MCP-Server: Das Model Context Protocol in der Praxis

Was ist das Model Context Protocol?

Das Model Context Protocol (MCP) ist ein offener Standard dafür, wie Modelle mit Tools und Datenquellen sprechen. Statt dass jedes LLM seine eigene Integration mitbringt, gibt es eine gemeinsame Schnittstelle.

LLMs sind geschlossene Systeme. Sie erzeugen Text, kommen aber nicht an Ihre Datenbank, senden keine Mail und rufen keine internen APIs auf. Zumindest nicht ohne Hilfe.

Ein MCP-Server stellt dem Modell definierte Tools bereit. Das Modell entscheidet, wann es welches Tool aufruft.

Architektur eines MCP-Servers

Ein MCP-Server besteht aus drei Teilen:

Tool-Definitionen: Welche Funktionen stehen dem LLM zur Verfügung?

Transport Layer: Wie kommuniziert das LLM mit dem Server? (stdio, HTTP/SSE)

Tool-Implementierung: Was passiert, wenn das LLM ein Tool aufruft?

Ein konkretes Beispiel

In einem Gesundheitsplattform-Projekt habe ich einen MCP-Server gebaut, der dem KI-Chatbot Zugriff auf die Wissensdatenbank gibt:

from mcp.server import Server
from mcp.types import Tool, TextContent

server = Server("health-knowledge")

@server.tool()
async def search_knowledge(
    query: str,
    category: str | None = None,
) -> list[TextContent]:
    """Durchsucht die Wissensdatenbank nach relevanten Inhalten."""
    results = await vector_store.similarity_search(
        query=query,
        filter={"category": category} if category else None,
        k=5,
    )
    return [
        TextContent(
            type="text",
            text=f"**{r.metadata['title']}**\n{r.page_content}"
        )
        for r in results
    ]

@server.tool()
async def get_article_details(article_id: str) -> list[TextContent]:
    """Holt die vollständigen Details eines Wissensartikels."""
    article = await db.get_article(article_id)
    return [TextContent(type="text", text=article.to_markdown())]

MCP vs. klassisches Function Calling

Der größte Vorteil von MCP: Ein MCP-Server kann von verschiedenen KI-Clients genutzt werden, ob Claude, ChatGPT oder ein eigener LangChain-Agent. Man implementiert die Integration einmal und kann sie überall nutzen.

Lessons Learned

1. Tool-Beschreibungen sind entscheidend

Das LLM entscheidet anhand der Tool-Beschreibung, ob und wann es ein Tool aufruft. Klare, präzise Beschreibungen mit Beispielen verbessern die Trefferquote drastisch.

2. Error Handling nicht vergessen

Was passiert, wenn die Datenbank nicht erreichbar ist? Oder die Suche keine Ergebnisse liefert? Der MCP-Server muss sinnvolle Fehlermeldungen zurückgeben, die das LLM interpretieren kann.

3. Logging und Observability

In Produktionsumgebungen ist es essenziell zu wissen, welche Tools wie oft aufgerufen werden und wie lange die Antwortzeiten sind. Wir loggen jeden Tool-Call mit Metadaten.

Wann lohnt sich ein MCP-Server?

Wenn Ihr KI-Chatbot auf interne Datenquellen zugreifen soll

Wenn Sie die gleiche Tool-Integration für verschiedene LLMs nutzen wollen

Wenn Sie KI-Agenten bauen, die aktiv mit Ihren Systemen interagieren sollen

Fazit

MCP ist noch ein junger Standard, aber er löst ein reales Problem: die standardisierte Kommunikation zwischen KI-Modellen und externen Systemen. Die Implementierung eines MCP-Servers ist mit Python und dem offiziellen SDK in wenigen Tagen machbar.

Wenn das in den Betrieb soll: LLM-Readiness-Check.