Zehn MCP-Server, die einem lokalen KI-Modell Hände und Augen verleihen.

Ein leistungsstarkes Modell, das lokal läuft, wirkt anfangs großartig. Es gibt keine Cloud-Anrufe und keine monatliche Gebühr. Dann kommt die erste echte Entwicklungsaufgabe: Die Überprüfung eines Fehlers in einem Python-Skript, das am Vorabend geschrieben wurde. In diesem Moment stellt sich heraus, dass das clevere lokale Modell blind ist – es kann keine lokalen Dateien sehen, keine aktuellen Online-Dokumentationen lesen und weder in ein GitHub-Repository schauen noch eine Datenbank abfragen.

Daher reduziert sich der Workflow auf manuelle Arbeit. Man öffnet den Editor, findet den fehlerhaften Code, kopiert ihn, fügt ihn in das Chat-Fenster ein, wartet, kopiert die Korrektur, kehrt zum Editor zurück, ersetzt den alten Code und wiederholt den Vorgang. Das Modell hat das „Gehirn“, während der Entwickler gezwungen ist, seine Augen, Hände und Tastatur zu spielen.

Diese Lücke wird durch das Model Context Protocol (MCP) geschlossen. Anthropic führte es 2024 als offenen Standard ein, der KI-Anwendungen ermöglicht, mit externen Tools, Dateien, Datenbanken, APIs und anderen Datensätzen zu verbinden. Das einfachste Bild dafür ist ein USB-Anschluss für KI-Systeme. Anstatt für jedes Modell und jedes Tool eine eigene Integration zu entwickeln, bietet MCP ihnen einen gemeinsamen Kommunikationsweg. Für alle, die Modelle lokal ausführen, ist diese Veränderung enorm – es lohnt sich, zehn Server zu kennen.

1. Dateisystem

Jeder, der einen Server aus dieser Liste installiert, sollte vermutlich hier beginnen. Ein lokales Modell hat keine Ahnung, was auf der Festplatte gespeichert ist. Der Dateisystem-Server gewährt kontrollierten Zugriff auf die von dem Benutzer ausgewählten Dateien und Verzeichnisse.

Stellen Sie sich ein unübersichtliches Python-Projekt mit Dutzenden von Dateien vor. Anstatt alles in eine Chat-Unterhaltung einzufügen, kann ein Entwickler das Modell bitten, durch den Backend-Ordner zu gehen und herauszufinden, warum ein Authentifizierungs-Token zu früh abläuft. Das Modell prüft die erlaubten Dateien, beobachtet, wie sich die Codeabschnitte gegenseitig beeinflussen, und hilft dabei, die Ursache zu ermitteln. Es kann außerdem Dateien erstellen, Code ändern, Ordner ordnen und Konfigurationen analysieren.

Rechte sind der entscheidende Punkt. Geben Sie dem Server nur die Verzeichnisse, die er tatsächlich benötigt, denn unbeschränkter Zugriff auf den gesamten Rechner ist selten klug.

2. Firecrawl

Jeder, der bereits im Webscraping tätig war, weiß, wie problematisch Websites sein können. Manche verwenden sauberes HTML, andere setzen auf JavaScript, und wieder andere ändern ihr Layout nach sechs Monaten und zerstören damit alle sorgfältig erstellten Selektoren.

Firecrawl übernimmt das Crawling und die Extraktion und liefert Inhalte, die für KI-Systeme leichter verarbeitbar sind. Durch seine MCP-Integration kann ein Benutzer dem Modell eine Website übergeben und es bitten, die relevanten Teile abzurufen und zu verstehen – beispielsweise um die Dokumentation einer Bibliothek zu lesen und zu erklären, wie die Authentifizierung funktioniert. Das Modell erhält den Material selbst, ohne dass manuell Seiten geöffnet oder Inhalte in das lokale Modell kopiert werden müssen. Für Personen, die regelmäßig mit Dokumentationen, Forschungsdaten und Webdaten arbeiten, sind die Zeitersparnisse erheblich.

3. SQLite

SQLite ist in der Entwicklung allgegenwärtig. Es ist leichtgewichtig, benötigt keinen Datenbankserver und kommt in Prototypen, Desktop-Anwendungen, Tests sowie kleinen Projekten zum Einsatz. Ein lokales Modell kann die Datenbank jedoch nicht direkt öffnen; ein SQLite-Server dient dabei als Brücke.

Durch eine Anwendung, die Tausende von Datensätzen lokal speichert, kann ein Entwickler auf manuell geschriebene SQL-Anfragen verzichten und beispielsweise fragen, welche fünf Fehlerarten diesen Monat am häufigsten aufgetreten sind. Das Modell prüft das Schema, erstellt eine geeignete Abfrage, führt sie aus und erklärt, was zurückkommt. Das ist besonders praktisch, wenn man mit lokalen Anwendungen experimentiert und möchte, dass das Modell mit echten Projektdaten statt mit erfundenen Beispielen arbeitet.

4. PostgreSQL

SQLite eignet sich für kleinere Projekte, doch viele ernsthafte Anwendungen laufen unter PostgreSQL. Ein PostgreSQL-Server ermöglicht es dem Assistenten, über MCP mit einer solchen Datenbank zu arbeiten.

Nehmen wir an, eine Webanwendung zeigt plötzlich eine Welle fehlgeschlagener Anmeldungen. Anstatt durch Tabellen zu blättern und mehrere Abfragen manuell zu schreiben, kann der Entwickler abfragen, welche Benutzer in den letzten 48 Stunden die meisten Anmeldefehler hatten. Das Modell betrachtet das verfügbare Schema, schreibt die notwendige Abfrage, führt sie über die erlaubte Verbindung aus und fasst das Ergebnis zusammen.

Die Berechtigungen in der Datenbank erfordern besondere Sorgfalt. Ein rein lesender Zugriff ist weitaus sicherer als der Erlass unbegrenzter Schreibrechte für nahezu jeden KI-Arbeitsablauf.

5. GitHub

Ein großer Teil der modernen Entwicklung findet auf GitHub statt, weshalb eine Verbindung zum Modell vorteilhaft ist. Je nach Berechtigungen und Implementierung kann die Integration Repositorien, Issues, Pull Requests, Commits sowie verwandte Informationen freigeben.

Stellen Sie sich vor, Sie erhalten einen Pull Request, der 30 Dateien betrifft. Anstatt jede einzelne sofort zu lesen, kann der Entwickler um eine Zusammenfassung der Änderungen sowie eine Liste der Bereiche bitten, die einer Sicherheitsüberprüfung bedürfen. Das Modell analysiert die relevanten Daten und bietet einen Ausgangspunkt für die Überprüfung. Es ersetzt keinen erfahrenen Entwickler, kann aber viel wiederholende Arbeit einsparen.

6. Brave Search

Eine große Schwäche lokaler Modelle ist, dass ihr eingebautes Wissen veraltet. Ein Modell mag wissen, wie eine Python-Bibliothek im letzten Jahr funktionierte, doch es gibt keine Garantie dafür, dass es die dieswöchige Version kennt.

Der Brave Search-Server bietet eine assistierte Web-Suche. Ein Entwickler kann nach der derzeit empfohlenen Methode zur Konfiguration eines Pakets fragen, und das Modell sucht aktuelle Informationen auf anstelle sich allein auf Trainingsdaten zu verlassen. Das ist für wichtige Softwarearbeiten entscheidend, da Dokumentationen, APIs, Paketversionen und Best Practices ständig ändern. Das lokale Modell behält seine Privatsphärenvorteile bei und erhält gleichzeitig Zugang zum Live-Web.

7. Puppeteer

Das Scraping bezieht sich nicht immer auf das Herunterladen von HTML. Moderne Websites sind stark von JavaScript, Schaltflächen, Formularen und dynamischem Inhalt abhängig. Genau da kommen Browser-Automatisierungswerkzeuge wie Puppeteer ins Spiel. Mit einem Puppeteer-Server kann das Modell einen Browser über die unterstützten Automatisierungsfunktionen steuern.

Eine Aufgabe könnte darin bestehen, eine Website zu öffnen, zur Dokumentationsseite zu navigieren und ein Konfigurationsbeispiel für die Authentifizierung zu finden. Anstatt nur statische Inhalte zu lesen, arbeitet das Modell innerhalb eines echten Browsers. Für Entwickler, die bereits mit der Automatisierung von Browsern vertraut sind, eröffnet dies interessante Möglichkeiten für lokale Agenten.

8. Git

Git und GitHub sind miteinander verbunden, aber unterschiedlich. Git ist das Versionskontrollsystem, das innerhalb der Entwicklungsumgebung läuft, und ein Git-Server ermöglicht es dem Modell, mit den Commits, Branches und Änderungen eines lokalen Repositoriums zu arbeiten.

Es ist beim Debuggen nützlich. Ein Entwickler könnte fragen, was sich zwischen den letzten beiden Commits geändert hat und welche Änderung möglicherweise einen Fehler verursacht hat. Ohne MCP bedeutet das, mehrere git-Befehle auszuführen und die Ausgaben in den Chat einzukopieren. Mit MCP inspiziert der Assistent den Repository-Kontext direkt. Das Modell betrachtet den Code nicht mehr als isolierte Dateien, sondern erhält ein besseres Verständnis für die dahinterliegende Geschichte.

9. Sequenzielles Denken

Nicht jedes Problem erfordert eine weitere Datenquelle. Manchmal geht es um das logische Denken. Komplexes Debuggen beinhaltet mehrere Möglichkeiten, Annahmen und Zwischendecisionen, und ein Server für sequenzielles Denken bietet dem Modell eine strukturierte Methode, ein schwieriges Problem in kleinere Schritte aufzuteilen.

Anstatt einfach zu fragen „Warum stürzt die Anwendung ab?“, kann ein Entwickler eine umfassendere Fehlersuchaufgabe übergeben, die Logs, Abhängigkeiten, kürzliche Änderungen sowie mögliche Ursachen umfasst. Der strukturierte Ablauf ermutigt das Modell, methodisch vorzugehen und nicht sofort zur ersten überzeugenden Erklärung zu greifen. Es handelt sich dabei um keine Magie und es wird kein korrektes Denken garantiert, doch bei komplexen, mehrschrittigen Aufgaben hilft die Struktur.

10. Fetch

Mannchmal ist ein vollständiger Suchmaschinen- oder Crawling-Service überflüssig. Es gibt lediglich eine URL, die das Modell lesen muss. Ein serverbasiertes System im Fetch-Stil lädt eine Seite herunter und ermöglicht es dem Modell, sie zusammenzufassen – beispielsweise indem es eine API-Dokumentationsseite liest und das dortige Authentifizierungsbeispiel erläutert.

Es funktioniert hervorragend in Kombination mit Suchwerkzeugen: Ein Suchserver findet die richtige Seite und ein Abrufserver lädt die spezifische Seite herunter, die vom Modell verstanden werden soll. Die Funktionalität ist einfach, und einfache Funktionalitäten werden oft ständig genutzt.

Was ändert sich, wenn die Server kombiniert werden

Das Interessante an MCP liegt nicht in einem einzelnen Server, sondern darin, was passiert, wenn mehrere zusammenarbeiten. Stellen Sie sich ein lokales Modell vor, das Zugriff auf Projektdateien, ein Git-Repository, GitHub-Issues, eine Datenbank, einen Browser sowie das Live-Web hat. Eine Aufgabe könnte lauten: Erkunden, warum das Anmeldesystem versagt, kürzliche Git-Änderungen überprüfen, die relevanten Python-Dateien untersuchen, Datenbankfehler prüfen, aktuelle Dokumentationen zur Authentifizierungsbibliothek finden und einen Lösungsvorschlag erstellen.

Das ist eine völlig andere Erfahrung als das Einfügen von Code und die Frage nach dem Fehler. Das Modell beantwortet nicht mehr nur Fragen – es entwickelt sich zu einem Agenten, der im Entwicklungsumfeld handeln kann.

Es gibt eine Warnung: MCP macht nichts automatisch sicher. Jeder installierte Server ist zusätzliche Software, die Daten, Dateien oder Dienste abrufen könnte. Wählen Sie vertrauenswürdige Implementierungen, lesen Sie die Berechtigungen sorgfältig durch, verzichten Sie auf unnötigen Schreibzugriff und geben Sie einem Server niemals mehr Befugnisse, als seine Aufgabe erfordert. Das Ziel ist nicht die Kontrolle über den gesamten Computer – es reicht aus, genügend Zugriff zu haben, um nützlich zu sein.

Jenseits des Chat-Fensters

Lokal verfügbare KI hatte früher eine frustrierende Beschränkung: Ein leistungsstarkes Modell konnte zwar auf privatem Hardware-Equipment laufen, blieb aber in einem Chat-Fenster gefangen. MCP beginnt, diese Grenze zu durchbrechen. Ein leistungsstarkes lokales Modell in Kombination mit den richtigen Servern kann zu einem überraschend starken Entwicklungshilfsmittel werden. Statt also zu fragen, was ein lokales Modell weiß, sollte man fragen, was es tun kann.