Model Context Protocol erklärt

Wenn Sie ein LLM mit einer Datenbank oder einer API verbinden, schreiben Sie Glue-Code. Sie schreiben ihn für ein Modell. Dann schreiben Sie ihn erneut für das nächste Modell. Dies führt zu einem Chaos an Integrationen.

Das Model Context Protocol (MCP) löst dieses Problem. Es fungiert wie ein USB-C-Anschluss für KI. Anstatt für jedes Gerät eigene Kabel zu verwenden, nutzt jeder einen Standardanschluss.

MCP ändert die Rechnung von M x N Integrationen zu M + N.

  • Tool-Entwickler schreiben einen MCP-Server.
  • Anwendungsentwickler fügen einen MCP-Client hinzu.
  • Jeder Host, der MCP spricht, kann jeden Server nutzen.

Die Architektur umfasst drei Rollen:

• Host: Die KI-Anwendung, die Sie verwenden, wie Claude Code oder eine IDE. Er entscheidet, mit welchen Servern eine Verbindung hergestellt wird. • Client: Der Connector innerhalb des Hosts. Er hält die Verbindung zum Server aufrecht. • Server: Das Programm, das Sie entwickeln. Es stellt Tools, Daten oder Prompts bereit.

Sie verwenden drei Haupt-Primitiven:

  • Tools: Funktionen, die das Modell aufruft, um Aktionen auszuführen, wie das Versenden einer E-Mail oder das Abfragen einer Datenbank.
  • Resources: Nur lesbare Daten, die die App in den Kontext lädt, wie eine Datei oder ein Log.
  • Prompts: Wiederverwendbare Vorlagen, die Benutzern helfen, spezifische Aufgaben auszulösen.

Sie können einen Server in Python mit dem FastMCP SDK erstellen. Hier ist ein einfaches Beispiel:

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("demo-tools")

@mcp.tool()
def word_count(text: str) -> int:
    """Zählt die Wörter in einem Text."""
    return len(text.split())

@mcp.resource("notes://team")
def team_notes() -> str:
    """Team-Notizen bereitstellen."""
    return "Release freeze starts Friday."

@mcp.prompt()
def code_review(language: str, code: str) -> str:
    """Vorlage für das Code-Review."""
    return f"Überprüfe diesen {language}-Code: {code}"

if __name__ == "__main__":
    mcp.run()

Wenn Sie Server entwickeln, beachten Sie diese Regeln:

  • Sicherheit: Nutzen Sie die Benutzerbestätigung für destruktive Tools. Validieren Sie alle Argumente.
  • Kontext: Halten Sie Tool-Beschreibungen kurz. Lange Beschreibungen verbrauchen Ihr Token-Budget.
  • Fehler: Geben Sie klare Nachrichten zurück, damit das Modell seine eigenen Fehler korrigieren kann.

MCP macht Tools zu einer wiederverwendbaren Ressource. Schreiben Sie es einmal. Lassen Sie jedes Modell es nutzen.

Quelle: https://dev.to/galian/model-context-protocol-explained-build-your-first-mcp-server-in-python-ian

Optionale Lern-Community: https://t.me/GyaanSetuAi