KI-Tools inkompatibel? Das MCP-Protokoll verbindet alle Tools nahtlos (mit Praxisbeispiel)

Das Integrationsproblem, das mich zwei Tage gekostet hat

Ehrlich gesagt etwas peinlich: Letztes Jahr wollte ich Claude an unser Firmen-GitHub-Repository anbinden – damit die KI mir beim Code-Review hilft. Wie viel Effizienz das bringen würde, dachte ich mir. Ergebnis? Zwei volle Tage, mehrere hundert Zeilen Adapter-Code, Debug bis drei Uhr morgens – und am Ende ein Haufen mysteriöser Bugs. Noch frustrierender: Kaum war GitHub fertig, wollte der Chef Slack für Nachrichtenverarbeitung – also von vorn.

Ich war kurz davor, durchzudrehen – warum braucht jedes KI-Tool seine eigene Anbindung? Warum gibt es keinen einheitlichen Standard?

Im November 2024 stellte Anthropic MCP (Model Context Protocol) vor. Anfangs dachte ich: „Schon wieder ein neues Protokoll, schon wieder was Neues lernen.“ Als OpenAI im März 2025 offiziell denselben Standard übernahm, wurde klar: Das ist ernst. Zwei KI-Giganten setzen auf ein Protokoll – selten in der Branche.

In diesem Artikel teile ich, was ich in den letzten Monaten über MCP gelernt habe – keine oberflächliche Doku-Wiederholung, sondern ein echtes Verständnis und vor allem: wie Sie damit konkrete Probleme lösen. Einfacher, als Sie denken.

Was ist MCP? Die Geschichte eines USB-Anschlusses

Eine Analogie, die jeder versteht

Ich erkläre MCP am liebsten mit USB. Erinnern Sie sich an PCs um 2000? Maus brauchte PS/2, Tastatur einen anderen Stecker, Drucker Parallelport, Scanner SCSI – hinten am Rechner ein Gewirr von Buchsen. Neues Gerät, neuer Anschluss; reichte es nicht, kam eine Erweiterungskarte.

Dann kam USB. Ein Anschluss für alles: Maus, Tastatur, USB-Stick, Drucker, Handy. Ein qualitativer Sprung in Einfachheit.

Genau das will MCP leisten – der „USB-Anschluss“ der KI-Tool-Welt.

Konkret: MCP ist ein offener Standard für die Interoperabilität von KI-Tools. Alltagssprache: Es standardisiert und vereinfacht die Verbindung zwischen KI-Tools und Datenquellen. Kein eigener Adapter pro Datenquelle – bietet die Quelle einen MCP Server, können alle MCP-fähigen KI-Tools direkt verbinden.

"Innerhalb von sechs Monaten nach MCP-Launch: über 1.000 MCP-Server in der Hugging-Face-Community, das GitHub-Projekt awesome-mcp-servers mit über 30.000 Stars, über 20 Bereiche – Entwicklungstools, Kommunikation, Datenspeicher und mehr."

Welche konkreten Probleme löst es?

Ganz direkt:

Problem 1: Zu viel Doppelarbeit
Früher musste jedes KI-Tool jede Datenquelle einzeln anbinden. GitHub – ein Adapter; Slack – noch einer; Datenbank – wieder einer. Ich pflegte sieben verschiedene Connectors; bei jeder Änderung sieben Stellen anfassen. Kopfschmerzen.

KiloClaw - Managed OpenClaw für Unternehmen: AI-Agent-Orchestrierung und smartes Modell-Routing

Jetzt starten →Anzeige

Problem 2: KI ist schlau, kommt aber nicht an die Daten
KI-Tools sitzen in ihrer Blase, ohne Zugriff auf Ihre echten Daten. Projektdokumente lesen? Datenbank abfragen? Bestellungen analysieren? Jedes Mal neuer Kleber-Code.

Problem 3: Fragmentierte Ökosysteme
Connectors für Claude nutzt GPT nicht; für GPT geschriebene passen nicht zu anderen Tools. Alle bauen dasselbe Rad neu – gleiche Funktion, N-fach implementiert.

MCP soll diese Probleme auf einen Schlag adressieren.

MCP-Kernarchitektur: überraschend schlank

Drei Schichten – so einfach

Beim ersten Architekturdiagramm fiel mir auf: Klar und schlank. Drei Ebenen:

┌──────────────────────────────────────┐
│    MCP Host (Host-Anwendung)          │
│    - z. B. Claude Desktop, ChatGPT  │
│    - Verwaltet Verbindungen und UI    │
└──────────────┬───────────────────────┘
               │
               ↓ JSON-RPC 2.0
┌──────────────────────────────────────┐
│    MCP Client (Client)                │
│    - Kommunikation mit dem Server     │
│    - Anfragen senden, Antworten       │
└──────────────┬───────────────────────┘
               │
               ↓ JSON-RPC 2.0
┌──────────────────────────────────────┐
│    MCP Server (Server)                │
│    - Resources (Ressourcen)           │
│    - Tools (Werkzeuge)                │
│    - Prompts (Vorlagen)               │
└──────────────────────────────────────┘

Host verwaltet das Ganze, Client kommuniziert, Server liefert Fähigkeiten. Klare Zuständigkeiten, geringe Kopplung.

Drei Kernfähigkeiten des Servers

Ein MCP Server stellt vor allem drei Dinge bereit:

1. Resources (Ressourcen)
Das sind Datenquellen: Dateiinhalte, DB-Einträge, API-Antworten usw. Das KI-Tool liest strukturierte Daten.

Der GitHub-MCP-Server kann Repository-Infos, PR-Listen und Issue-Details als Resources exponieren – ein Aufruf, Daten da.

2. Tools (Werkzeuge)
Echte Aktionen: Datei anlegen, Nachricht senden, DB aktualisieren.

Der Slack-MCP-Server bietet z. B. „Nachricht senden“ oder „Kanal erstellen“. Die KI liest nicht nur, sie handelt.

3. Prompts (Vorlagen)
Vordefinierte Prompt-Vorlagen – Shortcuts für häufige Aufgaben.

Ein Code-Review-Server kann Vorlagen wie „Code-Qualitätsprüfung“ oder „Sicherheits-Scan“ anbieten; die KI weiß sofort, was zu tun ist.

Vergleich mit früheren Integrationswegen

Früher:

Claude ──┐
         ├──→ GitHub API (Adapter nötig)
GPT   ──┐│
        │└──→ Slack API (Adapter nötig)
        └───→ Postgres (Adapter nötig)

Jedes KI-Tool × jede Datenquelle – N×M-Komplexität. 10 Tools × 10 Quellen = 100 Adapter.

Mit MCP:

Vultr - Hochleistungs-NVMe-Cloud-Server mit 32 Standorten weltweit, Docker per Klick

Preise ansehen →Anzeige

Claude ──┐
GPT   ──┼──→ MCP Client ──┬──→ GitHub MCP Server
Gemini──┘                  ├──→ Slack MCP Server
                           └──→ Postgres MCP Server

KI-Tools implementieren nur MCP Client und erreichen alle MCP Server. Datenquellen implementieren nur MCP Server und werden von allen KI-Tools genutzt. N+M. 10 Tools + 10 Quellen = 20 Implementierungen.

Je mehr Datenquellen, desto größer der Unterschied.

Praxis: Einen Wetter-MCP-Server bauen

Genug Theorie – jetzt mit anpacken. Ein einfaches, vollständiges Beispiel: Wetterabfrage. Keine Sorge, wirklich machbar – bei mir lief es in 5 Minuten.

Vorbereitung

Sie brauchen:

• Python 3.10 oder höher
• FastMCP (offizielles Python-Framework, sehr praktisch)

Installation:

pip install fastmcp

Vollständiger Code

Ein kompaktes, aber vollständiges Beispiel:

from fastmcp import FastMCP
import httpx
from datetime import datetime

mcp = FastMCP("Weather Service")

@mcp.tool()
async def get_weather(city: str) -> dict:
    """
    Wetterinformationen für eine Stadt abrufen

    Args:
        city: Stadtname (z. B. Berlin, München)

    Returns:
        Dictionary mit Wetterdaten
    """
    # OpenWeatherMap Free API
    # Für Produktion: eigenen API Key beantragen (kostenlos, schnell)
    API_KEY = "your_api_key_here"
    url = f"http://api.openweathermap.org/data/2.5/weather"

    async with httpx.AsyncClient() as client:
        try:
            response = await client.get(
                url,
                params={
                    "q": city,
                    "appid": API_KEY,
                    "units": "metric",  # Celsius statt Fahrenheit
                    "lang": "de"        # deutsche Beschreibung
                }
            )
            response.raise_for_status()
            data = response.json()

            # Wichtige Felder extrahieren
            return {
                "city": data["name"],
                "temperature": data["main"]["temp"],
                "feels_like": data["main"]["feels_like"],
                "description": data["weather"][0]["description"],
                "humidity": data["main"]["humidity"],
                "wind_speed": data["wind"]["speed"],
                "timestamp": datetime.now().isoformat()
            }

        except httpx.HTTPError as e:
            # Netzwerk/API-Fehler – Service nicht abstürzen lassen
            return {
                "error": f"Wetter nicht abrufbar: {str(e)}"
            }

@mcp.resource("weather://current")
async def current_weather_status() -> str:
    """
    Statusinformationen des Wetterdienstes
    """
    return f"Wetterdienst aktiv, aktualisiert: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}"

# Server starten
if __name__ == "__main__":
    mcp.run()

Claude Desktop konfigurieren (hier lauern Fallen)

Code fertig – wie nutzt Claude ihn? Über die Claude-Desktop-Konfiguration.

Dateipfad:

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• Windows: %APPDATA%\Claude\claude_desktop_config.json

Inhalt:

{
  "mcpServers": {
    "weather": {
      "command": "python",
      "args": [
        "-m",
        "fastmcp",
        "run",
        "/Users/yourname/projects/weather_server.py"
      ],
      "env": {
        "PYTHONPATH": "/Users/yourname/projects"
      }
    }
  }
}

Fallen, in die ich getappt bin:

1. Absolute Pfade. Keine relativen Pfade – Datei wird sonst nicht gefunden.
2. Striktes JSON. Ein Komma oder Anführungszeichen zu viel/wenig – Fehler oft unklar. Vorher mit einem JSON-Validator prüfen.
3. Claude Desktop neu starten. Ohne Neustart keine Wirkung – ich habe einmal 30 Minuten vergeblich gewartet.

Nach dem Neustart erscheint ein neues Tool-Symbol; „weather“ sollte verbunden sein. Fragen Sie Claude: „Wie ist das Wetter in Berlin?“ – er ruft Ihren MCP Server auf.

Beim ersten erfolgreichen Aufruf war ich ziemlich begeistert – nach all dem Aufwand.

Reale Anwendungsfälle: Was kann MCP?

Theorie und Demo sind da – was leistet MCP in echten Projekten? Einige interessante Fälle:

Railway - Moderne Deployment-Plattform, ohne DevOps-Aufwand, in Minuten live

Jetzt starten →Anzeige

GitHub: Code-Review automatisieren

Ein Open-Source-Projekt nutzt MCP für GitHub:

• Neue PRs automatisch analysieren und Qualitätsscore vergeben
• Potenzielle Sicherheitslücken und Performance-Probleme erkennen
• PR-Zusammenfassungen und Changelogs generieren
• Reviewer anhand historischer Daten vorschlagen

Nach eigener Angabe: 4× effizienteres Review – mechanische Checks laufen automatisch, Menschen fokussieren Logik und Architektur.

Slack: Intelligenter Arbeitsassistent

Slack-Integration per MCP Server:

• Tägliche Meeting-Protokolle automatisch strukturieren
• Nachrichten klassifizieren und priorisieren
• To-dos aus Diskussionen anlegen
• Relevante Personen bei wichtigen Threads benachrichtigen

Ein Team berichtete von 60 % weniger Aufwand bei Informationsverarbeitung – wiederholte Routinearbeit entfällt, Zeit für Wichtigeres.

Unternehmen: Geschäftssysteme verbinden

Praxisnah im Enterprise:

• Google Drive: Dokumente suchen und zusammenfassen
• Postgres: Daten in natürlicher Sprache abfragen, ohne SQL
• CRM: Kundendaten aktualisieren, Vertriebsberichte generieren

Gemeinsam: KI und bestehende Datensysteme verbinden – kein Spielzeug, sondern Produktivität.

Abschluss

In einem Satz: MCP macht die Verbindung zwischen KI-Tools und Datenquellen so einfach wie Lego.

Früher: Adapter pro Tool und Quelle, viel Doppelarbeit, hohe Wartung. Heute: MCP Server an der Quelle – alle MCP-fähigen Tools nutzen ihn. Das ist die Kraft von Standards.

Wenn MCP Sie interessiert:

1. Ausprobieren: Wetter-Code kopieren, anpassen, in Claude Desktop deployen
2. Bestehendes nutzen: awesome-mcp-servers auf GitHub – über 3.000 fertige Server
3. Eigenen Server bauen: Bei spezifischem Bedarf eigenen MCP Server entwickeln
4. Community: Erfahrungen teilen, anderen Entwicklern helfen

Sind Sie bereit für Ihren ersten MCP Server?