Was ist das Model Context Protocol (MCP)?
Large Language Models können Texte erzeugen, Fragen beantworten und komplexe Aufgaben planen. Ihr Wissen allein reicht jedoch nicht aus, wenn sie auf aktuelle Unternehmensdaten zugreifen, Dateien lesen oder Aktionen in externen Anwendungen ausführen sollen. Genau an dieser Stelle setzt das Model Context Protocol (MCP) an, das eine einheitliche Schnittstelle zwischen KI-Anwendungen auf der einen sowie Datenquellen und Werkzeugen auf der anderen Seite schafft.
- 100 % DSGVO-konform und sicher in Deutschland gehostet
- Die leistungsstärksten KI-Modelle auf einer Plattform
- Kein Vendor Lock-in durch Open Source
Definition des Model Context Protocol (MCP)
Das Model Context Protocol (MCP) ist ein offener Standard, der Large Language Models und KI-Anwendungen über ein einheitliches Protokoll mit externen Datenquellen und Werkzeugen verbindet. Dadurch können Systeme Kontext abrufen und Funktionen ausführen, ohne für jede Kombination aus Modell, Anwendung und Datenquelle eine eigene Integration entwickeln zu müssen. MCP wurde ursprünglich von Anthropic entwickelt und im November 2024 veröffentlicht. Seit seiner Veröffentlichung wurde MCP mehrfach weiterentwickelt. Mit der Spezifikation 2026-07-28 wechselte das Protokoll von einem zustandsbehafteten Kommunikationsmodell zu einem zustandslosen Request/Response-Modell, bei dem Anfragen die benötigten Informationen zur Protokollversion sowie Clientinformationen und Client-Fähigkeiten selbst mitführen.
Das Protokoll wird inzwischen von zahlreichen KI-Anwendungen und Entwicklungswerkzeugen unterstützt oder für Integrationen eingesetzt, darunter Claude, ChatGPT, Cursor, Gemini, Microsoft Copilot und Visual Studio Code.
Vereinfacht gesagt legt MCP fest, wie eine KI-Anwendung externe Funktionen und Informationen finden, ansprechen und nutzen kann. Eine Datenbank kann beispielsweise Informationen bereitstellen, ein Dateisystem Dokumente zugänglich machen und ein Entwicklungswerkzeug Funktionen zum Lesen oder Bearbeiten von Quellcode anbieten. Wichtig ist dabei die Trennung zwischen dem Sprachmodell selbst und der MCP-Infrastruktur. Nicht das LLM verbindet sich unmittelbar mit einer Datenbank oder einem Dateisystem. Stattdessen übernimmt eine Anwendung rund um das Modell die Kommunikation und stellt dem Modell die benötigten Informationen und Werkzeuge zur Verfügung. MCP definiert hierfür gemeinsame Nachrichtenformate und Schnittstellen. Die Kommunikation basiert auf JSON-RPC 2.0, einem standardisierten Verfahren zum Aufrufen von Funktionen über strukturierte JSON-Nachrichten.
Das Integrationsproblem und die Lösung durch MCP
Vor MCP mussten Entwicklerinnen und Entwickler eine eigene Schnittstelle für jede Kombination aus KI-Anwendung und externem System erstellen. Sollten fünf verschiedene KI-Anwendungen auf zehn unterschiedliche Datenquellen zugreifen, konnten im ungünstigsten Fall bis zu 50 individuell entwickelte Integrationen erforderlich sein. Dieses Problem wird als sogenanntes N-mal-M-Integrationsproblem beschrieben. Auf der einen Seite stehen N KI-Anwendungen oder Modelle, auf der anderen Seite M Datenquellen und Werkzeuge. Ohne gemeinsamen Standard muss jede Seite wissen, wie sie mit der jeweils anderen kommuniziert.
MCP reduziert diese Fragmentierung, indem beide Seiten dieselbe Schnittstelle verwenden. Eine KI-Anwendung implementiert einen MCP-Client und eine Datenquelle oder ein Werkzeug stellt seine Funktionen über einen MCP-Server bereit. Im Idealfall werden damit aus vielen individuellen N-mal-M-Verbindungen zwei standardisierte Seiten eines gemeinsamen Protokolls.
Bildlich lässt sich MCP deshalb als eine Art „USB-C für KI-Anwendungen“ verstehen. Ein USB-C-Anschluss definiert eine gemeinsame physische Schnittstelle für viele unterschiedliche Geräte. MCP verfolgt ein ähnliches Prinzip auf Softwareebene.
Architektur und Kernkomponenten von MCP
MCP verwendet eine Client-Host-Server-Architektur. Sie besteht im Wesentlichen aus Hosts, Clients und Servern. Dabei kann ein Host mehrere MCP-Clients verwalten, während jeder Client mit genau einem MCP-Server kommuniziert.
Der Host ist die Anwendung, in der das Sprachmodell eingesetzt wird. Er koordiniert das LLM, verwaltet die verfügbaren MCP-Verbindungen und entscheidet darüber, welcher Kontext beziehungsweise welche Funktionen für das Modell verfügbar sind. Außerdem ist er ein wichtiger Bestandteil der Sicherheitsarchitektur, da er Berechtigungen und Nutzerfreigaben verwalten kann.
Innerhalb des Hosts befinden sich die MCP-Clients. Ein Client übernimmt die Kommunikation mit jeweils einem MCP-Server. Er sendet Anfragen, verarbeitet Antworten und übermittelt Informationen zwischen Host und Server.
Die MCP-Server stellen schließlich konkrete Daten oder Funktionen bereit. MCP-Server können sowohl lokal auf demselben Rechner als auch als entfernte Dienste betrieben werden. Die Nachrichten zwischen MCP-Clients und Servern folgen JSON-RPC 2.0. Eine Anfrage enthält beispielsweise den Namen einer gewünschten Operation und die zugehörigen Parameter. Der Server verarbeitet die Anfrage und sendet anschließend das Ergebnis oder eine Fehlermeldung zurück.
Resources, Prompts und Tools
MCP-Server können drei zentrale Arten von Funktionen bereitstellen: Resources, Prompts und Tools. Resources eignen sich insbesondere für Informationen, die das Modell zur Bearbeitung einer Aufgabe benötigt. Prompts stellen dagegen wiederverwendbare Vorlagen für bestimmte Arbeitsabläufe bereit. Tools gehen einen Schritt weiter. Sie können tatsächlich Funktionen ausführen. Einen Überblick über die Funktionsarten finden Sie hier:
| MCP-Feature | Bedeutung | Typisches Beispiel |
|---|---|---|
| Resources | Resources stellen Daten oder Inhalte als zusätzlichen Kontext für das Sprachmodell bereit. | Dateien, Dokumente, Datenbankschemata oder Git-Historien |
| Prompts | Prompts sind vordefinierte Prompt-Vorlagen oder Anweisungen für wiederkehrende Aufgaben. | Eine Vorlage zur Codeanalyse oder zur Zusammenfassung eines Dokuments |
| Tools | Tools sind ausführbare Funktionen, mit denen eine KI Informationen abrufen oder Aktionen durchführen kann. | Eine API aufrufen, eine Datei schreiben oder einen Datenbankeintrag abrufen |
Vorteile und Praxisanwendungsbereiche von MCP
Ein wesentlicher Vorteil von MCP besteht darin, dass Sprachmodelle auf externe und aktuelle Informationen zugreifen können, statt ausschließlich mit ihrem Trainingswissen oder manuell in den Prompt eingefügten Informationen zu arbeiten. Das kann das Risiko von Halluzinationen reduzieren. Soll ein KI-Assistent beispielsweise erklären, welche Abhängigkeiten in einem aktuellen Softwareprojekt verwendet werden, muss er diese Informationen nicht erraten. Über einen entsprechenden MCP-Server kann er die tatsächlich vorhandenen Projektdateien lesen.
MCP verhindert Halluzinationen allerdings nicht grundsätzlich. Auch mit korrekten Ausgangsdaten kann ein Sprachmodell Informationen falsch interpretieren oder fehlerhafte Schlussfolgerungen ziehen. Zudem hängt die Qualität der Ergebnisse davon ab, ob der angeschlossene Server zuverlässige Daten bereitstellt.
Ein wichtiger Anwendungsbereich ist Agentic AI. Dabei bearbeiten KI-Systeme nicht nur einzelne Fragen, sondern führen mehrstufige Arbeitsabläufe aus. Ein Agent könnte beispielsweise zunächst Informationen aus einem Issue-Tracker lesen, anschließend den zugehörigen Quellcode analysieren, eine Änderung erstellen und schließlich einen Pull Request vorbereiten. MCP erleichtert solche Abläufe, weil verschiedene Werkzeuge über dieselbe grundlegende Schnittstelle angeboten werden können. Das Modell beziehungsweise der Host muss nicht für jeden Schritt eine vollkommen andere Integrationslogik verwenden.
MCP in KI-Entwicklungsumgebungen
Verbreitet ist MCP vor allem im Bereich der KI-gestützten Softwareentwicklung. Claude Code kann über MCP auf externe Tools, Datenbanken und APIs zugreifen. Dadurch lassen sich Informationen aus Issue-Trackern oder Monitoring-Systemen direkt in Entwicklungsaufgaben einbeziehen. Auch Cursor unterstützt MCP für die Verbindung mit externen Werkzeugen und Datenquellen. MCP-Server können dort unter anderem lokal als Prozess oder über HTTP angebunden werden.
Der Nutzen zeigt sich beispielsweise bei der Arbeit mit einem größeren Softwareprojekt. Statt relevante Dateien manuell in einen Chat zu kopieren, kann ein MCP-Server einen kontrollierten Zugriff auf das Projektverzeichnis ermöglichen. Die KI-Anwendung kann dann gezielt benötigte Dateien oder andere Informationen abrufen. Für solche Anwendungen existieren unter anderem Referenzserver für Dateisysteme und Git-Repositorys. Der Filesystem-Server ermöglicht kontrollierte Dateioperationen in freigegebenen Verzeichnissen, während eine Git-Anbindung Informationen aus Repositories bereitstellen kann.
Sicherheit bei MCP
Der standardisierte Zugriff auf externe Systeme bringt gleichzeitig neue Sicherheitsanforderungen mit sich. Ein MCP-Server kann unter Umständen sensible Informationen lesen oder Aktionen mit realen Auswirkungen ausführen. MCP ist deshalb so aufgebaut, dass der Host eine zentrale Kontrollinstanz bildet. Server sollen nur die Informationen erhalten, die für ihre jeweilige Aufgabe erforderlich sind.
Für geschützte HTTP-basierte Verbindungen definiert MCP ein Autorisierungsmodell auf Basis von OAuth 2.1. Dabei nutzt die Spezifikation etablierte Standards zur Ermittlung von Autorisierungsservern und unterstützt mit Client ID Metadata Documents (CIMD) einen standardisierten Mechanismus zur Bereitstellung und Ermittlung von Client-Metadaten. MCP-Server-Security ist dadurch allerdings nicht automatisch gegeben. Nutzende und Unternehmen müssen weiterhin prüfen, welche Server sie anbinden und welche Berechtigungen diese erhalten. Insbesondere externe Inhalte können Prompt-Injection-Angriffe enthalten.
Fazit und Ausblick
Das Model Context Protocol löst eines der grundlegenden Probleme von KI-Anwendungen: Sprachmodelle benötigen Zugriff auf Daten und Werkzeuge, doch individuell entwickelte Schnittstellen für jedes Modell und jedes externe System sind langfristig schwer skalierbar. MCP schafft dafür eine gemeinsame technische Grundlage. Mit Hosts, Clients und Servern trennt das Protokoll die eigentliche KI-Anwendung von den angebundenen Datenquellen.
Innerhalb kurzer Zeit hat sich MCP weit über seinen ursprünglichen Entwickler Anthropic hinaus verbreitet, sodass das Protokoll mittlerweile als herstellerübergreifender De-facto-Standard für die Anbindung von KI-Anwendungen an externe Daten und Werkzeuge betrachtet werden kann.
Auch organisatorisch wurde die herstellerunabhängige Ausrichtung inzwischen gestärkt. Anthropic übergab MCP im Dezember 2025 an die Agentic AI Foundation (AAIF), einen Directed Fund unter dem Dach der Linux Foundation. Die Stiftung stellt damit eine neutrale rechtliche und organisatorische Heimat für das Projekt bereit. Ob MCP langfristig tatsächlich eine ähnlich fundamentale Rolle für KI-Agenten spielen wird wie etablierte Internet- und Softwarestandards in ihren jeweiligen Bereichen, bleibt abzuwarten. Die breite Unterstützung durch unterschiedliche KI-Anbieter und die herstellerneutrale Weiterentwicklung schaffen dafür jedoch eine stabile Grundlage.