Kurz gesagt
MCP (Model Context Protocol) ist ein offener Standard, der KI-Modelle über eine einzige gemeinsame Schnittstelle mit externen Tools, Datenquellen und Diensten verbindet, statt dass jede App ihre eigene Integration erfindet. Es wird oft als USB-C-Anschluss für KI beschrieben: Jedes MCP-kompatible Modell kann sich an jeden MCP-Server anschliessen und sofort nutzen, was er bietet. Ein MCP-Server stellt drei Arten von Fähigkeiten bereit - Tools (Aktionen, die das Modell ausführen kann), Resources (Daten zum Lesen) und Prompts (wiederverwendbare Vorlagen) - sodass ein Modell in der echten Welt arbeiten kann, ohne für jede Verbindung eigenen Klebecode zu brauchen.
Warum es MCP gibt
Vor MCP bedeutete das Verbinden eines Modells mit einer Datenbank, einem Dateisystem oder einer API massgeschneiderten Integrationscode für jede Paarung, was nicht skaliert. MCP standardisiert diesen Vertrag einmal: Schreibe einen MCP-Server für ein System, und jeder MCP-fähige Client (Claude Code, eine IDE, eine Chat-App) kann ihn nutzen. Von Anthropic Ende 2024 eingeführt, ist es zum De-facto-Standard geworden, mit offiziellen SDKs für TypeScript, Python, C#, Java und Swift und Hunderten öffentlichen Servern bis 2026.
Tools, Resources und Prompts
Ein MCP-Server kann jede Mischung aus drei Primitiven bereitstellen, jedes mit einer standardisierten Art, es aufzulisten und zu nutzen.
- Tools: Aktionen, die das Modell aufrufen kann, etwa "führe eine Abfrage aus" oder "erstelle eine Datei". Das ist Tool Calling über ein gemeinsames Protokoll.
- Resources: Daten zum Lesen, die das Modell holen kann, etwa ein Dokument, eine Datenbankzeile oder ein Log.
- Prompts: wiederverwendbare Prompt-Vorlagen, die ein Server anbietet, damit Clients einen konsistenten Startpunkt erhalten.
Wie eine Verbindung funktioniert
Eine Host-Anwendung (die KI-App) betreibt einen oder mehrere Clients, und jeder Client hält eine dedizierte Verbindung zu genau einem MCP-Server. Wenn das Modell handeln muss, bittet es den Client, ein Tool auf dem Server aufzurufen; der Server erledigt die eigentliche Arbeit (etwa eine SQL-Abfrage) und gibt ein strukturiertes Ergebnis zurück, das das Modell lesen kann. Das Modell berührt die Datenbank nie direkt, was Berechtigungen und Sicherheit im Server hält, wo du sie kontrollierst.