Die Integration großer Sprachmodelle (LLMs) mit externen Daten erforderte historisch einen fragmentierten Ansatz. Entwickler bauten typischerweise für jede spezifische Datenquelle oder jedes Tool eigene Konnektoren, was zu einem “N×M”‑Integrationsproblem führte, bei dem jedes neue Modell neue Pipelines für jedes bestehende Tool erforderte [1].
Vom Anthropic im November 2024 eingeführt, ist das Model Context Protocol (MCP) ein Open‑Source‑Standard, der diese Komplexität zusammenfassen soll [S1, S5]. Es fungiert als universelle Schnittstelle, ähnlich wie USB‑C Verbindungen für elektronische Geräte standardisiert, und ermöglicht KI‑Anwendungen die Anbindung an Datenbanken, lokale Dateien und APIs ohne herstellerspezifischen Code [4].
Wie die MCP‑Architektur funktioniert
MCP verlagert die KI‑Integration von einem prompt‑zentrierten Modell zu einem protokoll‑zentrierten Ansatz [3]. Anstatt Daten‑Schemas manuell in einem Text‑Prompt zu beschreiben – was spröde ist und das Kontextfenster des Modells belastet – werden Werkzeuge einmalig auf Protokollebene deklariert [3].
Das Framework besteht aus drei klar getrennten Komponenten:
- MCP Host: Die übergeordnete Anwendung, etwa eine IDE oder eine KI‑Laufzeit, die die Umgebung verwaltet und die Kommunikation koordiniert [S3, S7].
- MCP Client: Die Brücke innerhalb der KI‑Laufzeit, die einen “Discovery”‑Handshake mit Servern durchführt, um verfügbare Fähigkeiten dynamisch zu ermitteln [3].
- MCP Server: Das Tor zu externen Fähigkeiten. Diese Server setzen eigenständig Sicherheitsprotokolle durch, einschließlich Autorisierung und Protokollierung, und stellen dabei bestimmte Werkzeuge oder Ressourcen bereit [3].
Die Kommunikation zwischen diesen Komponenten nutzt JSON‑RPC 2.0‑Nachrichten [S1, S3]. Je nach Umgebung unterstützt das Protokoll zwei Transportmethoden: stdio für die lokale Prozesskommunikation und HTTP mit Server‑Sent Events (SSE) für entfernte, cloud‑basierte Server [S3, S7].
Kern‑Primitive: Werkzeuge, Ressourcen und Prompts
Um zu standardisieren, wie ein Agent mit einem System interagiert, definiert MCP drei primäre Primitive [S5, S7].
Ressourcen stellen der KI Daten zur Verfügung, ähnlich wie Dateipfade oder Datenbankzeilen, die durch benutzerdefinierte URIs identifiziert werden [7]. Das können statische Dokumente wie ein FAQ sein oder dynamische Datenströme [S1, S7].
Werkzeuge ermöglichen der KI tatsächliche Berechnungen oder Aktionen [5]. Entscheidet sich ein LLM, ein Werkzeug zu nutzen, sendet es eine JSON‑Payload, die einem vordefinierten Schema entspricht; der Server führt dann die Logik aus (z. B. das Auslösen einer Build‑Pipeline oder das Abfragen einer SQL‑Datenbank) und liefert das Ergebnis zurück [7].
Prompts sind wiederverwendbare, parametrisierte Vorlagen, die vom Server bereitgestellt werden [S5, S7]. Sie helfen, Workflows zu strukturieren, etwa ein Code‑Review‑Prompt, das automatisch einen Git‑Diff abruft, bevor das Modell mit der Analyse beginnt [7].
Praktische Anwendungen und Akzeptanz im Ökosystem
Da MCP neutral gegenüber dem, was ein Server bereitstellt, ist, wird es in verschiedensten technischen Bereichen übernommen [5]. Im Bereich Softwareentwicklung nutzen IDEs wie Visual Studio Code und Plattformen wie Replit MCP, um KI‑Assistenten Echtzeit‑Zugriff auf den Projekt‑Kontext zu geben [1].
Über das reine Coding hinaus breitet sich das Protokoll in Regierungs‑ und Unternehmensdienste aus. Die US‑General Services Administration (GSA) hat untersucht, MCP zu verwenden, um Prototypen zu bauen, die KI‑Agenten erlauben, offene Regierungs‑Datensätze abzufragen und Informationen über Sandbox‑Umgebungen an Regierungsdienste zu übermitteln [2].
Große KI‑Anbieter, darunter OpenAI und Google DeepMind, haben das Protokoll übernommen [1]. Bis Dezember 2025 wuchs das Ökosystem auf über 10 000 aktive öffentliche MCP‑Server und erreichte 97 Millionen monatliche SDK‑Downloads [5]. Um eine neutrale Governance zu gewährleisten, spendete Anthropic MCP im Dezember 2025 an die Agentic AI Foundation unter der Linux Foundation [S1, S5].
Sicherheits‑ und Governance‑Abwägungen
Während MCP die Konnektivität vereinfacht, erzwingt das Protokoll selbst keine Datenqualität oder Governance [5]. Ein MCP‑Server kann Rohdaten bereitstellen, doch liegt es in der Verantwortung der Server‑Implementierung, kontextuell geregelte Informationen zu liefern, einschließlich Herkunft, Eigentum und Zugriffsregeln [5].
Die Sicherheit wird auf Server‑Ebene gehandhabt, was eine feinkörnige Kontrolle ermöglicht [3]. Beispielsweise nutzen einige Implementierungen Microsoft Entra ID, um Nutzer zu authentifizieren, wenn sie sich von vorab autorisierten Clients verbinden, sodass der KI‑Agent nur auf Daten zugreifen kann, die dem jeweiligen Nutzer erlaubt sind [8].
Für diejenigen, die diese Standards implementieren wollen, stellt das Protokoll SDKs für Python, TypeScript, Java, Kotlin, C#, Go, PHP, Perl, Ruby, Rust und Swift bereit [1].
Quellen
- Model Context Protocol - Wikipedia
- What Is MCP (Model Context Protocol)? Complete Guide 2026
- What is Model Context Protocol (MCP)? - Cisco
- Model Context Protocol (MCP) - GeeksforGeeks
- Model Context Protocol Server and AI Agent Government Hackathon - GSA
- What is the Model Context Protocol (MCP)?
- Microsoft | Dev Tools & Languages | Model Context Protocol
- PDF Model Context Protocol (MCP): Security Design Considerations for AI …
