Model Context Protocol (MCP)
Das Model Context Protocol (MCP) ist ein offener Standard, der KI-Anwendungen über eine einheitliche Schnittstelle mit Tools und Daten verbindet. Architektur, Anwendungsbereiche und Code.
Das Model-Kontextprotokoll (MCP) ist ein offener Standard, um KI-Anwendungen mit externen Tools, Datenquellen und Arbeitsabläufen zu verbinden. Vor MCP benötigte jede KI-Anwendung für jeden genutzten Dienst eine eigene Integration. Zehn Assistenten und zehn Dienste konnten so bis zu hundert separate Verbindungen erfordern. Mit MCP wird ein Dienst einmalig als MCP-Server eingebunden, den dann jede MCP-kompatible Anwendung nutzen kann. Anthropic stellte das Protokoll im November 2024 vor und übertrug es im Dezember 2025 an die Agentic AI Foundation, einen Fonds der Linux Foundation, den Anthropic gemeinsam mit Block und OpenAI gegründet hat. Hosts wie Claude, ChatGPT, VS Code, Cursor und Gemini CLI unterstützen es. Es hat sich zur Standardmethode für KI-Agenten und große Sprachmodelle (LLMs) entwickelt, um auf die Außenwelt zuzugreifen.
So funktioniert MCP#
Die MCP-Spezifikation definiert drei Rollen, die JSON-RPC-2.0-Nachrichten austauschen. Der Host ist die KI-Anwendung, mit der der Nutzer arbeitet, etwa ein Chatbot, eine IDE oder ein Agent. Im Host verwaltet jeweils ein Client die Verbindung zu einem Server, und jeder Server stellt eine Reihe von Funktionen bereit. Lokale Server laufen als Unterprozesse und kommunizieren über Standardeingabe und -ausgabe (stdio), während entfernte Server Streamable HTTP verwenden. Seit der Überarbeitung vom 2026-07-28 ist das Kernprotokoll zustandslos: Jede Anfrage enthält ihre eigene Protokollversion und die Fähigkeiten des Clients. Der frühere Handshake initialize und Sitzungs-IDs wurden abgeschafft, und jede Serverinstanz hinter einem Load Balancer kann jede Anfrage beantworten.
Server stellen drei Arten von Funktionen bereit:
- Tools: Funktionen, die das Modell aufrufen kann. Jede wird durch einen Namen, eine Beschreibung und ein JSON-Schema für ihre Argumente beschrieben, etwa
create_issueoderrun_query. Tools können Text, Bilder oder strukturierte Daten zurückgeben. - Ressourcen: Schreibgeschützte, über URIs identifizierte Kontextinformationen, etwa Dateien, Datenbankschemata oder Protokollauszüge, die die Anwendung dem Kontext des Modells hinzufügen kann.
- Prompts: Wiederverwendbare Nachrichtenvorlagen, die Nutzer ausdrücklich auswählen und die oft als Schrägstrichbefehle angezeigt werden.
Server können den Nutzer außerdem während einer Aufgabe über eine Eingabeaufforderung um fehlende Angaben bitten. Optionale Erweiterungen bieten weitere Funktionen: Tasks verwaltet lang laufende Vorgänge, deren Ergebnisse ein Client regelmäßig abfragt, und MCP Apps ermöglicht es einem Tool, eine interaktive Benutzeroberfläche zurückzugeben – ein Ansatz für generative Benutzeroberflächen, die Diagramme und Formulare direkt im Gespräch anzeigen.
Einen MCP-Server erstellen#
Das offizielle MCP Python SDK wandelt eine typisierte Python-Funktion in ein Tool um und erstellt anhand der Typhinweise das zugehörige JSON-Schema. Wird eine Vorhersage mit Ultralytics YOLO26 auf diese Weise eingebunden, erhalten MCP-Hosts Objekterkennung: Das Tool gibt Results.summary() zurück, eine Liste mit dem Klassennamen, der Konfidenz und den Boxkoordinaten jedes Objekts, über die das Modell Schlussfolgerungen ziehen kann. Hier entdeckt ein prozessinterner Client das Tool und ruft es auf dieselbe Weise auf wie ein Host:
import asyncio
from mcp import Client
from mcp.server.mcpserver import MCPServer
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
server = MCPServer("vision")
@server.tool()
def detect(image_url: str) -> list[dict]:
"""Detect objects in an image and return each object's class, confidence, and box."""
results = model(image_url)
return results[0].summary()
async def main():
"""Discover the server's tools and call one, as an MCP host does."""
async with Client(server) as client:
tools = await client.list_tools()
print(tools.tools[0].name, tools.tools[0].input_schema)
result = await client.call_tool("detect", {"image_url": "https://ultralytics.com/images/bus.jpg"})
print(result.structured_content)
asyncio.run(main())Das erste print zeigt den Namen des Tools und das Eingabeschema, das das Modell eines Hosts sieht. Dafür ist ein Zeichenfolgenargument erforderlich: image_url. Das zweite zeigt die Erkennungsliste, die als strukturierter Inhalt zurückgegeben wird.
MCP im Vergleich zu verwandten Konzepten#
- Funktionsaufrufe: Die Fähigkeit des Modells, eine strukturierte Anfrage für ein Tool auszugeben. MCP standardisiert, wie Tools anwendungsübergreifend entdeckt, beschrieben und ausgeführt werden. Der Host wandelt MCP-Tooldefinitionen in das native Format des Modells für Funktionsaufrufe um.
- APIs: Eine REST- oder GraphQL-API stellt die Funktionen eines Dienstes für dessen Clients bereit. Ein MCP-Server bindet häufig eine solche API ein und ergänzt die Namen, Beschreibungen und Schemata, die ein Modell benötigt, um den Dienst ohne benutzerdefinierten Code zu nutzen.
- Retrieval-Augmented Generation (RAG): Eine Technik, die Antworten auf abgerufene Dokumente stützt. MCP bietet eine Möglichkeit, diese abgerufenen Inhalte über ein Such-Tool oder angehängte Ressourcen bereitzustellen.
- Agent2Agent-Protokoll (A2A): Verbindet Agenten mit anderen Agenten, damit sie ganze Aufgaben delegieren können. MCP verbindet einen Agenten direkt mit den Tools und Daten, die er verwendet.
- Agentenfähigkeiten: Ordner mit Anweisungen und Skripten, die ein Agent bei Bedarf in seinen Kontext lädt. Fähigkeiten vermitteln einem Agenten, wie er eine Aufgabe erledigt. MCP-Server gewähren ihm Live-Zugriff auf die beteiligten Systeme. Daher nutzen Agenten häufig beides.
Anwendungen in der Praxis#
- Agentengestützte Programmierung: Programmieragenten verbinden sich über MCP-Server mit GitHub, Issue-Trackern, Datenbanken und Browsern. Fragt man, warum eine Anmeldung fehlschlägt, kann der Agent in einer Sitzung Fehlerprotokolle abrufen, den Authentifizierungscode lesen und offene Issues prüfen.
- Unternehmensassistenten: Verbindungen zu Dokumentenspeichern, Chats, Ticketsystemen und CRM-Systemen ermöglichen einem Assistenten, Fragen anhand von Unternehmensdaten zu beantworten und im Namen des Nutzers Aktualisierungen vorzunehmen.
- Visuelle Inspektion: Ein Agent ruft für ein Kamerabild ein Erkennungstool auf. Findet er ein beschädigtes Bauteil, fragt er einen Bestandserver nach Ersatzteilen ab und erstellt einen Wartungsauftrag. So wird aus einer einzelnen Vorhersage ein vollständiger automatisierter Arbeitsablauf.
- Datenanalyse: Datenbankserver stellen schreibgeschützte Abfrage-Tools bereit, sodass Analysten Fragen in einfacher Sprache stellen und Antworten erhalten können, die anhand aktueller Tabellen berechnet werden.
Sicherheitsaspekte#
Ein MCP-Tool kann beliebigen Code mit den Zugangsdaten des Nutzers ausführen. Jede Verbindung erweitert daher sowohl die Möglichkeiten des Modells als auch den Zugriff eines Angreifers. Tool-Ergebnisse und Ressourcen können Prompt Injection enthalten – Text, der das Modell dazu bringen soll, andere Tools aufzurufen oder Daten preiszugeben. Ein bösartiger Server kann Anweisungen auch in den Beschreibungen seiner eigenen Tools verstecken. Dieser Angriff ist als Tool Poisoning bekannt. Entfernte Server authentifizieren Nutzer mit OAuth-basierter Autorisierung. Sorgfältig abgesicherte Hosts beschränken jeden Server auf die benötigten Berechtigungen, führen lokale Server in Sandboxen aus und ergänzen Schutzmaßnahmen, etwa Bestätigungsabfragen vor sensiblen Aktionen. Die Spezifikation verlangt, dass Hosts vor jedem Tool-Aufruf die ausdrückliche Zustimmung des Nutzers einholen und Tool-Beschreibungen als nicht vertrauenswürdig behandeln, sofern sie nicht von einem vertrauenswürdigen Server stammen.










