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, einschließlich der Erstellung von Texten, der Analyse von Bildern, der Erkennung von Mustern und der Erstellung von Vorhersagen. Die nahtlose und skalierbare Anbindung dieser Modelle an reale Computersysteme erfordert jedoch in der Regel komplexe Integrationsbemühungen.

Auch wenn ein Modell für sich genommen gut funktioniert, ist für den Einsatz in praktischen Umgebungen oft der Zugriff auf externe Tools, Live-Daten oder einen domänenspezifischen Kontext erforderlich. Das Zusammenfügen dieser Elemente ist in der Regel mit benutzerdefiniertem Code, manueller Einrichtung und eingeschränkter Wiederverwendbarkeit verbunden.

In letzter Zeit hat das Konzept des Model Context Protocol (MCP) in der KI-Gemeinschaft 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 für jeden Anwendungsfall eigene Integrationen zu erstellen, können Entwickler MCP nutzen, um den Zugriff auf und die Interaktion mit dem benötigten Kontext für Modelle zu optimieren.

Sie können sich MCP wie einen Universaladapter vorstellen. So wie ein Reiseadapter Ihre Geräte in verschiedene Steckdosen auf der ganzen Welt einstecken kann, ermöglicht MCP den Anschluss von KI-Modellen an verschiedene Systeme, Tools und Datenquellen, ohne dass für jedes einzelne eine individuelle Einrichtung erforderlich ist.

In diesem Artikel werfen wir einen genaueren Blick darauf, 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?

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. Er bietet KI-Modellen eine klare Möglichkeit, sich mit Tools, Dateien oder Datenbanken zu verbinden. 

Die meisten KI-Assistenten stützen sich heute auf umfangreiche 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 für den IT-Support entwickelt wurde, muss beispielsweise Informationen aus dem internen Ticketingsystem eines Unternehmens abrufen. Ohne MCP würde dies eine benutzerdefinierte Integration erfordern, was die Einrichtung zeitaufwändig und schwer zu pflegen macht.

MCP löst dieses Problem, indem es als gemeinsamer Anschluss für alle Tools und Modelle fungiert. Er gehört nicht zu einem bestimmten Unternehmen oder Modell - vielmehr ist er ein neues Konzept dafür, wie KI-Systeme mit externen Daten und Diensten verbunden werden können.

‍

Jeder Entwickler kann MCP nutzen, um Assistenten zu erstellen, die mit Live-Informationen arbeiten. Dies verkürzt 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 zur Verbesserung der Interaktion von Sprachmodellen mit Tools und Daten. 

Seitdem hat MCP viel Aufmerksamkeit erregt. Angefangen hat es damit, dass Entwickler interne Tools für Dinge wie die Dokumentensuche und Codehilfe 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 zu verbreiten. OpenAI und Google DeepMind, zwei führende KI-Forschungslabore, kündigten an, dass ihre Systeme mit dem Protokoll arbeiten würden.

Etwa zur gleichen Zeit veröffentlichte Microsoft Tools, die Entwicklern die Verwendung von MCP erleichtern, darunter Unterstützung für beliebte Produkte wie Copilot Studio, das Unternehmen bei der Entwicklung von KI-Assistenten hilft, und Visual Studio Code, einen weit verbreiteten Code-Editor.

Schlüsselkomponenten des Model Context Protocol

Das Herzstück von MCP sind drei Hauptbestandteile: Clients, Server und ein gemeinsamer Satz von Regeln, das Protokoll. Stellen Sie sich das Ganze wie ein Gespräch zwischen zwei Seiten vor: die eine bittet um Informationen und die andere stellt sie zur Verfügung.

In dieser Konfiguration spielt das KI-System die Rolle des Kunden. Wenn es etwas braucht, z. B. eine Datei, einen Datenbankeintrag oder ein Werkzeug zur Durchführung einer Aktion, sendet es eine Anfrage. Auf der anderen Seite empfängt der Server diese Anfrage, holt sich die benötigten Informationen an der richtigen Stelle und sendet sie in einer für die KI verständlichen Form zurück.

Diese Struktur bedeutet, dass Entwickler nicht jedes Mal eine benutzerdefinierte Verbindung herstellen müssen, wenn sie ein KI-Modell mit einem neuen Tool oder einer neuen Datenquelle verwenden möchten. MCP trägt zur Standardisierung des Prozesses bei und macht alles schneller, einfacher und zuverlässiger.

Ein Überblick über die Funktionsweise von MCP

Im Folgenden wird erläutert, wie MCP einen KI-Assistenten mit externen Daten oder Tools verbindet:

• Der Assistent prüft, was er weiß: Wenn ein Benutzer eine Frage stellt, prüft der Assistent zunächst, ob er die Antwort bereits kennt. Wenn nicht, entscheidet er sich, Hilfe von einem anderen System zu holen.
  ‍
• 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 Anwendung oder einer Datenbank verbunden ist. Der Server kann die Anfrage anhand der MCP-Regeln verstehen und bearbeiten.
  ‍
• Der Server erledigt die Arbeit: Er kann nach Daten suchen, eine Abfrage ausführen, eine Datei aktualisieren oder eine andere Aktion in dem angeschlossenen Tool durchführen - was auch immer der Assistent angefordert hat.
  ‍
• Der Server antwortet: Die Daten werden im MCP-Format verpackt und an den Assistenten zurückgeschickt. So kann das Modell sie sofort 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 und relevant ist und auf Echtzeitdaten basiert.

‍

Erforschung der realen Anwendungen von MCP

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

• Software-Entwicklung: 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 des Programmierens verfolgen können.
  
  
• Unternehmensassistenten: Viele Unternehmen verwenden interne Tools wie Wikis, Helpdesks oder Customer Relationship Management (CRM)-Systeme. Unternehmen wie Apollo (eine Plattform für Vertriebsteams) nutzen MCP, um ihren Assistenten die Möglichkeit zu geben, Informationen über diese Systeme hinweg zu finden - ohne dass die Benutzer zwischen den Anwendungen wechseln müssen.
  
  
• Multi-Tool-Agenten: Manche Aufgaben erstrecken sich über mehrere Systeme. Mit MCP können Assistenten reibungslos Dokumente durchsuchen und Aktualisierungen oder Nachrichten versenden.
  
  
• Desktop-Assistenten: Assistenten, die auf Ihrem Computer laufen, müssen manchmal auf lokale Dateien zugreifen. Die Claude-Desktop-App, die von Anthropic als Teil seiner Familie von KI-Assistenten entwickelt wurde, verwendet MCP, um diese Anfragen sicher zu verarbeiten, wobei Ihre Daten auf Ihrem Gerät verbleiben, anstatt sie in die Cloud zu senden.

‍

Einsatz von MCP zur Steuerung von Bildverarbeitungsanwendungen

Als Nächstes wollen wir einen Zweig der künstlichen Intelligenz näher betrachten, in dem MCP gerade erst am Entstehen ist: Computer Vision.

Computer-Vision-Modelle wie Ultralytics YOLO11 eignen sich zwar hervorragend für die Erkennung von Mustern und Objekten in Bildern, aber ihre Erkenntnisse können in Kombination mit dem richtigen Kontext noch wirkungsvoller werden. 

In realen Anwendungen, insbesondere im Gesundheitswesen, kann die Hinzufügung von Kontext wie Patientenanamnese, Laborergebnissen oder klinischen Notizen die Nützlichkeit von Modellvorhersagen erheblich verbessern und zu fundierteren und aussagekräftigeren Ergebnissen führen.

An dieser Stelle kommt das Model Context Protocol (MCP) ins Spiel. Obwohl es noch nicht weit verbreitet ist und von Forschern und Ingenieuren noch erforscht wird, weist es ein großes Potenzial auf. 

Verbesserung der medizinischen Bildgebung mit kontextbezogener KI und MCP

Bei der Diagnose der diabetischen Retinopathie, einer Erkrankung, die bei Diabetikern zum Verlust des Sehvermögens führen kann, kann ein KI-Assistent beispielsweise MCP nutzen, um mehrere spezialisierte Tools zu koordinieren. Er könnte damit beginnen, Patientendatensätze aus einer Datenbank abzurufen und das Diabetesrisiko mithilfe eines Vorhersagemodells zu bewerten. 

Dann analysiert ein Computer-Vision-Modell Netzhautbilder auf Anzeichen von Schäden, wie Blutungen oder Schwellungen, die auf das Vorhandensein oder den Schweregrad einer Retinopathie hinweisen. Schließlich kann der Assistent auf der Grundlage des Patientenprofils nach relevanten klinischen Studien suchen. 

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

‍

‍

Der Zugriff auf jedes Tool erfolgt über einen MCP-Server, der es dem Assistenten ermöglicht, strukturierte Anfragen zu senden und standardisierte Antworten zu erhalten. Dies macht individuelle Integrationen überflüssig und ermöglicht es dem Assistenten, Bildanalysen mit wichtigen Patientendaten in einem reibungslosen, effizienten Arbeitsablauf zu kombinieren. Obwohl MCP noch neu ist, wird bereits intensiv geforscht und gearbeitet, um Anwendungsfälle wie diesen praktisch möglich zu machen.

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-/Antwort-Strukturen, wodurch Debugging und Protokollierung leichter zu handhaben sind.
  
  
• Verbesserte Modularität: Die Systeme werden modularer, so dass verschiedene Komponenten (Modelle, Werkzeuge, Datenbanken) unabhängig voneinander weiterentwickelt werden können.
  
  
• Erleichtert die Autonomie in der agentenbasierten KI: KI-Agenten können ohne vom Menschen definierte Arbeitsabläufe über mehrere Tools hinweg argumentieren und handeln, was ein flexibleres, autonomes Verhalten ermöglicht.

Auf der anderen Seite gibt es bei MCP einige Einschränkungen zu beachten:

• Komplexität der Ersteinrichtung: Die Einrichtung MCP-kompatibler Server und Hosts für bestehende Systeme erfordert technischen Aufwand und möglicherweise ein Überdenken der derzeitigen Architekturen.
  
  
• Mehrkosten für die Leistung: Die Hinzufügung einer Protokollschicht kann zu Latenzzeiten führen, vor allem, wenn Werkzeuge verteilt werden oder der Zugriff über Netzwerke erfolgt.
  
  
• Lernkurve: Die Entwicklungsteams müssen die MCP-Architektur (Hosts, Clients, Server) verstehen und wissen, wie sie zu gestalten ist, was die Einführung verlangsamen kann.

Die wichtigsten 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 über verschiedene Tools und Systeme hinweg funktioniert.

Mit zunehmender Akzeptanz hat MCP das Potenzial, ein Standardbestandteil der Entwicklung und des Einsatzes von KI-Assistenten zu werden. Es hilft bei der Rationalisierung der Einrichtung, der Verbesserung des Datenflusses und der Strukturierung von Modellinteraktionen in der realen Welt. 

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