MCP ist nützlicher als Kontextverteilung denn als RPC

Die meisten Menschen sprechen über das Model Context Protocol (MCP) im Zusammenhang mit Tool-Aufrufen.

Sie sehen es als eine Möglichkeit für KI, externe Tools aufzurufen. Eine KI liest ein GitHub-Issue oder ruft eine Datei ab. Das lässt MCP wie eine RPC-Schicht für Agenten erscheinen.

Das ist nützlich, aber es ist nicht der wichtigste Anwendungsfall.

Die wahre Stärke von MCP liegt in der Kontextverteilung. Es kann Regeln, Skills und Verträge (Contracts) an KI-Clients verteilen.

RAG hilft bei der Beantwortung einer Frage: Welche Informationen sind relevant? RAG findet Dokumente und gibt sie an das Modell weiter.

Aber Teams benötigen mehr als nur Informationen. Teams benötigen Regeln.

Ein Team muss wissen:

  • Was ist die maßgebliche Quelle?
  • Wann sollte die KI aufhören?
  • Wann ist eine menschliche Bestätigung erforderlich?
  • Welcher Workflow gilt für diese Aufgabe?
  • Welche Belege müssen dokumentiert werden?

RAG ruft Dokumente ab, die diese Regeln beschreiben, aber ein Dokument ist nur Kontext. Viele Teams versuchen, dies über Prompts zu lösen. Sie schreiben Anweisungen wie „Folge unseren Coding-Regeln“.

Das lässt sich nicht skalieren. Jeder Entwickler hat einen anderen lokalen Prompt. Die Qualität der Arbeit hängt von der Person ab, die die KI nutzt. Das ist kein Teamsystem.

MCP ändert das. Anstatt während der Arbeit nur Tools aufzurufen, kann die KI die Arbeitsregeln erhalten, bevor sie beginnt.

Zu Beginn einer Sitzung ruft der KI-Client eine Startup-Funktion auf. Diese Funktion gibt Folgendes zurück:

  • Zugriffsberechtigungen (Access Policies)
  • Maßgebliche Kontextquellen
  • Verfügbare Skills
  • Workflow-Kataloge
  • Regeln für den Umgang mit Unbekanntem

Das Modell hat nicht nur Zugriff auf Tools. Es kennt die Regeln der Aufgabe.

Dies schafft einen klaren Unterschied:

  • MCP im RPC-Stil: Das Modell ruft während der Arbeit Tools auf.
  • Kontextverteilendes MCP: Das Modell erhält die Regeln, bevor es beginnt.

Dieser Ansatz macht Domänenwissen portabel. Anstatt dass jeder Nutzer lange Dokumente lesen oder lokale Prompts aktualisieren muss, definiert ein Senior Engineer einen Skill einmal auf einem MCP-Server.

Die Person, die den Skill definiert, und die Person, die den Skill nutzt, sind nun getrennt.

Dies löst auch das Problem veralteter Informationen. Nutzer müssen kein vollständiges Repository an Regeln lokal mit sich führen. Sie benötigen lediglich eine MCP-Verbindung. Die maßgeblichen Definitionen verbleiben auf dem Server.

RAG beantwortet: Welche Informationen könnten relevant sein? Die MCP-Kontextverteilung beantwortet: Welche Regeln müssen diese Arbeit steuern?

Bei RAG geht es um das Abrufen von Wissen. Bei der MCP-Kontextverteilung geht es darum, zu definieren, wie Arbeit abläuft.

Hören Sie auf zu fragen, welche Tools die KI aufrufen kann. Fangen Sie an zu fragen, welchen Kontext die KI laden muss, bevor sie beginnt.

Quelle: https://dev.to/synthaicode_commander/mcp-is-more-useful-as-context-distribution-than-as-rpc-ai4

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