Vom USB-C der KI: Wie MCP die Integration von KI-Agenten transformiert

Im Zeitalter der künstlichen Intelligenz ist die Fähigkeit von großen Sprachmodellen (LLMs), mit externen Datenquellen und Diensten zu interagieren, von entscheidender Bedeutung. Bis vor kurzem war dies hauptsächlich durch traditionelle Anwendungsprogrammierschnittstellen (APIs) möglich.

Ende 2024 führte Anthropic jedoch ein neues offenes Standardprotokoll ein – das Model Context Protocol (MCP) – das bereits für Aufsehen sorgt. Dieses Protokoll standardisiert die Art und Weise, wie Anwendungen Kontext für LLMs bereitstellen. In diesem Artikel vergleichen wir MCP und API und beleuchten ihre Ähnlichkeiten und Unterschiede.

Das Model Context Protocol: Das USB-C für KI-Anwendungen

Was ist MCP?

Eine treffende Metapher für MCP ist, dass es wie ein USB-C-Anschluss für KI-Anwendungen funktioniert. Genau wie USB-C die Verbindungen zwischen Computern und verschiedenen Peripheriegeräten standardisiert, vereinheitlicht MCP die Verbindungen zwischen KI-Anwendungen, LLMs und externen Datenquellen.

Stellen Sie sich einen modernen Laptop mit mehreren USB-C-Anschlüssen vor. An diese Anschlüsse können Sie verschiedene Geräte anschließen – einen Monitor, eine externe Festplatte oder ein Ladegerät. Unabhängig vom Hersteller funktionieren alle diese Peripheriegeräte mit dem gemeinsamen USB-C-Standard. MCP funktioniert ähnlich.

Die Architektur von MCP

In der MCP-Architektur gibt es einen MCP-Host, der mehrere MCP-Clients ausführt. Jeder Client öffnet eine JSON-RPC-2.0-Sitzung mit dem MCP-Protokoll und stellt eine Verbindung zu externen MCP-Servern her. Wir haben es hier mit einer Client-Server-Beziehung zu tun.

Die Server bieten verschiedene Funktionen an – zum Beispiel Zugriff auf eine Datenbank, ein Code-Repository oder einen E-Mail-Server. Um bei der USB-C-Analogie zu bleiben: Der Laptop entspricht dem MCP-Host, das MCP-Protokoll der USB-C-Verbindung, und die externen Geräte wie Festplatte, Monitor und Ladegerät entsprechen den MCP-Servern.

Die Fähigkeiten von MCP im Detail

Kontext und Tools für KI-Agenten

MCP adressiert zwei Hauptbedürfnisse von LLM-Anwendungen, insbesondere von KI-Agenten:

1. Bereitstellung von Kontext: In Form von kontextuellen Daten wie Dokumenten, Wissensdatenbankeinträgen und Datensätzen.
2. Ermöglichung von Tools: Standardisierte Möglichkeit für KI-Agenten, Aktionen auszuführen oder Werkzeuge zu nutzen.

All dies geschieht über den MCP-Server, der verschiedene Primitive bereitstellt.

Die drei Hauptprimitive von MCP

1. Tools

Tools sind diskrete Aktionen oder Funktionen, die die KI aufrufen kann. Beispielsweise könnte ein Wetterdienst ein Tool namens "get_weather" anbieten, oder ein Kalenderdienst ein Tool namens "create_event".

Der Servername bewirbt jeden Toolnamen, seine Beschreibung sowie das Ein- und Ausgabeschema in seiner Funktionsliste. Wenn ein LLM einen MCP-Client nutzt, um ein Tool aufzurufen, führt der MCP-Server die zugrundeliegende Funktion aus.

2. Ressourcen

Ressourcen sind schreibgeschützte Datenelemente oder Dokumente, die der Server bereitstellen kann und die der Client bei Bedarf abrufen kann. Hierzu gehören Textdateien, Datenbankschemata oder Dateiinhalte.

3. Prompt-Vorlagen

Prompt-Vorlagen sind vordefinierte Schablonen, die Vorschläge für Prompts liefern.

Nicht jeder MCP-Server verwendet alle drei Primitive. Viele konzentrieren sich derzeit nur auf Tools. Entscheidend ist jedoch, dass ein KI-Agent zur Laufzeit einen MCP-Server abfragen kann, um herauszufinden, welche Primitive verfügbar sind, und diese Funktionen dann einheitlich aufrufen kann.

Da jeder MCP-Server einen maschinenlesbaren Katalog veröffentlicht (tools/list, resources/list, prompts/list), können Agenten neue Funktionen entdecken und nutzen, ohne Code neu zu deployen.

APIs: Die traditionelle Methode der Systemintegration

Was sind APIs?

APIs (Application Programming Interfaces) sind eine weitere Möglichkeit, einem System den Zugriff auf die Funktionalität oder Daten eines anderen Systems zu ermöglichen. Eine API definiert einen Satz von Regeln oder Protokollen, die beschreiben, wie Informationen oder Dienste angefordert werden können.

Durch die Nutzung von APIs können Entwickler Funktionen aus externen Systemen integrieren, anstatt alles von Grund auf neu zu entwickeln. So kann beispielsweise eine E-Commerce-Website eine Zahlungs-API verwenden, um Kreditkartenzahlungen zu verarbeiten.

APIs als Abstraktionsschicht

Die API fungiert als Abstraktionsschicht. Die anfragende Anwendung (der Client) muss die internen Details des Dienstes, den sie aufrufen möchte (der Server), nicht kennen. Der Server verarbeitet die Anfrage, und das Einzige, was wir wissen müssen, ist, wie wir die Anfragen formatieren und die Antworten verstehen.

RESTful APIs: Der Webstandard

Es gibt verschiedene API-Stile, aber einer der verbreitetsten ist der RESTful-API-Stil, den man als den Web-Standard für APIs betrachten kann. Eine RESTful-API kommuniziert über HTTP, wobei die Clients mit Standard-HTTP-Methoden interagieren:

• GET: Zum Abrufen von Daten
• POST: Zum Erstellen von Daten
• PUT: Zum Aktualisieren von Daten
• DELETE: Zum Entfernen von Daten

So könnte beispielsweise eine REST-API für ein Bibliothekssystem einen Endpunkt haben, der wie folgt aussieht: GET /books/123, um die Details von Buch Nummer 123 abzurufen. Oder wir könnten POST /loans verwenden, um ein Buch auszuleihen.

Jeder Endpunkt liefert Daten, oft im JSON-Format, die das Ergebnis darstellen. Tatsächlich werden viele kommerzielle große Sprachmodelle über REST angeboten: Man sendet einen JSON-Prompt und erhält eine JSON-Vervollständigung zurück.

MCP und APIs: Gemeinsamkeiten und Unterschiede

Ähnlichkeiten: Client-Server-Architektur

MCP und APIs teilen viele Ähnlichkeiten, nicht zuletzt, dass sie beide als Client-Server-Modellarchitekturen betrachtet werden:

• Bei einer REST-API sendet ein Client eine HTTP-Anfrage (wie GET oder POST) an einen Server, und der Server gibt eine Antwort zurück.
• Bei MCP sendet der MCP-Client eine Anfrage (wie tools/call) an einen MCP-Server und erhält eine Antwort.

Beide bieten eine Abstraktionsschicht, sodass ein System die internen Details eines anderen nicht kennen muss. Die Implementierungsdetails sind verborgen; der Client folgt einfach der Schnittstelle.

Sowohl MCP als auch APIs tragen dazu bei, die Integration zu vereinfachen, indem sie es Entwicklern ermöglichen, Systeme miteinander zu verbinden, anstatt das Rad neu zu erfinden.

Unterschiede: Zweckgebunden vs. Allgemein

1. Zweckgebunden vs. Allgemein

Das Model Context Protocol wurde speziell für die Integration von LLM-Anwendungen mit externen Daten und Tools entwickelt. Es standardisiert Muster wie die Bereitstellung von Kontextdaten und das Aufrufen von Tools auf eine Weise, die mit der Funktionsweise von KI-Agenten übereinstimmt.

APIs hingegen wurden nicht speziell für KI oder LLMs entwickelt. MCP integriert bestimmte Annahmen, die für KI nützlich sind.

2. Dynamische Entdeckung

Einer der größten Vorteile von MCP ist die Unterstützung der dynamischen Entdeckung. Ein MCP-Client kann einen MCP-Server einfach fragen: "Was kannst du tun?" und erhält eine Beschreibung aller verfügbaren Funktionen und Daten, die der Server anbietet.

Der Client oder die LLM-Anwendung kann sich dann an das anpassen, was verfügbar ist. Traditionelle REST-APIs verfügen in der Regel nicht über einen vergleichbaren Mechanismus zur Laufzeitentdeckung. Wenn sich die API ändert oder neue Endpunkte hinzugefügt werden, muss der Client von einem Entwickler aktualisiert werden.

MCP kehrt dieses Modell um, da die KI-Agenten bei jeder Verbindung die neueste Funktionsliste vom Server abrufen und neue Funktionen automatisch erkennen können.

3. Standardisierung der Schnittstelle

Ein weiterer großer Unterschied betrifft die Standardisierung der Schnittstelle. Jeder MCP-Server – unabhängig davon, mit welchem Dienst oder welchen Daten er verbunden ist – spricht dasselbe Protokoll und folgt denselben Mustern, während jede API einzigartig ist.

Die spezifischen Endpunkte, Parameterformate und Authentifizierungsschemata variieren zwischen den Diensten. Wenn ein KI-Agent fünf verschiedene REST-APIs verwenden möchte, benötigt er möglicherweise fünf verschiedene Adapter, während fünf MCP-Server auf dieselben Aufrufe reagieren. Einmal bauen, viele integrieren.

MCP und APIs: Nicht Gegner, sondern Schichten

MCP nutzt APIs unter der Haube

Bei näherer Betrachtung verwenden viele MCP-Server traditionelle APIs, um ihre Arbeit zu erledigen. In vielen Fällen ist ein MCP-Server im Wesentlichen ein Wrapper um eine bestehende API, der zwischen dem MCP-Format und der nativen Schnittstelle des zugrundeliegenden Dienstes übersetzt.

Ein Beispiel dafür ist der MCP-GitHub-Server, der hochrangige Tools wie repository/list als MCP-Primitive anbietet, aber intern jeden Tool-Aufruf in die entsprechende GitHub-REST-API-Anfrage übersetzt.

MCP und APIs sind also keine Gegner, sondern Schichten in einem KI-Stack. MCP kann unter der Haube APIs verwenden und gleichzeitig eine KI-freundlichere Schnittstelle bieten.

Fazit: Die Zukunft der KI-Integration

Das Model Context Protocol (MCP) stellt einen bedeutenden Fortschritt in der Art und Weise dar, wie KI-Agenten mit externen Datenquellen und Diensten interagieren. Es bietet eine standardisierte, KI-freundliche Schnittstelle, die die Integration vereinfacht und die dynamische Entdeckung von Funktionen ermöglicht.

Während APIs nach wie vor das Rückgrat vieler Systemintegrationen bilden, bietet MCP eine speziell für KI-Anwendungen optimierte Lösung. Die beiden Technologien ergänzen sich, wobei MCP oft APIs unter der Haube nutzt, um eine einheitlichere Erfahrung für KI-Agenten zu schaffen.

Heute finden Sie MCP-Dienste für Dateisysteme, Google Maps, Docker, Spotify und eine wachsende Liste von Unternehmens-Datenquellen. Dank MCP können diese Dienste nun auf standardisierte Weise besser in KI-Agenten integriert werden – ein wichtiger Schritt auf dem Weg zu intelligenteren und besser vernetzten KI-Systemen.

FAQ

Ist MCP ein Ersatz für APIs?

Nein, MCP ist kein direkter Ersatz für APIs, sondern eher eine Ergänzung. MCP bietet eine standardisierte Schnittstelle speziell für KI-Agenten, während APIs weiterhin für allgemeine Systemintegrationen verwendet werden. In vielen Fällen nutzt MCP sogar APIs unter der Haube, um seine Funktionen zu implementieren.

Welche Vorteile bietet MCP gegenüber herkömmlichen APIs für KI-Anwendungen?

MCP bietet mehrere Vorteile: Eine standardisierte Schnittstelle für alle Dienste, dynamische Entdeckung von verfügbaren Funktionen zur Laufzeit und eine speziell für KI-Anwendungen optimierte Architektur. Dies vereinfacht die Integration von KI-Agenten mit verschiedenen externen Datenquellen und Diensten erheblich.

Für welche Arten von Projekten ist MCP besonders geeignet?

MCP ist besonders nützlich für Projekte, die KI-Agenten mit verschiedenen externen Diensten und Datenquellen integrieren müssen. Es eignet sich hervorragend für Anwendungen, die von der dynamischen Entdeckung von Funktionen profitieren, wie z.B. flexible KI-Assistenten, die sich an neue Fähigkeiten anpassen können, ohne neu entwickelt werden zu müssen.