Startseite / Artikel

Erklärung von MCP-Servern: Werkzeuge, Ressourcen, Anfragen und wann ein Gateway hinzugefügt werden sollte.

Eine verständliche Einführung in MCP-Server: Wie Host, Client und Server miteinander verbunden sind, worin sich MCP von einer API unterscheidet, was man damit tun kann und wann sich ein Gateway lohnt.

Verlag: REACTAPP.TOP9 Min. Lesezeit2044 Wörter

Quellen: What Is an MCP Server? A Beginner’s Guide

Ein MCP-Server ist ein kompaktes Programm, das einem KI-Modell den Zugriff auf Tools und Daten ermöglicht, die es sonst nicht selbst erreichen könnte. Stellen Sie sich eine Brücke vor: Mithilfe des Model Context Protocols, eines gemeinsamen Standards, kann ein Modell Dateien lesen, eine Datenbank abfragen oder eine API aufrufen, ohne dass jemand für jede Kombination neue Verbindungsmechanismen schreiben muss. Der Server kann ein Skript auf einem Laptop oder ein Cloud-Dienst sein.

Der Akronym klingt bedrohlicher als die Idee dahinter. Dennoch verdient er ein klares Verständnis, denn MCP entwickelt sich schnell zur Standardmethode, über die KI-Agenten auf die Außenwelt zugreifen.

Was der Server tatsächlich ist

Ein Server bietet drei Arten von Funktionen: Aktionen, die das Modell ausführen kann, Informationen, die es lesen kann, sowie Vorlagen, die es wiederverwenden kann. Nach der Verbindung fragt das Modell nach dem verfügbaren Inhalt und arbeitet mit der Antwort. Kurz gesagt ist der Server ein Standard-Adapter, der eine KI mit einem externen System verbindet.

Das Wort „Server“ irreführt die Menschen. Dafür ist keineswegs spezielles Hardware in einem Rechenzentrum erforderlich; ein Server für das lokale Dateisystem kann ein kurzer Script auf einem privaten Rechner sein. Der Name leitet sich davon ab, dass er Anfragen beantwortet – genauso wie der Entwicklungsserver, der mit „npm run dev“ gestartet wird. Es handelt sich dabei um ein kleines Programm, das auf Fragen reagiert.

Anders ausgedrückt: Ein Server ist alles, was am anderen Ende der Verbindung steht, in der Lage ist, echte Aufgaben wie das Lesen einer Datei oder das Abfragen einer Datenbank auszuführen, und diese Aufgaben auf eine Weise beschreiben kann, die von einem Modell verarbeitet werden kann.

Ursprung von MCP

Das Model Context Protocol ist ein offener Standard zur Verbindung von KI-Modellen mit externen Tools und Daten. Anthropic veröffentlichte es im November 2024, und innerhalb eines Jahres entwickelte es sich von einer Nischenidee zu etwas, das von Claude, ChatGPT, Cursor und VS Code alle unterstützt wird.

Es löste ein ganz einfaches Ärgernis. Vor MCP bedeutete es, einer KI ein Tool zur Verfügung zu stellen, jedes Mal die Integration von Hand zu schreiben. Ein Such-Chatbot für die Unternehmensdokumente, bei dem Embeddings und die Suche manuell miteinander verbunden werden, stellt eine Datengrundlage sowie eine vollständig individuell angepasste Integration dar. Wenn man das für GitHub, dann für Slack, anschließend für eine Datenbank und schließlich für ein weiteres Modell, das eine andere Datenaufbaustruktur erwartet, wiederholt, wird das Skalieren unmöglich. Jeder baute wiederholt dieselben Anbindungen neu.

In der offiziellen Dokumentation wird MCP mit einem USB-C-Anschluss für KI verglichen: eine einheitliche Anschlussform, wodurch alles mit allem verbunden werden kann. Ein einmal erstellter Server funktioniert mit jedem Client, der das Protokoll versteht. Das erklärt die schnelle Adoption, da zahlreiche einmalige Integrationen zu einem einzigen, gemeinsam genutzten Standard wurden.

Wie die Komponenten zusammenpassen

Drei Rollen sind beteiligt: Host, Client und Server.

  • Der Host ist die Anwendung, die eine Person tatsächlich verwendet, beispielsweise Claude Desktop oder Cursor.
  • Für jeden Server, den er erreichen möchte, erstellt der Host einen Client, der eine eigene Verbindung zu diesem einzelnen Server aufrechterhält.
  • Nachrichten werden im Format JSON-RPC 2.0 übertragen, einem einfachen und gut verstandenen Format, was hier einen Vorteil darstellt.

Ein Server kann drei Arten von Funktionalitäten anbieten, und es lohnt sich, diese nach ihrem Namen zu kennen:

  • Tools: Aktionen, die das Modell auslösen kann, wie zum Beispiel das Öffnen einer Datei, die Ausführung einer Abfrage oder das Erstellen eines GitHub-Issues.
  • Resources: Materialien, die das Modell zum Verständnis des Kontexts liest, wie zum Beispiel der Text einer Datei oder ein Datenbankschema. Das Lesen hat keine Nebenwirkungen.
  • Prompts: Wiederverwendbare Vorlagen für häufige Aufgaben, die das Modell davor schützen, von vorne anfangen zu müssen.

Der Ablauf ist kurz. Der Client verbindet sich, bittet den Server mit einer tools/list-Anfrage, aufzulisten, was dieser zur Verfügung hat, und führt anschließend eine der Einträge mit einer tools/call-Anfrage aus. In JSON sieht die Entdeckungsanfrage wie folgt aus:

// "What can you do?"
{ "jsonrpc": "2.0", "id": 1, "method": "tools/list" }

Und die anschließende Aufforderung, ein Tool zu verwenden, sieht so aus:

// "Okay, do this one."
{
  "jsonrpc": "2.0",
  "id": 2,
  "method": "tools/call",
  "params": {
    "name": "get_weather",
    "arguments": { "city": "Kolkata" }
  }
}

Ein weiterer Punkt, der früh von Bedeutung ist: Server laufen an einem von zwei Orten. Ein lokaler Server kommuniziert über stdio, also Standard-Eingabe und -Ausgabe, sodass zwei Programme auf demselben Rechner ohne Netzwerkverbindung Text miteinander austauschen können. Ein entfernter Server kommuniziert über HTTP, wodurch er überall stehen kann und gleichzeitig vielen Clients dienen kann. Das Protokoll ist in beiden Fällen dasselbe – das ist schließlich der ganze Sinn.

MCP im Vergleich zu einer einfachen API

Die Leute fragen ständig danach, daher lautet die direkte Antwort, dass ein MCP-Server in der Regel auf einer gewöhnlichen API basiert. Er ersetzt diese nicht. Was sich unterscheidet, ist der vorgesehene Nutzer.

Eine herkömmliche API richtet sich an Entwickler, die die Dokumentation gelesen haben und die genauen Aufrufe hardcodiert haben. Sie geht davon aus, dass die Endpunkte im Voraus bekannt sind. Ein MCP-Server hingegen richtet sich an ein Modell, das mit keinerlei Vorkenntnissen ankommt, nachfragt, was vorhanden ist, und selbst entscheidet, welches Tool verwendet werden soll. Der Schlüssel liegt in der Entdeckung zur Laufzeit – eine einfache API bietet dies nicht.

In der Praxis sind die meisten MCP-Server nur schmale Wrapper um eine API, die ein Entwickler direkt aufrufen könnte. MCP liefert eine einheitliche Methode zur Beschreibung der Tools, sodass jedes Modell sie entdecken und nutzen kann, ohne dass ein Mensch jeden Aufruf manuell konfigurieren muss. Die API erledigt die Aufgabe, während der Server sie für eine KI verständlich macht.

Was Sie damit tun können

Mehr, als die meisten Menschen erwarten, und die Rohmaterialien sind wahrscheinlich bereits verfügbar. Typische Beispiele: Ein Server ermöglicht es einem Modell, mit lokalen Dateien zu arbeiten, ein anderer kümmert sich um GitHub-Issues und Pull-Requests, ein dritter fragt Postgres ab, ein vierter liest und sendet Slack-Nachrichten. Anthropic stellt eine Sammlung von Referenzimplementierungen auf GitHub bereit, und Hersteller veröffentlichen zunehmend einen offiziellen Server für ihr eigenes Produkt.

Die meisten Menschen lernen ihren ersten Server durch einen Programmier-Assistenten wie Claude Code kennen. Wenn man einen Server an einen Programmier-Assistenten oder eine Desktop-Chat-App anschließt, kann dieses System plötzlich auf Dateien zugreifen, im Internet suchen oder einen Pull-Request öffnen, ohne kopieren und einfügen zu müssen. Die Tools erscheinen einfach als neue Fähigkeiten, die das Modell beherrscht.

Das Muster ändert sich nie: Man findet einen Server für das wichtige System, weist den Client darauf hin, und das Modell erlernt eine neue Fähigkeit. Die Einrichtung eines einzelnen Servers dauert fünf Minuten, und es ist fast wie Magie, zuzusehen, wie ein Agent zum ersten Mal eine echte Datei auf der Festplatte bearbeitet.

Wann sich ein Gateway lohnt

Fangen wir mit der ehrlichen Antwort an: Mit einem oder zwei MCP-Servern ist ein Gateway unnötig, denn es löst ein Problem, das noch nicht aufgetreten ist. Überspringen Sie diesen Schritt und beginnen Sie direkt mit Experimenten.

Sobald die Anzahl der Server auf beispielsweise zehn steigt, die mit mehreren Agenten verbunden sind, treten schnell drei Probleme auf.

  • Kontextüberlastung: Jeder Anfrage werden alle Tools jedes Servers in das Fenster des Modells eingefügt. Bei 150 oder mehr Tools geht der größte Teil der Rechenleistung dafür drauf, das Menü zu lesen.
  • Verstreute Zugangsdaten: Jeder Server verfügt über eigene Schlüssel und Authentifizierungsdaten, die in verschiedenen Konfigurationsdateien verteilt sind – es gibt keinen zentralen Ort, um sie zu ändern.
  • Es gibt keine gemeinsame Richtlinie. Es wird nicht festgelegt, wer was anrufen darf, und es gibt keine Obergrenzen für die Ausgaben.
  • Das führt zu einer Überflutung mit Tools und verwandelt eine ordentliche Einrichtung in eine Belastung. Ein Gateway löst dieses Problem, indem es sich dazwischen stellt, ähnlich wie ein Steckdosenleiste: Anstatt zehn Kabel in zehn Steckdosen führt der Agent nur eine Verbindung her, und das Gateway kümmert sich um den Rest.

    Bifrost, ein Open-Source-AI-Gateway von Maxim AI, ist eines der Produkte, die diese Rolle übernehmen können, indem sie jeden Server hinter einem einzigen Endpunkt zusammenfassen. Die Lösung des Token-Problems besteht in einer Funktion namens Code Mode. Normalerweise muss das Modell bei jeder Anfrage die Beschreibungen der Tools erneut lesen, um das Menü zu verstehen. Im Code Mode enthält die Anfrage vier allgemeine Tools, und das Modell schreibt auf Wunsch Code, um das Gewünschte zu finden und auszuführen. Laut den eigenen Benchmarks des Anbieters führt dies zu einer Reduzierung der Eingabetokens um bis zu 92,8 Prozent, was zu einer deutlichen Senkung der Kosten führt. Die Kostensenkung am Gateway folgt derselben Logik wie das semantische Caching.

    Ein Gateway zentralisiert außerdem die Sicherheit. API-Schlüssel befinden sich zusammen, anstatt über verschiedene Konfigurationsdateien verstreut zu sein. Das Filtern von Tools nach Schlüssel sowie Budgete ermöglichen es dem Administrator, festzulegen, welcher Agent welche Tools erhält, und Ausgabenobergrenzen zu setzen. Tools werden nicht automatisch ausgeführt, es sei denn, dies wird ausdrücklich aktiviert – was wichtig ist, denn stillschweigendes, ungenehmigtes Einsatz von Tools durch einen Agenten führt unweigerlich zu Problemen.

    Wo anzufangen

    Es sind weder umfangreiche Spezifikationen noch komplexer Code erforderlich. Sobald der Akronym-Begriff nicht mehr beängstigend wirkt, wird die Idee klar: ein Standardanschluss, der es einer KI ermöglicht, auf externe Tools zuzugreifen.

    Um es heute auszuprobieren, wählen Sie eine bereits verwendete Anwendung wie Claude Desktop, Cursor oder Claude Code. Nehmen Sie anschließend einen vorgefertigten Server, beispielsweise den basierenden auf dem Dateisystem oder GitHub, und fügen Sie ihn der Konfigurationsdatei hinzu – das dauert etwa fünf Minuten. Sobald er läuft, geben Sie dem Modell eine echte Anfrage, wie zum Beispiel das Überprüfen einer lokalen Dateiordnung oder eines Repositoriums. In dem Moment, in dem ein Agent seine Chat-Box verlässt und eine echte Datei berührt, wird das Protokoll aktiviert.

    Lassen Sie den ersten Versuch klein bleiben. Ein Gateway sowie aufwendige Routing-Strukturen sind für ein oder zwei Server übertrieben. Experimentieren Sie mit einem Server, sehen Sie, wie es sich anfühlt, und fügen Sie erst ein Gateway hinzu, wenn Dutzende von Servern im Einsatz sind und die Kosten für Tokens in die Höhe steigen.

    Kurze Antworten

    Was ist ein MCP-Server kurz gesagt? Ein kleines Programm, das einem KI-Modell über einen gemeinsamen Standard Tools und Daten zur Verfügung stellt, sodass das Modell Dateien lesen, Datenbankabfragen ausführen oder APIs aufrufen kann, ohne spezielle Verbindungsmechanismen benötigen zu müssen.

    Wie unterscheiden sich Client und Server? Sie sind die beiden Enden derselben Verbindung. Server stellen die Funktionen bereit; ein Client, der von einer Anwendung wie Claude Desktop erstellt wird, verbindet sich mit einem Server und nutzt diese Funktionen. Eine Anwendung kann mehrere Clients betreiben, einen für jeden Server.

    Sind Server sicher? Das hängt davon ab, wie sie betrieben werden. Ein vertrauenswürdiger lokaler Server birgt kaum Risiken. Probleme entstehen, wenn viele unüberprüfte Server ihre eigenen Anmeldeinformationen speichern, während Agenten Tools unbeaufsichtigt ausführen – deshalb lohnt sich im großen Maßstab das Deaktivieren der automatischen Ausführung sowie der Einsatz eines Filter-Gateways.

    Wie wird so etwas erstellt? Wählen Sie ein offizielles SDK, deklarieren Sie einige Tools samt ihren Eingabedaten und stellen Sie sie über stdio oder HTTP zur Verfügung. Beginnen Sie mit einem oder zwei Tools, die mit einem bereits verwendeten Client funktionieren, und erweitern Sie das System anschließend, anstatt versuchen zu, gleich eine ganze API zu umfassen.

    Verwandte Artikel

  • Sicheres Abfragen von Postgres mit KI: MCP-Server, Einrichtung und Best Practices — Wie ein PostgreSQL-MCP-Server es ermöglicht, dass Claude Code oder Cursor aktuelle Schemata lesen, sowie ein Vergleich von CrystalDBA, Supabase und dem archivierten Referenzserver sowie sichere Vorgehensweisen.
  • Serverseitiges Rendering einer React 18-Anwendung mit Express und Babel — Konvertieren Sie ein Create React App-Projekt in ein SSR-Projekt mithilfe von Express, hydrateRoot, renderToString und MemoryRouter, und erfahren Sie anschließend, wie Remix und Gatsby damit umgehen.
  • Was die neue MCP-Roadmap für Trading-Research-Server bedeutet — Die neue MCP-Roadmap konzentriert sich auf Identität, langlaufende Aufgaben, schrittweises Entdecken sowie Ergebnisverträge. Was ein Trading-Research-Server neben einer langen Liste an Tools noch benötigt.
  • Praktische Anmerkungen: Ich habe einen Kubernetes MCP-Server mit 453 bestandenen Tests gebaut. Dann — Schritt-für-Schritt-Anleitung zu den praktischen Anmerkungen: Ich habe einen Kubernetes MCP-Server mit 453 bestandenen Tests gebaut. Dann: Verträge, Überprüfungen sowie Code-Blöcke für Teams, die dieses Muster einsetzen.
  • Praktische Hinweise: Microsoft hat den Playwright MCP Server entwickelt. Dann wurde den Nutzern gesagt... — Schritt-für-Schritt-Anleitung zu den Praktischen Hinweisen: Microsoft hat den Playwright MCP Server entwickelt. Dann wurde den Nutzern gesagt..., einschließlich Verträgen, Überprüfungen sowie Code-Blöcken für Teams, die dieses Muster einsetzen.
  • Erläuterung zu MCP: Warum die Bereitstellung von Funktionalitäten besser ist als feste Endpunkte für Agenten — Was das Model Context Protocol ist, wie Clients und Server die Arbeit aufteilen, warum es sich von einer herkömmlichen API unterscheidet, und was Figma und Render dazu beitragen.
  • Sicherung von MCP-Tools mit Schreibfunktion: Sieben Schutzschichten jenseits des Tokens — Warum ein MCP-Token keine Schreibvorgänge autorisiert und welche sieben Kontrollschichten, Trennung von Zugangsdaten, Genehmigung genauer Anfragen sowie Wiederholungsregeln dies ermöglichen.