Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Was ist MCP?
LLMs arbeiten, indem sie anhand ihrer Trainingsdaten eine Antwort auf eine Aufforderung vorhersagen. Das bedeutet, dass das LLM nur Antworten auf Daten und Ereignisse geben kann, die es bereits gesehen hat. Methoden wie Retrieval Augmented Generation (RAG) und Wissensdatenbanken ermöglichen es Ihnen, Kontextdaten einzubeziehen. Wenn Sie jedoch einen LLM fragen würden, wie die Wettervorhersage für morgen aussehen wird oder wie viele Kunden sich in Ihrer Datenbank befinden, würde er wahrscheinlich halluzinieren oder nicht in der Lage sein, eine Antwort zu geben, da diese nicht dem vorab geschulten Wissen des LLM entsprechen. Um diese Art von Fragen beantworten zu können, benötigt ein Agent Zugriff auf externe Funktionen und Daten, die sich APIs außerhalb des ursprünglichen Kontextes des LLM befinden.
## Tools verstehen
**Wir können dem LLM mithilfe von Tools Zugriff auf zusätzliche Systeme und Kontexte gewähren.***Tools* sind Funktionen, die dem LLM zur Erreichung eines klaren Ziels übertragen werden. Ein Tool könnte eine API aufrufen, eine Datenbank abfragen, Rechenoperationen ausführen, eine Code-Sandbox bedienen, eine Websuche durchführen und sogar ein anderes KI-System aufrufen oder. agent-as-a-tool Jedes Tool sollte eine Beschreibung enthalten, aus der dem LLM hervorgeht, was das Tool tut, wann es verwendet werden soll und welche Parameter es akzeptiert. Auf diese Weise kann das LLM auf der Grundlage der Benutzereingaben nuancierte Entscheidungen darüber treffen, welches Tool oder welche Kombination von Tools aufgerufen werden soll. Der LLM wird darüber informiert, welche Tools dem Agenten zur Verfügung stehen, sodass er Antworten generieren kann, die den Agenten anweisen, das Tool aufzurufen. Wenn Sie den LLM beispielsweise fragen, wie viele Kunden sich in Ihrer Datenbank befinden, sendet der LLM eine Antwort an den Agenten zurück und fordert ihn auf, das `query_database` Tool mit bestimmten Eingabeparametern auszuführen. Das LLM bestimmt, welches Tool aufgerufen werden soll und welche Eingaben für den Werkzeugabruf erforderlich sind. Der Agent führt dann das Tool aus, das die Eingabe in natürlicher Sprache in einen syntaktisch korrekten Funktionsaufruf umwandelt und die Abfrage ausführt. Der Agent ruft das Tool oder die Tools auf der Grundlage der Anweisung des LLM auf, und diese Ergebnisse werden an das LLM zurückgegeben. Dabei wird die Fähigkeit des LLM zur Argumentation gegenüber textbasierten Eingaben ausgenutzt und die geeigneten Tools für den Job ausgewählt.
Die folgende Abbildung zeigt, wie jeder Agent sein eigenes Toolset für jedes Ziel verwaltet.
Die Skalierung des Zugriffs auf Tools kann KI-Lösungen für Agenturen vor Herausforderungen stellen:
+ Wenn jeder Entwickler sein eigenes Tool für dieselben externen Funktionen entwickelt, bedeutet das eine Menge doppelten Aufwand und unstandardisierte Interaktionsmöglichkeiten mit diesen externen Funktionen. Dies führt zu inkonsistenten Implementierungen bei Ihren Agenten. Sie könnten dieses Problem zwar lösen, indem Sie Standardtools in Bibliotheken entwickeln und verteilen, aber es fehlt eine zentrale Steuerung. Dies macht es schwierig, Sicherheitsrichtlinien durchzusetzen, die Nutzung von Tools nachzuverfolgen, die Versionierung teamübergreifend zu verwalten oder die Einhaltung von Unternehmensstandards sicherzustellen. Wenn Sie Tools direkt in den Agenten einbetten, müssen Sie Ihren Agenten außerdem jedes Mal neu bereitstellen, wenn ein neues Tool erstellt oder ein vorhandenes aktualisiert wird.
+ Wenn Sie einem LLM Tools zur Verfügung stellen, wird dessen Kontextfenster beansprucht. *Das Kontextfenster* ist die Anzahl der *Tokens* (Texteinheiten, die LLMs verarbeitet werden — typischerweise stehen sie für Wörter, Wortteile oder Satzzeichen), die ein Modell gleichzeitig berücksichtigen kann. LLMs haben Beschränkungen für das Kontextfenster. Tools und ihre Dokumentation verwenden dieses endliche Kontextfenster zusammen mit System- und Benutzeraufforderungen. Wenn sich das Kontextfenster füllt, LLMs kann es aufgrund mehrerer Faktoren zu Leistungseinbußen kommen: Schwierigkeiten beim Identifizieren relevanter Informationen, erhöhte Verarbeitungskomplexität und verringerte Denkfähigkeit. Die Herausforderung wird noch verschärft, wenn Tooldefinitionen, Systemaufforderungen und der Konversationsverlauf um den begrenzten Platz im Kontextfenster konkurrieren, da sie bei jedem LLM-Aufruf bereitgestellt werden.
Daher wirken sich die Anzahl der Tools und deren Dokumentation direkt auf die Leistung des LLM aus, z. B. auf Reaktionszeit und Genauigkeit.
MCP etabliert einen universellen Standard für die Verbindung von Agenten mit externen Funktionen. Es wird allgemein als „USB-C für KI-Anwendungen“ bezeichnet. [Anstatt Tools direkt bei Agenten zu registrieren, fungieren MCP-Server als Vermittler für das Hosten von Tools, die über JSON-RPC 2.0 erkannt und aufgerufen werden.](https://www.jsonrpc.org/specification) Anstatt Ihrem Agenten Dutzende oder Hunderte verschiedener Tools hinzuzufügen und diese im Laufe der Zeit zu verwalten, können Sie mit MCP MCP-Server registrieren, die die Tools kapseln, auf die Ihr Agent zugreifen kann. Dieser Ansatz standardisiert die Art und Weise, wie Tools verpackt, präsentiert und aufgerufen werden. Dies kann dazu beitragen, die Herausforderungen in Bezug auf Umfang und Steuerung zu bewältigen, die mit der Nutzung von Tools in Ihren Agenten verbunden sind. Außerdem werden die Entwicklung und der Betrieb der Agenten von den Tools entkoppelt, die für externe Funktionen verwendet werden.
Die folgende Abbildung zeigt Agenten, die MCP für den Zugriff auf externe Ressourcen verwenden.
Der MCP-Standard löst jedoch nicht alle Skalierungs- und Governance-Herausforderungen. Die Implementierung von MCP-Servern muss mit effektiven Strategien für Tooldesign, Hosting und Unternehmensführung kombiniert werden. Dieser Leitfaden enthält bewährte Methoden für jede Strategie, um Sie bei der Entwicklung und Verwendung von MCP als Teil Ihrer agentischen KI-Lösungen zu unterstützen.
## Wann sollte MCP verwendet werden
MCP bietet eine strategische Infrastruktur für die Skalierung Ihrer agentischen KI-Initiativen. Durch die Zentralisierung von Toolmanagement und -steuerung reduzieren MCP-Server die Gesamtkosten für die Erstellung und Wartung benutzerdefinierter Integrationen für mehrere Agenten. Dies führt zu steigenden Renditen, wenn Ihr Agenten-Ökosystem wächst.
MCP wird wahrscheinlich Teil Ihrer Strategie, wenn:
+ Sie benötigen eine zentrale Steuerung dafür, wie Agenten auf Unternehmenssysteme und -dienste wie Datenbanken APIs, interne Tools und Integrationen von Drittanbietern zugreifen.
+ Entwickler verbringen zu viel Zeit damit, benutzerdefinierte Integrationen zu schreiben, die nicht in allen Implementierungen konsistent sind.
+ Sie verfügen über doppelte Tools, die allgemeine Funktionen erfüllen könnten.
+ Sie möchten Ihre firmeneigenen Tools oder Daten externen Verbrauchern oder Agentensystemen von Drittanbietern über standardisierte, geregelte MCP-Schnittstellen anbieten und so neue Einnahmequellen erschließen und gleichzeitig Sicherheit und Kontrolle gewährleisten.
Nachdem Sie entschieden haben, dass MCP-Server Teil Ihrer Strategie sein werden, sollten Sie prüfen, ob die vorhandenen Open-Source-MCP-Serverimplementierungen Ihren Anforderungen entsprechen, ob sie erweitert werden müssen oder ob Sie benutzerdefinierte Server erstellen müssen. Viele vorgefertigte MCP-Serverimplementierungen sind in öffentlichen Repositorys verfügbar und decken allgemeine Funktionen wie Dateisystemzugriff, Web-Browsing, Code-Sandboxes, Datenbankzugriff und API-Integrationen ab.
In vielen Fällen sind bereits vorhandene MCP-Server ausreichend. AWS Stellt beispielsweise einen verwalteten Remote-MCP-Server bereit [AWS MCP -Server](https://docs.aws.amazon.com/aws-mcp/latest/userguide/what-is-mcp-server.html), der KI-Assistenten und -Agenten sicheren, authentifizierten Zugriff auf Interaktionen in natürlicher Sprache ermöglicht. AWS-Services [Sie können den verwenden, AWS MCP -Server um komplexe, mehrstufige AWS Aufgaben auszuführen, indem Sie Echtzeitzugriff auf AWS Dokumentation, syntaktisch korrekte API-Aufrufe und vorgefertigte Workflows namens Agent kombinieren, die bewährten Methoden folgen. SOPs](https://docs.aws.amazon.com/aws-mcp/latest/userguide/agent-sops.html) AWS AWS testet sie kontinuierlich AWS MCP -Server , um sicherzustellen, dass Kundenagenten sie erfolgreich einsetzen können.
Sie sollten diese vorhandenen MCP-Server zusammen mit Ihren Agenten testen, um festzustellen, ob sie Ihren Anwendungsfällen entsprechen. Wenn ein Agent Workflows nicht abschließt, falsche oder suboptimale Antworten generiert, komplexe mehrstufige Prozesse nicht bewältigt oder wichtige domänenspezifische Best Practices oder Sicherheitsüberlegungen übersieht, sollten Sie Verbesserungen in verschiedenen Dimensionen in Betracht ziehen.
Wenn vorhandene MCP-Server Ihre Anforderungen nicht vollständig erfüllen und sie Schwierigkeiten haben, die vorhandenen Tools korrekt zu verwenden oder präzise Antworten zu liefern, sollten Sie diese Verbesserungsansätze in Betracht ziehen, bevor Sie benutzerdefinierte Server erstellen:
+ **Den Agentenkontext erweitern** — Wenn Ihr Agent Schwierigkeiten hat, die Tools auf einem vorhandenen MCP-Server korrekt oder effizient zu verwenden, sollten Sie erwägen, diese Tooldefinitionen durch zusätzliche Dokumentation oder Beispiele zu ergänzen. Dies trägt dazu bei, dem LLM zusätzlichen Kontext zu bieten.
+ Zusätzliche **Tools hinzufügen** — Erweitern Sie bestehende MCP-Server um Tools, die auf zusätzliche Unternehmensdaten oder den Kontext zugreifen, den Agenten benötigen, um Workflows erfolgreich abzuschließen.
+ **Verbessern Sie die zugrunde liegenden** Daten APIs — Vereinfachen Sie Ihren Service, APIs um ihn LLM-freundlicher zu gestalten, indem Sie die Komplexität der Parameter reduzieren, klarere Fehlermeldungen bereitstellen und sinnvolle Standardwerte bereitstellen, die Agenten verwenden können.
Die Verwendung vorhandener MCP-Serverimplementierungen beschleunigt zwar die Entwicklung allgemeiner Funktionen, aber der Aufbau kundenspezifischer MCP-Server ist unverzichtbar, wenn Ihr Anwendungsfall spezielle Funktionen erfordert. Benutzerdefinierte MCP-Server helfen Ihnen dabei, Fachwissen zu bündeln, Unternehmensstandards durchzusetzen, die Zuverlässigkeit der Agenten für komplexe Workflows zu verbessern und die Einhaltung von Sicherheitsanforderungen zu unterstützen. Erwägen Sie die Erstellung eines benutzerdefinierten MCP-Servers in den folgenden Situationen:
+ **Domänenspezifische Workflows** — Mehrstufige Workflows, die Fachwissen erfordern, sollten in benutzerdefinierten MCP-Tools zusammengefasst werden, wenn das erforderliche Wissen nicht in der API-Dokumentation erfasst ist. ****Anstatt beispielsweise Agenten die Orchestrierung komplexer Daten-Pipelines im Gesundheitswesen zu überlassen, die die Einhaltung des Health Insurance Portability and Accountability Act (HIPAA) validieren, personenbezogene Daten anonymisieren und in das [HL7 FHIR-Format](https://hl7.org/fhir/) umwandeln müssen, sollten Sie ein `process_patient_data` Tool bereitstellen, das die Fachkenntnisse direkt einbettet. Dadurch entfällt die Abhängigkeit vom LLM für die korrekte Orchestrierung und Ausführung der Workflow-Schritte, wodurch Konsistenz und Compliance verbessert werden.
+ **Abstraktionen auf dem Goldenen Pfad** — Agenten haben möglicherweise Schwierigkeiten, optimale Ansätze zu implementieren, weil ihnen der organisatorische Kontext fehlt und sie sich eher an grundlegende Muster als an den bewährten Methoden der Organisation orientieren. In diesen Szenarien können Sie verbindliche Standards in Bezug auf Kosten, Leistung oder Sicherheit durchsetzen, indem Sie diese goldenen Pfade in benutzerdefinierten MCP-Tools zusammenfassen. Anstatt Agenten beispielsweise die Infrastruktur mit Standardeinstellungen bereitstellen zu lassen, die möglicherweise unsicher oder ineffizient sind, sollten Sie ein `deploy_secure_infrastructure` Tool bereitstellen, das die Standards Ihres Unternehmens direkt integriert.
+ **Komplexe Orchestrierung mehrerer Dienste** — Anstatt den Agenten dazu zu bringen, komplexe Workflows zu orchestrieren, indem er versucht, die richtige Reihenfolge und den richtigen Satz von Diensten abzuleiten, die in jedem Schritt verwendet werden sollen, können Sie diese Logik deterministisch in einem MCP-Tool aufbauen. Möglicherweise möchten Sie auch Fachwissen über optimale Serviceintegrationsmuster bereitstellen, von denen der Agent möglicherweise nichts weiß. ****Dies kann auch die Genauigkeit und Effizienz Ihrer Agenten verbessern.
+ **Servicespezifische Best Practices** — Dies ist bei sicherheitsorientierten Tools üblich, die Agenten bei der Implementierung von Verschlüsselungsrichtlinien, Zugriffskontrollen und Compliance-Mustern unterstützen, die für den Service spezifisch sind, auf den über das Agententool zugegriffen wird. Wenn es dienstspezifische bewährte Methoden für den Betrieb gibt, die nicht offensichtlich sind, können Sie mithilfe eines MCP-Servers sicherstellen, dass diese implementiert werden und nicht dem Agenten überlassen werden, sich darüber Gedanken zu machen.