Was ist das Model Context Protocol (MCP)?

KI-Modelle sind immer leistungsfähiger geworden, aber es gibt einen Haken: Sie haben nur Zugriff auf die Informationen, die sie während des Trainings gelernt haben, daher sind sie in ihrem Wissen und Können eingeschränkt. Es ist, als würdest du einen wirklich klugen Assistenten einstellen, der nur mit dem arbeiten kann, was bereits in seinem Kopf ist, und der keine Nachforschungen anstellen, keine Dateien überprüfen oder keine tatsächlichen Aufgaben für dich erledigen kann.

Große Sprachmodelle (LLMs) werden wesentlich leistungsfähiger, wenn sie auf Kontext zugreifen und in anderen Tools und Anwendungen Maßnahmen ergreifen können. Bis vor Kurzem gab es keine einheitliche Möglichkeit, diese Modelle mit anderen Apps zu verbinden. Das Model Context Protocol (MCP), ursprünglich von Anthropic entwickelt, wird schnell zum Standard für die Schnittstelle agentischer KI-Systeme mit anderen Anwendungen – dem „USB-C-Verbinder“ für KI.

Um mehr darüber zu erfahren, wie Figma MCP unterstützt, lies unseren Blogbeitrag über den MCP-Server von Figma. Lass uns nun tiefer darauf eingehen, was MCP ist, wie es funktioniert und warum es wichtig ist.

Was ist MCP?

Das Model Context Protocol (MCP) ist ein Open-Source-Standard dafür, wie KI-gestützte Systeme sich mit Softwareanwendungen, Tools und Plattformen verbinden können.

MCP ist ein Zwei-Wege-Kommunikationsprotokoll. Auf der einen Seite gibt es Datenanbieter und App-Entwickler*innen, die möchten, dass LLMs auf Daten zugreifen und in ihrer Software Aktionen durchführen können. Sie unterstützen MCP, indem sie einen sogenannten MCP-Server aufbauen. Auf der anderen Seite gibt es Entwickler*innen, die KI-gestützte Tools oder agentische Systeme entwickeln. Sie implementieren einen MCP-Client, der es ihren KI-Modellen ermöglicht, sich mit MCP-Servern zu verbinden, um Kontext abzurufen und Aufgaben in anderen Apps zu erledigen.

Zum Beispiel könnte ein KI-Coding-Tool wie Cursor einen MCP-Client haben, der mit dem von Figma und GitHub bereitgestellten MCP-Server verbindet. Die Kommunikation zwischen Clients und Servern erfolgt über ein Standardprotokoll – ähnlich wie HTTP ein Kommunikationsprotokoll für das Internet definiert. MCP legt fest, welche Arten von Nachrichten gesendet werden können, wie sie formatiert werden, wie die Authentifizierung funktioniert und mehr.

Das Problem: Warum brauchen wir MCP?

Flüge für einen bevorstehenden Urlaub buchen, Analysedaten für einen wöchentlichen Verkaufsbericht abrufen, einen Prototyp für ein neues Feature erstellen – diese Arten von Aufgaben erfordern einen Kontext, der über die Trainingsdaten eines LLM hinausgeht und sich auf ein breites Ökosystem von Apps und Diensten erstreckt. Je mehr Kontext ein KI-Assistent hat, desto besser kann er die spezifischen Nuancen einer Anfrage verstehen und eine qualitativ hochwertige Ausgabe liefern.

Betrachte das Szenario, in dem ein KI-Coding-Tool verwendet wird, um Code aus einer Designdatei zu generieren. Wenn ein LLM einen Screenshot der Datei anzeigt und seine Trainingsdaten verwendet, um die Pixel zu interpretieren, könnte es in der Lage sein, einen groben Prototyp zu erstellen. Um zu einem wirklich nützlichen Endprodukt zu gelangen, bedarf es jedoch mehr Kontext, wie zum Beispiel spezifische Variablen, Komponenten und Stile oder sogar Pseudocode, der die Funktionalität beschreibt. Diese Art von Kontext ist für KI von unschätzbarem Wert, befindet sich jedoch typischerweise tief in anderen Tools (wie Figma).

Vor MCP mussten alle Entwickler*innen, die an agentischen KI-Tools arbeiteten, benutzerdefinierte Integrationen mit externen Apps und Diensten erstellen. Dies führte zu einer langsameren Entwicklung und einer Fragmentierung des Ökosystems. Da jede App Daten und Funktionen auf leicht unterschiedliche Weise bereitstellt, würde jede neue Integration dann eine erhebliche Menge an Vorarbeit erfordern.

MCP ist ein „Einmal schreiben, überall verwenden“-Ansatz für das Problem. App-Entwickler*innen können einen einzigen MCP-Server für jedes KI-agentische System schreiben, der ein kanonisches Set an Tools und Daten bereitstellt, zusammen mit hilfreichen Funktionen wie Fehlerbehandlung. Ähnlich kann ein KI-System das Protokoll implementieren und sich mit jedem MCP-Server verbinden, der heute oder in Zukunft existiert.

Der Ursprung von MCP

MCP wurde im Sommer 2024 bei Anthropic gestartet, um Claude Desktop eine einfachere Möglichkeit zu geben, mit Datenquellen wie dem lokalen Dateisystem zu arbeiten. Die Autor*innen ließen sich von Microsofts Language Server Protocol (LSP) inspirieren, dem Standard dafür, wie integrierte Entwicklungsumgebungen (IDEs) Funktionen wie Kontexthervorhebung oder Codevervollständigung für viele verschiedene Programmiersprachen unterstützen.

Nachdem Anthropic das Protokoll entwickelt und intern genutzt hatte, veröffentlichte es im November 2024 MCP als Open Source und machte die vollständige Protokollspezifikation zusammen mit Dokumentation und SDKs (z. B. Python) öffentlich zugänglich.

Seitdem hat die Akzeptanz deutlich zugenommen. Im Januar und Februar 2025 begannen viele KI-IDEs, wie Cursor und Windsurf, die Unterstützung von MCP anzubieten. Im März hat OpenAI die Unterstützung für MCP hinzugefügt, und GitHub veröffentlichte seinen MCP-Server kurz danach. Auch ausgereifte Produkte übernehmen MCP: Microsoft Windows hat angekündigt, dass es das Protokoll in den kommenden Monaten unterstützen wird.

Wie funktioniert MCP?

Das MCP ist im Wesentlichen ein Hin und Her von Anfragen und Antworten: Das LLM fordert Daten an oder löst eine Aktion aus, und die externe App antwortet. In Netzwerkbegriffen folgt MCP einer Client-Server-Architektur, bei der eine Seite (der Client) eine Anfrage sendet und die andere Seite (der Server) Daten zurückgibt oder eine Aktion ausführt.

Die MCP-Spezifikation definiert drei Arten von Funktionen, die Server den Clients anbieten:

• Ressourcen: Daten und Inhalte, die die App LLMs anbietet, wie Datenbankeinträge, Dateien, Screenshots oder Codeblöcke.
• Tools: Funktionen, die Aktionen in der App ausführen; zum Beispiel kann ein PostgreSQL-MCP-Server ein Tool zur Ausführung einer SQL-Abfrage innerhalb einer Datenbank bereitstellen.
• Prompts: Vordefinierte Textvorlagen und Workflows, die von KI-Systemen verwendet werden können und die so konzipiert sind, dass sie gut mit den Ressourcen und Tools der App arbeiten.

MCP definiert, wie Server Ressourcen, Tools und Prompts standardmäßig für Clients bereitstellen sollen, einschließlich der Folgenden:

• Antwortformatierung: Daten können als JSON-Blobs, SQL-Zeilen oder sogar rohe Bilder gesendet werden – der MCP-Server konvertiert alles, was er erhält, in ein Standardformat, das die MCP-Clients erwarten (JSON-RPC 2.0).
• Befehlskonvertierung: Der MCP-Server fungiert als Übersetzer, der Anfragen von LLMs in Befehle umwandelt, mit denen Apps arbeiten können, wie zum Beispiel API-Aufrufe.
• Fehlerbehandlung: MCP definiert Standard-Fehlercodes und sendet Fehler an das LLM zurück, damit es erneut versuchen oder die Benutzer*in um Hilfe bitten kann.
• Toolentdeckung: MCP-Server stellen eine Funktion bereit, die die verfügbaren Tools auf diesem Server auflistet, sodass ein KI-System schnell sehen kann, welche Aktionen es in einer externen App ausführen kann.

Die Architektur: MCP-Hosts, Clients und Server

MCP basiert auf einem Architekturmodell, das in der Netzwerktechnik üblich ist und Hosts, Clients und Server umfasst. Das Protokoll definiert spezifische Verantwortlichkeiten für jede Rolle.

• MCP-Hosts: Hosts verwalten die Entdeckung, Berechtigungen und Kommunikation zwischen Clients und Servern. Typischerweise ist der Host das Produkt oder die Plattform – wie das Windows-Betriebssystem oder Claude Desktop –, auf der Benutzer*innen auf KI-Agenten zugreifen, um Aufgaben auszuführen. Wenn das Modell Zugriff auf eine externe App benötigt, startet der Host den MCP-Server dieser App und verbindet den entsprechenden Client.
• MCP-Clients: Clients starten und pflegen eine Verbindung zu MCP-Servern, mit einem Client pro Server. Clients geben Anfragen und Antworten zwischen LLMs und MCP-Servern hin und her.
• MCP-Server: Server, die direkt mit externen Systemen (wie Figma, Google Drive oder Postgres) verbunden sind und LLMs Zugang zu Daten und Funktionalität bieten. MCP-Server empfangen Anfragen von MCP-Clients und übersetzen sie in Befehle für externe Apps, wie API-Aufrufe oder Datenbankabfragen. Sie empfangen und analysieren auch die App-Antworten in einem Standardformat. Da App-Entwickler*innen MCP-Server implementieren, können sie kontrollieren, auf was LLMs Zugriff haben. Das Protokoll bietet Richtlinien zu Sicherheit und Berechtigungen.

Um zu sehen, wie die Teile zusammenpassen, lass uns einen Beispiel-Workflow mit dem MCP-Server von Figma durchgehen:

• Ein*e Benutzer*in öffnet Cursor, ein KI-Coding-Tool mit aktiviertem MCP, in seinem Code-Repository.
• Die*Der Benutzer*in bittet das LLM in Cursor, seine neueste Figma-Datei abzurufen und in die Codebasis zu implementieren.
• Cursor startet den Figma MCP-Server sowie einen entsprechenden MCP-Client.
• Das LLM erhält die Liste der verfügbaren Prompts, Ressourcen und Tools vom Server (über den Client).
• Das LLM sendet dann eine Nachricht an den Server, die das Tool enthält, das es aufrufen möchte, zusammen mit allen Parametern (z. B. die Figma-Datei-ID). Der Server formatiert dies in eine API-Anfrage und sendet die Anfrage über die API von Figma.
• Der Server wartet auf die Dateidaten aus der Figma-API-Antwort, formatiert sie in einen String und sendet sie zurück an das LLM (über den Client).
• Dank all dem zusätzlichen Kontext von Figma kann das LLM dann damit beginnen, den relevanten coden in Cursor zu generieren.

Vorteile von MCP: Deshalb ist es für die KI-Integration wichtig

Entwickler*innen übernehmen MCP, weil es die Verbindung von LLMs mit Apps vereinfacht. Im Vergleich zu benutzerdefinierten Integrationen bietet MCP mehrere Vorteile.

Zunächst müssen Entwickler*innen von KI-agentischen Systemen MCP nur einmal integrieren und können dann jeden MCP-Server nutzen. Externe Anwendungsentwickler*innen müssen nur einen MCP-Server erstellen und dann kann jedes MCP-fähige KI-Tool darauf zugreifen.

Zweitens, da jeder MCP-Server und MCP-Client dieselbe Kernschnittstelle bieten muss, ist das Wechseln von Servern und Clients trivial. Das bedeutet, dass Entwickler*innen und Benutzer*innen problemlos zwischen Apps wie Dropbox und Google Docs oder Slack und Microsoft Teams wechseln können.

Schließlich werden KI-Tools durch MCP kontextbewusster, was zu einer Verbesserung für die Benutzer*innen überall führt. Und ein standardisiertes Protokoll für das Ökosystem bedeutet, dass Entwickler*innen weniger Zeit mit dem Schreiben von Boilerplate-Integrationscode verbringen und mehr Zeit mit der Entwicklung neuer Funktionen.

MCP vs. traditionelle APIs: Was ist der Unterschied?

Warum nicht eine API anstelle von MCP verwenden? Es ist eine häufige Frage, da APIs Zugriff auf viele der gleichen Daten und Aktionen in Apps bieten. Tatsächlich verwenden viele MCP-Server APIs im Hintergrund, um Daten und Aktionen bereitzustellen.

Kurz gesagt ermöglicht MCP den KI-Assistenten, einen Satz von Befehlen für alle APIs zu verwenden, was die Integration erheblich vereinfacht. Während die direkte Arbeit mit APIs das Schreiben von benutzerdefiniertem Code für Anfragen, Antworten und Wiederholungsversuche erfordert, können Entwickler*innen mit MCP die gleichen Ergebnisse erzielen, indem sie einfach den MCP-Server importieren. Das Wechseln zwischen MCP-Servern ist einfach, während das Wechseln von APIs das Schreiben eines völlig neuen Codesatzes erfordert.

MCP ist auch besser für die Nutzung mit LLM optimiert. MCP garantiert, dass alles, was ein LLM zum Zugriff auf ein System benötigt, klar definiert und dokumentiert ist, in einer strukturierten Weise. Ad-hoc-API-Definitionen könnten wichtige Beschreibungen fehlen oder Daten auf eine Weise verfügbar machen, die KIs nicht verstehen können oder leicht missverstanden werden könnten.

So gehen MCP und KI-Agenten Hand in Hand

Ein KI-Agent ist jede KI, die in der realen Welt für dich handelt. MCP macht es viel einfacher, KI-Agenten zu entwickeln. Anstatt APIs einzeln zu integrieren, können Entwickler*innen das Protokoll implementieren, um dem KI-Tool zu ermöglichen, in jed er MCP-fähigen Anwendung Maßnahmen zu ergreifen.

Während das MCP-Ökosystem wächst, werden auch die Agenten immer mächtiger. KI-Agenten müssen in der Lage sein, zu planen und Maßnahmen über mehrere Tools im Workspace einer*s Benutzer*in zu ergreifen – je mehr Tools ein Agent verwenden kann, desto nützlicher wird er für die Benutzer*innen. Mit MCP können Agenten problemlos eine wachsende Anzahl von Tools zur Aufgabenautomatisierung finden und nutzen.

MCP vs. A2A: So ergänzen sich die Protokolle

MCP ist nicht das einzige neue LLM-Protokoll – kürzlich kündigte Google das Agent2Agent (A2A)-Protokoll an. Aber Entwickler*innen müssen sich nicht für das eine oder das andere entscheiden. Diese Protokolle lösen unterschiedliche Probleme und ergänzen sich tatsächlich gegenseitig.

MCP konzentriert sich darauf, KI-Systeme zu befähigen, die Welt zu lernen und in ihr zu handeln. A2A konzentriert sich darauf, KI-Systemen dabei zu helfen, miteinander über ihre Arbeit und Absichten zu kommunizieren – um zusammenzuarbeiten, Aufgaben zuzuweisen, zu argumentieren, zu delegieren oder zu verhandeln.

Zwei Agenten könnten A2A verwenden, um zu entscheiden, welcher von ihnen eine Arbeit erledigen und welcher von ihnen die Arbeit beaufsichtigen wird. Dann könnten sie MCP verwenden, um sich gegenseitig Anweisungen zur auszuführenden Arbeit und zu verwendenden Daten zu geben.

Die Zukunft der Integration von MCP und KI

Das MCP-Team aktualisiert das Protokoll kontinuierlich, mit neuen Versionen, die mehrmals im Monat veröffentlicht werden. MCP ist auch ein offener Standard, sodass die größere KI-Community zur Roadmap beitragen kann. Bei den kommenden Veröffentlichungen wird der Fokus stärker auf Sicherheit liegen: Authentifizierung, Autorisierung und Datenfilterung oder Datenschutzmechanismen für spezifische Bereiche (wie Gesundheit oder Finanzen).

Wenn MCP weite Verbreitung findet, dann könnten ganze Teile der KI-Industrie damit beginnen, ihre Nutzung von MCP zu optimieren. Modellentwickler*innen könnten beginnen, die Nutzung des MCP-Tools in ihre Trainingsdaten einzubeziehen, und LLM-Orchestrierungs-Frameworks (z. B. LangChain) könnten MCP als erstklassigen Beteiligten in ihren Anwendungsfällen unterstützen.

Im Laufe der Zeit könnte MCP zum De-facto-Standard für die Verbindung von KI mit der gesamten digitalen Landschaft von Tools und Diensten werden. Daten und Aktionen aus externen Systemen in LLM-Erfahrungen einzubringen, wird im KI-Ökosystem zunehmend plug-and-play-fähig werden. Für Entwickler*innen bedeutet das weniger maßgeschneiderte Wrapper, bessere KI-Tools und mehr Zeit, um die Funktionen zu entwickeln, die die Benutzer*innen wirklich schätzen. Für Unternehmen, die datenreiche Apps versenden, bedeutet dies eine sofortige Kompatibilität mit jeder MCP-fähigen KI-Plattform. Und für Endbenutzer*innen ermöglicht es bessere KI-Anwendungen und persönliche Assistenten, die endlich den richtigen Kontext abrufen, die richtigen Knöpfe drücken und echte Arbeit erledigen können, ohne langwierige Eingriffe.