MCP vs. API: Wie KI-Anwendungen an Daten und Werkzeuge kommen

MCP vs. API: Wie KI-Anwendungen an Daten und Werkzeuge kommen

Architektur, Entdeckung zur Laufzeit, Sicherheit: Was das Model Context Protocol anders macht als eine klassische Schnittstelle

Aktualisiert:

Abstract

MCP und klassische APIs im Vergleich: Wie sich Architektur, Entdeckung und Sicherheit unterscheiden und wann Sie welchen Weg für KI-Integrationen wählen.
  • #MCP
  • #Model Context Protocol
  • #API
  • #KI-Agenten
  • #Integration
  • #Datenquellen
  • #Standardisierung
  • #Dynamische Entdeckung

MCP ersetzt keine API – es legt eine Schicht darüber, die Sprachmodelle verstehen

Angenommen, ein Vertriebsteam möchte, dass sein KI-Assistent vor einem Kundentermin die letzten Bestellungen aus dem ERP-System zusammenfasst, offene Tickets aus dem Helpdesk dazulegt und anschließend einen Termin im Kalender einträgt. Alle drei Systeme haben eine API. Trotzdem ist das Vorhaben ohne zusätzliche Arbeit nicht umsetzbar: Jemand muss dem Sprachmodell erklären, welche Funktionen es gibt, wie sie aufgerufen werden und was die Antworten bedeuten – und das für jede KI-Anwendung neu.

Genau an dieser Stelle setzt das Model Context Protocol (MCP) an. Anthropic hat es im November 2024 als offenen Standard vorgestellt, inzwischen unterstützen es unter anderem ChatGPT, Gemini und Microsoft Copilot sowie Entwicklungswerkzeuge wie Visual Studio Code und Cursor. Häufig wird MCP als Nachfolger klassischer APIs dargestellt. Das trifft es nicht. MCP ist eine zusätzliche Schicht, die bestehende Schnittstellen für Sprachmodelle nutzbar macht. Wo sich beide unterscheiden, wo sie zusammenarbeiten und worauf Unternehmen bei Sicherheit und Governance achten sollten, zeigen die folgenden Abschnitte.

Was eine klassische API leistet

Eine API (Application Programming Interface, also Programmierschnittstelle) legt fest, wie ein Programm die Funktionen oder Daten eines anderen Systems nutzen kann. Der aufrufende Client muss nicht wissen, wie der Server intern arbeitet. Er muss nur wissen, wie er Anfragen formuliert und Antworten liest. Ein Webshop nutzt so etwa die API eines Zahlungsdienstleisters, statt die Kreditkartenabwicklung selbst zu bauen.

Im Web hat sich vor allem der REST-Stil durchgesetzt. Ein Client spricht Ressourcen über Adressen an und nutzt dafür die HTTP-Methoden: GET liest, POST legt an, PUT oder PATCH ändert, DELETE entfernt. Eine Bestellverwaltung könnte etwa so angesprochen werden:

GET /api/v1/orders?customerId=4711&limit=5
Authorization: Bearer eyJhbGciOi...
Accept: application/json

Daneben gibt es GraphQL, gRPC oder Webhooks, jeweils mit eigenen Stärken. Gemeinsam ist ihnen: Jede API ist ein eigenes Vokabular. Endpunkte, Parameternamen, Fehlercodes, Paginierung und Anmeldeverfahren unterscheiden sich von Anbieter zu Anbieter. Beschrieben werden sie in der Regel für Entwicklerinnen und Entwickler, die den Client einmal programmieren und danach pflegen. Mit OpenAPI gibt es zwar ein verbreitetes, maschinenlesbares Beschreibungsformat für REST-Schnittstellen. Es ist aber eine Dokumentation, die zur Entwicklungszeit gelesen wird, kein Verfahren, über das ein laufendes Programm aushandelt, was es gerade tun darf.

Für klassische Software ist das kein Problem. Ein Programm ruft immer dieselben Endpunkte in derselben Reihenfolge auf. Ein Sprachmodell dagegen entscheidet während des Gesprächs, welche Funktion es braucht. Dafür muss es die Auswahl kennen, die Beschreibung verstehen und Parameter korrekt füllen. Genau hier stößt die Einzelanbindung an Grenzen.

Wie MCP aufgebaut ist: Host, Client und Server

MCP unterscheidet drei Rollen. Der Host ist die KI-Anwendung, mit der Menschen arbeiten, etwa ein Chat-Assistent, eine Entwicklungsumgebung oder ein Agenten-Framework. Der Host startet für jede Verbindung einen Client, der genau mit einem Server spricht. Der Server stellt Fähigkeiten bereit, zum Beispiel den Zugriff auf ein Ticketsystem, eine Datenbank oder ein Dateiverzeichnis.

Technisch tauschen Client und Server Nachrichten im Format JSON-RPC 2.0 aus, einem schlanken Standard für entfernte Funktionsaufrufe mit JSON. Bis zur Spezifikation 2025-11-25 begann jede Verbindung mit einer Initialisierung: Beide Seiten nannten die Protokollversion und ihre Fähigkeiten (Capabilities), also welche Funktionen sie unterstützen. Seit der Fassung 2026-07-28 entfällt dieser Handshake, jede Anfrage bringt Protokollversion und Fähigkeiten des Clients selbst mit.

Für den Transport sieht die Spezifikation zwei Wege vor:

  • stdio: Der Host startet den Server als lokalen Prozess und kommuniziert über Standardein- und -ausgabe. Das ist typisch für Werkzeuge auf dem eigenen Rechner, etwa einen Server, der auf das lokale Git-Repository zugreift.
  • Streamable HTTP: Der Server läuft entfernt und ist über eine HTTP-Adresse erreichbar. Antworten können als einzelnes JSON-Dokument oder als Datenstrom über Server-Sent Events kommen. Dieser Transport hat 2025 den ursprünglichen HTTP-Transport mit separatem SSE-Kanal abgelöst.

Beim Zustand hat sich MCP dem üblichen REST-Aufruf angenähert: Bis 2025-11-25 war eine MCP-Verbindung eine Sitzung mit Zustand. Seit der Fassung 2026-07-28 ist das Protokoll zustandslos, jede Anfrage steht wie bei einer REST-API für sich. Einen Rückkanal gibt es weiterhin: Der Client kann Benachrichtigungen abonnieren, etwa darüber, dass sich die Werkzeugliste des Servers geändert hat.

Eine Einführung in die Begriffe mit einem Codebeispiel für einen eigenen Server und die Abgrenzung zu A2A, AG-UI und A2UI bietet der Beitrag KI-Agenten-Protokolle einfach erklärt. Hier geht es um den Vergleich mit klassischen Schnittstellen.

Tools, Ressourcen und Prompts: die Bausteine eines Servers

Ein MCP-Server kann drei Arten von Bausteinen anbieten, die Spezifikation nennt sie Primitive. Sie unterscheiden sich vor allem darin, wer entscheidet, ob sie genutzt werden.

  • Tools sind Aktionen, die das Sprachmodell selbst aufrufen kann, etwa „Ticket anlegen“ oder „Lagerbestand abfragen“. Jedes Tool hat einen Namen, eine Beschreibung in natürlicher Sprache und ein Eingabeschema im Format JSON Schema. Die Entscheidung trifft das Modell.
  • Ressourcen sind Daten, die der Server zum Lesen bereitstellt, etwa Dokumente, Datenbankschemata oder Konfigurationsdateien. Jede Ressource hat eine Adresse (URI). Welche Ressource in den Kontext des Modells gelangt, steuert in der Regel die Anwendung oder der Mensch.
  • Prompts sind vorbereitete Vorlagen für wiederkehrende Aufgaben, etwa „Code-Review für diese Änderung“. Sie werden typischerweise vom Menschen ausgewählt, zum Beispiel über ein Menü oder einen Schrägstrich-Befehl.

In der Praxis bieten viele Server nur Tools an. Auch umgekehrt gibt es Fähigkeiten: Über Sampling kann ein Server den Host bitten, eine Anfrage an das Sprachmodell zu stellen, über Elicitation kann er beim Menschen eine fehlende Angabe erfragen. Beides läuft über den Host, der damit die Kontrolle behält. Sampling gilt seit der Fassung 2026-07-28 allerdings als abgekündigt.

So sieht es nach der Spezifikation 2026-07-28 aus, wenn ein Client die Werkzeugliste abfragt und der Server antwortet:

{
  "jsonrpc": "2.0",
  "id": 2,
  "result": {
    "resultType": "complete",
    "tools": [
      {
        "name": "bestellungen_suchen",
        "description": "Sucht die letzten Bestellungen eines Kunden. Liefert Datum, Summe und Status.",
        "inputSchema": {
          "type": "object",
          "properties": {
            "kundennummer": { "type": "string" },
            "anzahl": { "type": "integer", "minimum": 1, "maximum": 20 }
          },
          "required": ["kundennummer"]
        }
      }
    ],
    "ttlMs": 300000,
    "cacheScope": "private"
  }
}

Der Host reicht diese Beschreibung an das Sprachmodell weiter. Entscheidet sich das Modell für das Tool, schickt der Client eine Anfrage tools/call mit den passenden Argumenten. Der Server führt die Aktion aus und liefert das Ergebnis als Text oder, seit der Spezifikation von Juni 2025, auch als strukturierte Daten.

Wo sich MCP und APIs wirklich unterscheiden

Auf den ersten Blick ähneln sich beide Ansätze: Ein Client stellt eine Anfrage, ein Server antwortet, interne Details bleiben verborgen. Die Unterschiede liegen in der Zielgruppe und in den Annahmen, die das Protokoll trifft.

MerkmalKlassische API (z. B. REST)MCP
AdressatEntwickler, die einen Client programmierenSprachmodelle, vermittelt durch einen Host
Schnittstelleindividuell je Anbietereinheitliche Methoden für alle Server
BeschreibungDokumentation, ggf. OpenAPINamen, Beschreibungen und Schemata, abrufbar zur Laufzeit
Entdeckungzur Entwicklungszeitzur Laufzeit über tools/list, resources/list, prompts/list
Verbindungmeist zustandsloszustandslos seit 2026-07-28, davor Sitzung mit Aushandlung
Anmeldungje Anbieter verschiedenbei HTTP-Servern auf Basis von OAuth 2.1 festgelegt

Der wichtigste Punkt ist die Entdeckung zur Laufzeit. Ein MCP-Client fragt den Server, was er kann, und erhält eine aktuelle Liste. Kommt ein neues Tool hinzu, steht es der KI-Anwendung ohne neues Deployment zur Verfügung. Bei einer klassischen API muss jemand den Client anpassen, wenn der Anbieter neue Endpunkte einführt.

Der zweite Punkt ist die Einheitlichkeit. Ein Host, der MCP beherrscht, kann jeden MCP-Server ansprechen, ob er nun eine Datenbank, ein CRM oder ein Dateisystem anbindet. Ohne gemeinsames Protokoll müsste jede KI-Anwendung für jedes Zielsystem einen eigenen Adapter mitbringen. Bei zehn Anwendungen und zwanzig Systemen sind das im ungünstigsten Fall zweihundert Integrationen. Mit MCP genügen zwanzig Server, die jede der zehn Anwendungen nutzen kann.

Überschätzt wird dagegen oft die Intelligenz dieser Entdeckung. Dass ein Modell ein Tool sieht, heißt nicht, dass es es richtig einsetzt. Schlechte Beschreibungen, zu viele ähnliche Tools oder unklare Parameter führen zu Fehlaufrufen. Gute MCP-Server sind deshalb nicht bloß eine Eins-zu-eins-Übersetzung jeder API-Methode, sondern auf Aufgaben zugeschnitten, die ein Modell sinnvoll erledigen kann.

MCP als Schicht über bestehenden APIs

Die meisten MCP-Server arbeiten intern mit genau den APIs, die sie ersetzen sollen. Ein Server für ein Ticketsystem nimmt einen Aufruf tools/call entgegen, übersetzt ihn in eine REST-Anfrage an das Ticketsystem und gibt das Ergebnis in MCP-Form zurück. Ein bekanntes Beispiel ist der offizielle MCP-Server von GitHub: Er bietet Tools für Issues, Pull Requests und Repositorys an und nutzt dahinter die GitHub-APIs.

Für die Architektur heißt das: MCP und APIs stehen nicht in Konkurrenz, sondern übereinander. Die API bleibt die verbindliche Schnittstelle des Systems, mit Versionierung, Rate Limits und Zugriffsrechten. Der MCP-Server ist ein Adapter für KI-Anwendungen. Wer bereits eine saubere, dokumentierte API hat, kann einen MCP-Server mit überschaubarem Aufwand darüber legen. Wer keine hat, sollte dort anfangen. Wie sich Schnittstellen planen, absichern und über ihren Lebenszyklus pflegen lassen, ist Gegenstand unserer Beratung und Seminare zum API-Management.

Angenommen, ein Mittelständler stellt seinen Kundenservice auf einen KI-Assistenten um. Ein sinnvoller Weg wäre: Die vorhandene REST-API des ERP-Systems bleibt unverändert. Darüber entsteht ein kleiner MCP-Server mit drei oder vier Tools, die genau die Aufgaben des Service abbilden, etwa Bestellstatus prüfen oder eine Rücksendung anlegen. Die Rechte des Servers sind auf diese Aufgaben beschränkt, schreibende Aktionen muss ein Mensch bestätigen.

Spezifikation und Governance: Wer MCP weiterentwickelt

MCP ist kein Produkt eines einzelnen Anbieters mehr. Die Spezifikation ist öffentlich und wird über Vorschläge (Specification Enhancement Proposals) weiterentwickelt. Im Dezember 2025 hat Anthropic das Projekt an die neu gegründete Agentic AI Foundation unter dem Dach der Linux Foundation übergeben, an der neben Anthropic unter anderem OpenAI und Block beteiligt sind.

Die Versionen tragen ein Datum statt einer Nummer. Wichtige Stationen waren:

  • 2024-11-05: erste veröffentlichte Fassung mit Tools, Ressourcen und Prompts sowie den Transporten stdio und HTTP mit Server-Sent Events.
  • 2025-03-26: Streamable HTTP als neuer Transport und ein Autorisierungsrahmen auf Basis von OAuth 2.1.
  • 2025-06-18: strukturierte Tool-Ergebnisse, Elicitation und schärfere Sicherheitsregeln für die Autorisierung; die zuvor eingeführte Bündelung mehrerer Anfragen (JSON-RPC-Batching) wurde wieder entfernt.
  • 2025-11-25: unter anderem experimentelle Tasks für länger laufende Vorgänge und ein vereinfachtes Verfahren zur Registrierung von Clients.
  • 2026-07-28: zustandsloser Kern ohne Initialisierung und ohne Sitzungen auf Protokollebene; Tasks wandern als offizielle Erweiterung aus dem Kern. Sampling, Roots und Logging sowie die dynamische Client-Registrierung gelten als abgekündigt.

Bis 2025-11-25 handelten Client und Server die Version beim Verbindungsaufbau aus, seit 2026-07-28 nennt jede Anfrage ihre Version. In der Praxis unterstützen nicht alle Hosts und SDKs sofort die jüngste Fassung. Welche Version aktuell ist, steht in der offiziellen Spezifikation. Für Projekte heißt das: Bei der Auswahl von Hosts und Servern prüfen, welche Version und welche Funktionen tatsächlich unterstützt werden, statt sich auf die Angabe „unterstützt MCP“ zu verlassen.

Sicherheit: Was ein MCP-Server darf und was nicht

Mit MCP bekommt ein Sprachmodell Zugriff auf echte Systeme. Das verschiebt die Sicherheitsfrage. Bei einer klassischen API entscheidet Code, den ein Mensch geschrieben und geprüft hat, welche Anfrage gesendet wird. Bei MCP entscheidet das Modell, und das Modell lässt sich durch Text beeinflussen.

Die wichtigsten Risiken:

  • Prompt Injection: Ein Tool liefert Inhalte zurück, etwa eine E-Mail oder eine Webseite, in denen versteckte Anweisungen stehen. Das Modell hält sie womöglich für Aufträge und ruft daraufhin andere Tools auf, im schlimmsten Fall, um Daten nach außen zu senden.
  • Manipulierte Tool-Beschreibungen: Die Beschreibung eines Tools landet direkt im Kontext des Modells. Ein bösartiger oder kompromittierter Server kann dort Anweisungen unterbringen oder seine Beschreibungen nachträglich ändern.
  • Zu weite Rechte: Ein lokaler Server über stdio läuft mit den Rechten der angemeldeten Person. Ein Server, der „Dateien lesen“ anbietet, kann oft mehr lesen als nötig.
  • Token-Weitergabe: Die Spezifikation verbietet, dass ein Server Zugriffstoken annimmt, die nicht für ihn ausgestellt wurden, und sie einfach an nachgelagerte APIs durchreicht. Wer eigene Server baut, sollte diese Regel kennen.
  • Lieferkette: Viele Server stammen aus offenen Verzeichnissen. Ein Server ist Code, der im Unternehmen ausgeführt wird, und verdient dieselbe Prüfung wie jede andere Abhängigkeit.

Daraus ergeben sich einige Grundregeln für den Betrieb: Server nur aus vertrauenswürdigen Quellen und in festgelegten Versionen einsetzen, Rechte auf das Nötigste beschränken, schreibende oder kostenpflichtige Aktionen von einem Menschen bestätigen lassen und Tool-Aufrufe protokollieren. Für personenbezogene Daten gilt die DSGVO unabhängig vom Protokoll: Wer Kundendaten über einen MCP-Server an ein Sprachmodell gibt, braucht eine Rechtsgrundlage und muss wissen, wo das Modell betrieben wird. Wie Teams solche Fragen strukturiert angehen, ist Thema des Seminars Datenschutz und IT-Sicherheit.

Wann sich MCP lohnt und wann eine direkte API-Anbindung genügt

MCP spielt seine Stärken aus, wenn ein Sprachmodell selbst entscheiden soll, welche Daten und Funktionen es nutzt, und wenn mehrere KI-Anwendungen auf dieselben Systeme zugreifen. Das gilt etwa für Assistenten im Kundenservice, für interne Wissensassistenten oder für Coding-Agenten, die mit Repository, Ticketsystem und Dokumentation arbeiten. Ein MCP-Server, der einmal sauber gebaut ist, lässt sich dann in verschiedenen Hosts wiederverwenden.

Eine direkte API-Anbindung ist die bessere Wahl, wenn der Ablauf feststeht. Ein Programm, das jede Nacht Bestellungen aus dem Shop ins ERP überträgt, braucht kein Sprachmodell und kein MCP. Auch wenn eine KI-Anwendung nur eine einzige Funktion braucht, genügt oft das Function Calling des jeweiligen Modellanbieters, also die eingebaute Möglichkeit, dem Modell Funktionen direkt zu beschreiben.

Unsere Einschätzung: Für Unternehmen, die KI-Assistenten an mehr als ein internes System anbinden wollen, lohnt es sich, MCP von Anfang an einzuplanen. Die eigentliche Arbeit steckt aber nicht im Protokoll, sondern darunter: in verlässlichen APIs, klaren Berechtigungen und gut beschriebenen Tools. Wer dafür Unterstützung sucht, findet sie bei der API-Integration und Backend-Entwicklung von MARTINSFELD.

Häufige Fragen zu MCP und APIs

Ersetzt MCP REST-APIs?

Nein. MCP ist eine Schicht für KI-Anwendungen, die meist auf bestehenden APIs aufsetzt. Systeme untereinander, mobile Apps oder Webfrontends kommunizieren weiterhin über klassische Schnittstellen.

Muss jeder MCP-Server selbst programmiert werden?

Nein. Für viele verbreitete Dienste gibt es fertige Server, oft vom Anbieter selbst. Eigene Server lohnen sich für interne Systeme oder wenn Sie die angebotenen Tools gezielt auf Ihre Aufgaben zuschneiden wollen. Offizielle SDKs gibt es unter anderem für TypeScript, Python, Java und C#.

Ist MCP sicher genug für Unternehmensdaten?

Das Protokoll bringt Bausteine wie die OAuth-basierte Autorisierung mit. Die Sicherheit hängt aber vor allem vom Betrieb ab: welche Server zugelassen sind, welche Rechte sie haben und welche Aktionen ein Mensch bestätigen muss. Ohne diese Regeln ist MCP so unsicher wie jede andere Anbindung mit weitreichenden Rechten.

Was ist der Unterschied zwischen MCP und Function Calling?

Function Calling ist eine Funktion des Modellanbieters: Die Anwendung beschreibt dem Modell in einer Anfrage, welche Funktionen es aufrufen darf. MCP standardisiert, woher diese Beschreibungen kommen und wie der Aufruf beim Zielsystem ankommt. In vielen Hosts arbeiten beide zusammen: Der Host liest die Tools vom MCP-Server und reicht sie per Function Calling an das Modell weiter.

Mehr aus „KI & Machine Learning“

Jev: Was ein KI-Modell für schnelles Denken anders macht als ChatGPT

Das System-1-KI-Modell Jev schreibt keinen Text, sondern beantwortet Fragen mit kalibrierten Wahrscheinlichkeiten. Wie das funktioniert und wofür es taugt.

mehr erfahren

KI-Agenten verstehen: MCP, A2A, AG-UI und A2UI einfach erklärt

MCP, A2A, AG-UI und A2UI verständlich erklärt: Wie KI-Agenten Werkzeuge nutzen, miteinander arbeiten und Oberflächen erzeugen – und wer die Standards betreut.

mehr erfahren

KI-Agenten in der Schleife: Loops in Claude Code und Codex

Was ein Loop bei KI-Agenten ist, welche Auslöser es gibt und wie Sie geplante Aufgaben in Claude Code und Codex mit Kostenkontrolle einrichten.

mehr erfahren

Agentic Engine Optimization: Websites für KI-Agenten lesbar machen

Agentic Engine Optimization: Wie KI-Assistenten Ihre Website abrufen, welche Rolle robots.txt, llms.txt und strukturierte Daten spielen – und was belegt ist.

mehr erfahren

Claude Skills für Einsteiger: eigene KI-Workflows aufbauen

Claude Skills bündeln wiederkehrende Anweisungen in einer SKILL.md-Datei. So bauen Sie Skills auf und installieren sie in Claude und Claude Code.

mehr erfahren

Claude Code richtig nutzen: 15 Funktionen, die Profis kennen sollten

Claude Code kann mehr als chatten: So setzen Sie CLAUDE.md, Subagenten, Hooks, Skills, MCP und den Headless-Modus gezielt im Entwickleralltag ein.

mehr erfahren

Weitere Blog-Artikel

Die Zukunft von VBA in Microsoft 365: Alternativen und Migration

VBA läuft in Microsoft 365 weiter, wird aber nicht mehr ausgebaut. Welche Alternativen es gibt und wie Sie Ihre Makros schrittweise und geordnet ablösen.

mehr erfahren

KI im Wandel: Wohin sich künstliche Intelligenz entwickelt

Welche Entwicklungen bei KI-Modellen, Chips, Energie, Agenten und Regulierung wirklich zählen und wie Sie belastbare Trends von bloßen Prognosen unterscheiden.

mehr erfahren

Programmierparadigmen verstehen: OOP und FP im Vergleich

Objektorientierte und funktionale Programmierung im Vergleich: was beide Paradigmen ausmacht, wo ihre Stärken liegen und wie Sie sie im Alltag kombinieren.

mehr erfahren

Frontend-Architektur: So bleiben Webanwendungen langfristig wartbar

Frontend-Architektur entscheidet, ob eine Webanwendung nach Jahren noch änderbar ist. Welche Regeln für Module, Zustand, Abhängigkeiten und Tests sich bewähren.

mehr erfahren

Local-First Software: Wie dezentrale Anwendungen funktionieren

Local-First Software speichert Daten zuerst auf dem Gerät und gleicht sie später ab. Wie CRDTs, Automerge und Yjs funktionieren und wann sich das lohnt.

mehr erfahren

Code-Kommentare oder selbstdokumentierender Code: Wann was hilft

Code-Kommentare oder selbstdokumentierender Code? Wann Sie Code besser umbauen, wann ein Kommentar das Warum festhält und welche Rolle Tests und ADRs spielen.

mehr erfahren

Aktuelle Blog-Artikel

PHP-Migration nach PHP2Shell: Upgrade oder Sprachwechsel?

PHP2Shell und das Support-Ende von PHP 8.2: Was Sie jetzt patchen sollten, wie ein Upgrade auf 8.4 oder 8.5 gelingt und wann ein Sprachwechsel sinnvoll ist.

mehr erfahren

Jev: Was ein KI-Modell für schnelles Denken anders macht als ChatGPT

Das System-1-KI-Modell Jev schreibt keinen Text, sondern beantwortet Fragen mit kalibrierten Wahrscheinlichkeiten. Wie das funktioniert und wofür es taugt.

mehr erfahren

Node.js ohne Ballast: 12 Bordmittel, die npm-Pakete ersetzen

Von fetch() über node:test bis Type Stripping: zwölf Node.js-Funktionen, die axios, dotenv, Jest und Co. ersetzen, mit Status in Node 24 und 26 und Grenzen.

mehr erfahren

KI-Agenten verstehen: MCP, A2A, AG-UI und A2UI einfach erklärt

MCP, A2A, AG-UI und A2UI verständlich erklärt: Wie KI-Agenten Werkzeuge nutzen, miteinander arbeiten und Oberflächen erzeugen – und wer die Standards betreut.

mehr erfahren

Rusts Lieferkette unter Beschuss: Warum ein Angriff nur der Anfang war

Ein Angriff auf Rust-Pakete war im August 2026 schnell gestoppt, das Grundproblem bleibt. Wie crates.io angreifbar ist und was Sie heute dagegen tun können.

mehr erfahren

Webentwicklung ohne SPA: Eine Web-App mit V, Veb, SQLite und htmx

Am Beispiel der Meetup-Plattform Clash zeigt sich, wie eine Web-App mit V, Veb, SQLite und htmx ohne SPA-Framework entsteht und wo der Ansatz an Grenzen stößt.

mehr erfahren

React-Performance: Warum weniger Optimierung mehr Tempo bringt

React-Performance heute: Wie Sie mit State am richtigen Ort, dem React Compiler, Transitions, Virtualisierung und Messung Ihre Anwendung spürbar beschleunigen.

mehr erfahren

React-Komponenten verbinden: Welcher Weg passt wann?

Props, Context, Zustand, TanStack Query, URL-Parameter oder Ereignisse: So wählen Sie den passenden Weg, damit zwei React-Komponenten Daten austauschen.

mehr erfahren

KI-Agenten in der Schleife: Loops in Claude Code und Codex

Was ein Loop bei KI-Agenten ist, welche Auslöser es gibt und wie Sie geplante Aufgaben in Claude Code und Codex mit Kostenkontrolle einrichten.

mehr erfahren

JavaScript 2026: Bun, Deno und TypeScript 7 läuten eine neue Ära ein

Node.js, Bun und Deno im Wettbewerb, TypeScript 7 mit Compiler in Go, Build-Werkzeuge in Rust: Was sich 2026 bei JavaScript ändert und was Sie davon übernehmen.

mehr erfahren

npm-Pakete sicher prüfen: So bewerten Sie ein Paket vor dem Einbau

npm-Pakete sicher prüfen: wie Sie Name, Wartung, Provenance, Install-Skripte, bekannte Lücken und Lizenz bewerten, bevor ein Paket in Ihr Projekt kommt.

mehr erfahren

npm install unter der Lupe: Wie Angreifer die Lieferkette kapern

Was npm install technisch tut, welche Angriffsmuster von Typosquatting bis Dependency Confusion es ausnutzen und wie Sie das Installieren absichern.

mehr erfahren

Programmiersprachen und KI: Warum Rust für Code-Agenten so gut passt

KI-Agenten schreiben in Rust oft verlässlicheren Code, weil der Compiler viele Fehler sofort meldet. Was dahinter steckt und wo das Argument endet.

mehr erfahren

Pi Agent vs. Claude Code: minimaler Open-Source-Agent im Vergleich

Pi Agent und Claude Code im Vergleich: Architektur, Erweiterungen, Modellwahl, Lizenz, Kosten und Sicherheit. Für wen sich der Open-Source-Agent lohnt.

mehr erfahren

Agentic Engine Optimization: Websites für KI-Agenten lesbar machen

Agentic Engine Optimization: Wie KI-Assistenten Ihre Website abrufen, welche Rolle robots.txt, llms.txt und strukturierte Daten spielen – und was belegt ist.

mehr erfahren

Claude Skills für Einsteiger: eigene KI-Workflows aufbauen

Claude Skills bündeln wiederkehrende Anweisungen in einer SKILL.md-Datei. So bauen Sie Skills auf und installieren sie in Claude und Claude Code.

mehr erfahren

Claude Code richtig nutzen: 15 Funktionen, die Profis kennen sollten

Claude Code kann mehr als chatten: So setzen Sie CLAUDE.md, Subagenten, Hooks, Skills, MCP und den Headless-Modus gezielt im Entwickleralltag ein.

mehr erfahren

Claude Code für Einsteiger: vom Terminal zur fertigen Anwendung

Claude Code arbeitet im Terminal direkt mit Ihren Dateien. So gelingen Installation, erste Aufträge, Planmodus, Skills und MCP auch ohne Programmiererfahrung.

mehr erfahren

OpenClaw im Praxistest: vom Chatbot zum digitalen Assistenten

OpenClaw macht ein Sprachmodell zum selbst gehosteten Agenten mit Zugriff auf Rechner und Messenger. Aufbau, Einrichtung, Skills und Sicherheitsregeln.

mehr erfahren

Das Ende der Menüs: Wie KI die digitale Arbeitsumgebung verändert

Seit Jahrzehnten bedienen wir Computer über Fenster, Menüs und Ordner. KI-Agenten verschieben das zu Aufträgen in Alltagssprache. Was sich ändert und was nicht.

mehr erfahren

Microsoft und Rust: Was hinter dem Ziel „C und C++ bis 2030“ steckt

Microsoft nutzt Rust im Windows-Kernel, der Ersatz von C und C++ bis 2030 ist aber ein Forschungsziel. Was belegt ist und was es für Entwickler bedeutet.

mehr erfahren

TanStack Start: Das React-Framework als Alternative zu Next.js

TanStack Start ist ein Fullstack-Framework für React auf Basis von TanStack Router und Vite. Was es kann und wann es eine Alternative zu Next.js ist.

mehr erfahren

Die Ralph-Wiggum-Technik: KI-Coding-Agenten, die nicht aufgeben

Die Ralph-Wiggum-Technik lässt einen Coding-Agenten denselben Auftrag wiederholen, bis die Tests bestehen. Wie sie funktioniert und worauf Sie achten sollten.

mehr erfahren

Warum KI Entwickler nicht ersetzt, aber ihre Rolle verändert

KI-Assistenten schreiben heute viel Code. Warum Fachwissen trotzdem wichtiger wird und welche Fähigkeiten Entwickler:innen jetzt gezielt ausbauen sollten.

mehr erfahren

Von Node.js zu Bun: Next.js-Projekte schrittweise umstellen

Wie Sie Bun in Next.js einsetzen: von bun install über bun --bun next dev bis zum Deployment. Was dabei schneller wird, was nicht und was Sie vorher prüfen.

mehr erfahren

Bun erklärt: JavaScript-Laufzeit, Paketmanager und Bundler in einem

Bun ist Laufzeitumgebung, Paketmanager, Bundler und Testrunner in einem. Wie es funktioniert, wie kompatibel es zu Node.js ist und für wen es sich lohnt.

mehr erfahren

KI-Agenten richtig anleiten: Spezifikationen, die funktionieren

Spezifikationen für KI-Coding-Agenten wie Claude Code oder GitHub Copilot: welche Angaben hineingehören, wie Sie Aufgaben aufteilen und Grenzen setzen.

mehr erfahren

Was ist .NET? Die Microsoft-Plattform einfach erklärt

.NET ist Microsofts quelloffene Entwicklungsplattform für Web, Cloud, Desktop und Apps. Sie erfahren, wie Laufzeit, SDK und Versionen zusammenhängen.

mehr erfahren

Künstliche Intelligenz 2026: Vom Chatbot zum digitalen Kollegen

Rückblick auf den KI-Ausblick vom Januar 2026: acht erwartete Trends von Multi-Agenten-Systemen über physische KI und EU AI Act bis zu Quanten-Utility.

mehr erfahren

KI-Jahr 2025: Vier Erkenntnisse und ein Ausblick auf 2026

Rückblick vom Januar 2026 auf das KI-Jahr 2025: vier Entwicklungen von unauffälligen Agenten bis zum Chipmangel und was sie damals für 2026 erwarten ließen.

mehr erfahren

REST und Event-Streams: Wann sich ereignisbasierte Backends lohnen

REST oder Event-Streams? Wie sich Request/Response und Publish/Subscribe unterscheiden, wann Kafka, SSE oder WebSockets passen und wo REST richtig bleibt.

mehr erfahren

Shai-Hulud 2.0: Wie sich ein Wurm im November 2025 durch npm fraß

Shai-Hulud 2.0 einfach erklärt: Rückblick auf den npm-Wurm vom November 2025, wie er Zugangsdaten stahl, sich selbst verbreitete und wie Sie sich schützten.

mehr erfahren

HTMX: Moderne Webanwendungen ohne JavaScript-Framework bauen

HTMX lädt Inhalte nach, sendet Formulare und tauscht Seitenteile per HTML-Attribut aus. Die Anleitung zeigt Browser- und Serverseite und den Stand von HTMX 4.

mehr erfahren

Electron vs. Tauri: Desktop-Apps mit Webtechnik im Vergleich

Electron bringt Chromium und Node.js mit, Tauri nutzt den Webview des Systems und einen Kern in Rust. Der Vergleich zeigt, wann sich welches Framework eignet.

mehr erfahren

Architekturkompetenz im KI-Zeitalter: Was Full-Stack heute heißt

Wenn KI-Werkzeuge Code schreiben, verschiebt sich die Arbeit zu Architekturentscheidungen. Welche Fähigkeiten zählen und wie Sie sie gezielt aufbauen.

mehr erfahren

Omarchy im Test: So macht Linux endlich wieder Spaß

Unser Test von Omarchy aus dem November 2025: Das Linux auf Basis von Arch und Hyprland setzt auf Tastatur, Kachelfenster und abgestimmte Themes.

mehr erfahren

JWT-Probleme: Warum Entwickler vor JSON Web Tokens warnen

JWT-Probleme im Überblick: Warum sich Tokens schwer widerrufen lassen, welche Prüffehler gefährlich sind und wann klassische Sessions die bessere Wahl sind.

mehr erfahren

7 KI-Begriffe erklärt: Von KI-Agenten bis Superintelligenz

Sieben KI-Begriffe von KI-Agenten über RAG und MCP bis Superintelligenz: was sie bedeuten, wie sie zusammenhängen und was davon für Unternehmen zählt.

mehr erfahren

Machine Learning verstehen: von den Grundlagen bis zu moderner KI

Machine Learning verständlich erklärt: welche Lernverfahren es gibt, wie Training mit Daten abläuft und wie Sie prüfen, ob ein Modell wirklich etwas taugt.

mehr erfahren

Scrum-Master-Rolle auf dem Prüfstand: ein Blick aus Architektursicht

Lohnt sich ein Scrum Master noch? Wir betrachten die Rolle aus Sicht der Softwarearchitektur, gleichen sie mit dem Scrum Guide 2020 ab und zeigen Alternativen.

mehr erfahren

Was dürfen wir für Sie tun?

So sind wir zu erreichen: