Das hier ist ein vollständig KI generierter Artikel.

Das Model Context Protocol (MCP) taucht inzwischen überall dort auf, wo von KI-Agenten, Coding-Assistenten und Tool-Nutzung die Rede ist. Trotzdem bleibt vielen unklar, wie MCP konkret funktioniert und warum es für den praktischen Einsatz von KI so wichtig ist. Dieser Überblick erklärt das Grundprinzip in wenigen Minuten und zeigt anhand von Beispielen mit Claude Code, Tavily, GitHub und Playwright, wie MCP in der Praxis eingesetzt werden kann.

Was ist MCP eigentlich?

Am einfachsten lässt sich MCP als gemeinsame Sprache zwischen einer KI-Anwendung und den Werkzeugen beschreiben, die sie nutzen soll. Ohne MCP braucht jeder externe Dienst – API, Datenbank, Repository oder Browser – eine eigene, massgeschneiderte Integration. Mit MCP kann sich eine KI-Anwendung über eine einheitliche Schnittstelle mit verschiedenen MCP-Servern verbinden und deren Fähigkeiten automatisch entdecken.

Wichtig: MCP ersetzt keine bestehenden APIs. Ein MCP-Server spricht in der Regel selbst mit der zugrunde liegenden API oder dem Dienst. Standardisiert wird nur, wie diese Fähigkeiten gegenüber der KI dargestellt, gefunden und aufgerufen werden.

Ein MCP-Server kann im Wesentlichen drei Arten von Fähigkeiten bereitstellen:

  • Tools: Aktionen, die das Modell ausführen kann, z. B. Websuche, Issue anlegen, Query ausführen.
  • Ressourcen: Informationen, die gelesen werden können, z. B. Dateien, Dokumente oder Datenbankeinträge.
  • Prompts: Wiederverwendbare Prompt-Vorlagen oder Workflows.

Für die meisten KI-Agenten-Workflows sind vor allem die Tools entscheidend, weil sie es dem Modell ermöglichen, über reinen Text hinaus mit externen Systemen zu interagieren.

Wie MCP funktioniert: Host, Client, Server

MCP folgt einer klassischen Client-Server-Architektur, wird aber verständlicher, wenn man die Rollen klar trennt. Der Host ist die KI-Anwendung, etwa Claude Code. Innerhalb dieses Hosts läuft ein MCP-Client, der sich mit einem oder mehreren MCP-Servern verbindet. Diese Server stellen Tools, Ressourcen oder Prompts bereit, die wiederum an externe Dienste angebunden sind.

Ein typischer Ablauf könnte so aussehen: Eine Nutzerin fragt die KI: „Suche nach dem neuesten PyTorch-Release und fasse die wichtigsten Änderungen zusammen.“ Das Modell erkennt, dass aktuelle Informationen benötigt werden, prüft die verfügbaren MCP-Tools, wählt ein Websuche-Tool, sendet die Anfrage an den entsprechenden MCP-Server und erhält die Suchergebnisse zurück.

Entscheidend ist: MCP übernimmt nicht das Denken. Das Modell entscheidet, wann ein Tool gebraucht wird und wie es die Ergebnisse nutzt. MCP stellt lediglich die standardisierte Verbindung bereit, über die diese Tools verfügbar werden.

MCP in Claude Code nutzen

Claude Code bringt eine eingebaute Verwaltung für MCP-Server mit. Die aktuell konfigurierten Server lassen sich etwa mit einem Kommandozeilenaufruf auflisten oder direkt in der Oberfläche inspizieren. Das Grundprinzip: Mehrere spezialisierte MCP-Server decken typische Agenten-Workflows ab – etwa Websuche, Arbeiten mit Repositories oder Browser-Steuerung.

Beispiel 1: Tavily für Websuche

Sprachmodelle haben nicht immer Zugriff auf aktuelle Informationen. Tavily schliesst diese Lücke, indem es Claude Code Tools für Live-Websuche, Extraktion, Crawling, Mapping und Recherche bereitstellt. Ein entfernter Tavily-MCP-Server wird per HTTP-Transport eingebunden und bei Bedarf mit einem API-Schlüssel authentifiziert.

Nach der Einrichtung kann man Anfragen wie „Suche im Web nach dem neuesten vLLM-Release und fasse die wichtigsten Änderungen zusammen“ stellen. Claude muss dabei die Tavily-API nicht im Detail kennen. Es entdeckt lediglich die vom MCP-Server bereitgestellten Tools und nutzt das passende Werkzeug.

Beispiel 2: GitHub für Repository-Workflows

Der offizielle GitHub-MCP-Server macht GitHub für Claude direkt als Werkzeugsammlung nutzbar. Abhängig von den Berechtigungen kann das Modell Repositories lesen, Code durchsuchen, Commits inspizieren, mit Issues und Pull Requests arbeiten, Workflows analysieren und bestimmte Repository-Operationen ausführen.

Die Anbindung erfolgt typischerweise über einen entfernten MCP-Server, der mit einem GitHub Personal Access Token (PAT) abgesichert ist. Danach sind Anfragen möglich wie „Reviewe Pull Request #42 und identifiziere potenzielle Bugs und fehlende Tests“ oder „Zeige mir die wichtigsten offenen Issues in diesem Repository“.

Statt Code, Issues oder Pull Requests manuell in die Unterhaltung zu kopieren, kann Claude den benötigten Kontext über MCP abrufen und – im Rahmen der vergebenen Rechte – darauf reagieren.

Beispiel 3: Playwright für Browser-Automatisierung

Manche Aufgaben lassen sich nicht allein über APIs lösen. Ein Agent muss eventuell eine Website öffnen, Buttons klicken, Formulare ausfüllen, Seiten navigieren oder eine Anwendung testen. Hier kommt der Playwright-MCP-Server ins Spiel.

Nach der Installation kann Claude etwa angewiesen werden, eine lokale Anwendung zu öffnen und den Signup-Flow zu testen. Playwright MCP arbeitet dabei vor allem mit strukturierten Accessibility-Snapshots der Seite. Das Modell erhält so eine strukturierte Darstellung der Elemente und kann gezielt mit ihnen interagieren.

Neuerungen in MCP: Stateless und skalierbar

Seit der ersten Veröffentlichung hat sich MCP schnell weiterentwickelt. Die Spezifikation vom 28.07.2026 bringt eine zentrale Änderung: Das Protokoll ist im Kern zustandslos geworden. Statt eine Sitzung mit einem bestimmten Server aufrechtzuerhalten, enthält jede Anfrage alle Informationen, die zu ihrer Verarbeitung nötig sind.

Das erleichtert es, entfernte MCP-Server auf üblicher Cloud-Infrastruktur zu betreiben und zu skalieren. Ergänzend dazu bringt die neue Spezifikation unter anderem:

  • Zustandslose Requests: Keine dauerhafte Protokoll-Session erforderlich.
  • Verbessertes Routing: Server und Gateways können Anfragen leichter identifizieren und weiterleiten.
  • Caching: Listen von Tools, Ressourcen und Prompts müssen nicht ständig neu abgefragt werden.
  • Mehrstufige Interaktionen: Ein Tool kann Rückfragen stellen und denselben Task fortsetzen.
  • Tasks: Bessere Unterstützung für lang laufende Operationen.
  • Verbesserte Authentifizierung: Stärkere Sicherheitsmechanismen für entfernte MCP-Server.
  • Erweiterungen: Neue Fähigkeiten lassen sich ergänzen, ohne den Kern des Protokolls zu ändern.

In der Praxis wird MCP damit leichter skalierbar, sicherer und besser für produktive KI-Agenten geeignet.

Fazit

MCP klingt auf den ersten Blick technisch, folgt aber einer einfachen Idee: KI-Anwendungen erhalten einen standardisierten Weg, um mit externen Tools zu sprechen. Anhand von Claude Code zeigt sich, wie sich damit Websuche (Tavily), Repository-Arbeit (GitHub) und Browser-Steuerung (Playwright) in ein einheitliches Agenten-Setup integrieren lassen.

Wer den grundlegenden Ablauf Modell → MCP → Tool → Ergebnis verstanden hat, kann deutlich einfacher leistungsfähige KI-Agenten bauen – ohne für jeden Dienst eine eigene, fragile Spezialintegration pflegen zu müssen.

Quelle: https://www.kdnuggets.com/mcp-explained-in-5-minutes