiner Familie von KI-Assistenten entwickelte Desktop-App Claude verwendet MCP, um diese Anfragen sicher zu bearbeiten und Ihre Daten auf Ihrem Gerät zu belassen, anstatt sie in die Cloud zu senden.

‍

Verwendung von MCP zur Förderung von Computer-Vision-Anwendungen

Als Nächstes wollen wir uns einen Zweig der KI genauer ansehen, in dem MCP gerade erst auftaucht: Computer Vision.

Obwohl Computer-Vision-Modelle wie Ultralytics YOLO11 hervorragend darin sind, Muster und Objekte in Bildern zu identifizieren, können ihre Erkenntnisse noch wirkungsvoller werden, wenn sie mit dem richtigen Kontext kombiniert werden. 

In realen Anwendungen, insbesondere im Gesundheitswesen, kann das Hinzufügen von Kontextinformationen wie Patientengeschichte, Laborergebnisse oder klinische Notizen den Nutzen von Modellvorhersagen erheblich steigern und zu fundierteren und aussagekräftigeren Ergebnissen führen.

Hier kommt das Model Context Protocol (MCP) ins Spiel. Obwohl es noch nicht weit verbreitet ist und sich noch in der Entwicklung befindet, die von Forschern und Ingenieuren untersucht wird, zeigt es viel Potenzial. 

Verbesserung der medizinischen Bildgebung mit kontextbezogener KI und MCP

Bei der Diagnose von diabetischer Retinopathie, einer Erkrankung, die bei Menschen mit Diabetes zu Sehverlust führen kann, kann ein KI-Assistent beispielsweise MCP verwenden, um mehrere spezialisierte Tools zu koordinieren. Er könnte damit beginnen, Patientendaten aus einer Datenbank abzurufen und das Diabetesrisiko mithilfe eines Vorhersagemodells zu bewerten. 

Anschließend analysiert ein Computer-Vision-Modell Netzhautbilder auf Anzeichen von Schäden, wie z. B. Blutungen oder Schwellungen, die auf das Vorhandensein oder den Schweregrad einer Retinopathie hinweisen. Schließlich kann der Assistent basierend auf dem Profil des Patienten nach relevanten klinischen Studien suchen. 

MCP ermöglicht es all diesen Tools, über ein gemeinsames Protokoll zu kommunizieren, sodass der Assistent Bildanalyse und strukturierte Daten in einem nahtlosen Workflow zusammenführen kann.

‍

‍

Jedes Tool wird über einen MCP-Server aufgerufen, der es dem Assistenten ermöglicht, strukturierte Anfragen zu senden und standardisierte Antworten zu empfangen. Dadurch entfällt die Notwendigkeit kundenspezifischer Integrationen, und der Assistent kann die Bildanalyse mit wichtigen Patientendaten in einem reibungslosen, effizienten Workflow kombinieren. Obwohl MCP noch neu ist, gibt es bereits viele Forschungsarbeiten und laufende Arbeiten, die darauf abzielen, Anwendungsfälle wie diesen praktisch zu ermöglichen.

Vor- und Nachteile des Model Context Protocol

Hier sind einige der wichtigsten Vorteile, die MCP bietet:

• Konsistente und standardisierte Kommunikation: Das Protokoll gewährleistet einheitliche Anfrage- und Antwortstrukturen, wodurch Debugging und Protokollierung besser verwaltet werden können.
  
  
• Verbesserte Modularität: Systeme werden modularer, sodass sich verschiedene Komponenten (Modelle, Tools, Datenbanken) unabhängig voneinander weiterentwickeln können.
  
  
• Fördert die Autonomie in Agentic AI: KI-Agenten können ohne vom Menschen definierte Workflows über mehrere Tools hinweg denken und handeln, was ein flexibleres, autonomes Verhalten ermöglicht.

Auf der anderen Seite sind hier einige Einschränkungen, die Sie bei MCP beachten sollten:

• Komplexität der Ersteinrichtung: Das Einrichten von MCP-konformen Servern und Hosts für bestehende Systeme erfordert Engineering-Aufwand und möglicherweise ein Überdenken der aktuellen Architekturen.
  
  
• Performance-Overhead: Das Hinzufügen einer Protokollschicht kann zu Latenzzeiten führen, insbesondere wenn Tools verteilt sind oder über Netzwerke aufgerufen werden.
  
  
• Lernkurve: Entwicklungsteams müssen die MCP-Architektur (Hosts, Clients, Server) verstehen und wissen, wie sie dafür entworfen werden muss, was die Akzeptanz verlangsamen kann.

Wesentliche Erkenntnisse

KI-Modelle werden immer leistungsfähiger, sind aber immer noch auf den Zugriff auf die richtigen Daten angewiesen. Das Model Context Protocol (MCP) bietet Entwicklern eine konsistente und standardisierte Möglichkeit, diese Verbindungen herzustellen. Anstatt jede Integration von Grund auf neu zu erstellen, können Teams einem gemeinsamen Format folgen, das für verschiedene Tools und Systeme funktioniert.

Mit zunehmender Akzeptanz hat MCP das Potenzial, ein Standardbestandteil der Entwicklung und Bereitstellung von KI-Assistenten zu werden. Es trägt dazu bei, die Einrichtung zu rationalisieren, den Datenfluss zu verbessern und reale Modellinteraktionen zu strukturieren. 

Treten Sie unserer wachsenden Community bei. Besuchen Sie unser GitHub-Repository, um mehr über KI zu erfahren, und erkunden Sie unsere Lizenzoptionen, um mit Vision AI zu beginnen. Möchten Sie sehen, wie es im wirklichen Leben eingesetzt wird? Sehen Sie sich auf unserer Lösungsseite Anwendungen von KI im Gesundheitswesen und Computer Vision im Einzelhandel an.