Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Einführung in MCP für Entwickler

Lektion 1 von 14 Aktualisiert am 2. November 2026 Entwickler
Auf dieser Seite
  1. Warum MCP ein Game-Changer für Entwickler ist
  2. Die Client-Server-Architektur
  3. Wie sich MCP vom Function Calling unterscheidet
  4. Die drei Protokoll-Primitive
  5. Der Entscheidungsfluss des Modells
  6. Ein schnell wachsendes Ökosystem
  7. Kernaussagen

Update vom 2. November 2026 — Le Chat ist nun Vibe. Seit dem 28. Mai 2026 wurde Le Chat in Vibe umbenannt (nach wie vor unter chat.mistral.ai): eine einzelne Agentenlösung für Arbeit und Code, die Ihre Gespräche, Einstellungen und Abonnements übernimmt. Die klassische Le Chat-Erfahrung bleibt im Chat-Modus zugänglich; im Work-Modus sind Agenten zu Fähigkeiten geworden (mit @ aufrufbar), Erinnerungen wurden zur Wissensbasis und die tiefe Suche zur Fähigkeit Deep Research. Die Pläne heißen nun Mistral Free, Pro, Team und Enterprise. Diese Lektion verwendet den Namen Vibe; einige hier beschriebene Menüs können andere Namen oder Standorte haben.

Warum MCP ein Game-Changer für Entwickler ist

Das Model Context Protocol (MCP) ist ein offener Standard, der definiert, wie KI-Anwendungen mit der Außenwelt interagieren. Vor MCP diktierte jedes Framework seine eigene Grammatik für die Deklaration und den Aufruf von Tools: LangChain hatte eine, CrewAI eine andere, und Mistral Agents sowie OpenAI Assistants weitere. In der Praxis musste ein Entwickler, der einen Connector für seine Abrechnungs-API in LangChain geschrieben hatte, diesen vollständig neu schreiben, damit er in CrewAI funktioniert, und dann ein drittes Mal für einen eigenen internen Agenten. Arbeit wurde bei jeder Werkzeugänderung dupliziert, und der Austausch von Tools zwischen Teams war ein Flickenteppich-Effort.

MCP löst dieses Problem mit einem einheitlichen Kommunikationsprotokoll zwischen einem KI-Client und Tool-Servern. Die beste Analogie ist ein USB-Anschluss: egal welcher Client – Claude, Vibe, Cursor oder VS Code – und egal welcher Server – GitHub, Notion oder Ihre interne API – das Verbindungsformat bleibt gleich. Sie schreiben Ihren Connector einmal, und er funktioniert überall.

Die Client-Server-Architektur

MCP stützt sich auf eine absichtlich einfache Client-Server-Architektur. Auf der einen Seite befindet sich der Client, die Anwendung, die die KI implementiert: ein Chatbot wie Mistrals Vibe oder Claude, eine Entwicklungsumgebung wie VS Code oder Cursor oder ein Agenten-SDK wie das Mistral Agent SDK oder das Claude Agent SDK. Auf der anderen Seite befindet sich der Server, das Programm, das dem Client Fähigkeiten – Tools, Ressourcen und Prompts – ausstellt.

Der gesamte Austausch zwischen beiden erfolgt in JSON. Der Client beginnt damit, den Server zu fragen, welche Tools er anbietet; der Server antwortet mit einer Textbeschreibung jedes einzelnen: Name, Parameter, Rolle und Rückgabeformat. Das Sprachmodell nutzt diese Beschreibung, und ausschließlich diese Beschreibung, um zu entscheiden, wann und wie ein Tool aufgerufen wird.

Client (Vibe)                 MCP Server (GitHub)
      |                              |
      |--- "Welche Tools haben Sie?" ->|
      |<-- JSON-Tool-Beschreibungen -----|
      |                              |
      |--- Aufruf: create_issue({}) --->|
      |<-- JSON-Ergebnis ---------------|

Wie sich MCP vom Function Calling unterscheidet

Klassisches Function Calling und MCP schließen sich nicht gegenseitig aus; sie ziehen lediglich die Grenze an unterschiedlichen Stellen. Beim Function Calling definieren Sie Tools auf der Client-Seite, übergeben sie an das Modell und verwalten deren Ausführung selbst – jedes Framework hat dabei sein eigenes Definitionsformat. Bei MCP leben die Tools auf einem Server, lokal oder remote; der Client kennt lediglich die Textbeschreibung, und der Server übernimmt die Ausführung.

Der entscheidende Vorteil ist die Wiederverwendbarkeit. Ein GitHub-MCP-Server, der einmal geschrieben wurde, lässt sich indifferent in Vibe, Claude, Cursor oder Ihr eigenes SDK integrieren, ohne dass eine einzige Zeile neu geschrieben werden muss. Dies ist es, was einen internen Connector zu einem teilbaren Baustein im Unternehmensmaßstab macht.

Die drei Protokoll-Primitive

MCP beschränkt sich nicht nur auf Tools. Das Protokoll definiert drei Arten von Fähigkeiten, die sich dadurch unterscheiden, was der Server tatsächlich bereitstellt. Tools sind ausführbare Funktionen: einen Ticket erstellen, eine E-Mail senden, eine API abfragen – das Modell löst sie aus, um in der Welt zu handeln. Ressourcen sind lesbare Daten – Dateien, Datenbanken, Dokumentation –, die der Client lesen kann, ohne eine Aktion auszulösen; das Ausstellen des Inhalts einer Konfigurationsdatei fällt in diese Kategorie, nicht Tools. Schließlich sind Prompts wiederverwendbare Prompt-Vorlagen mit Parametern: ein Team-Server kann so eine bewährte Code-Review-Anweisung verteilen, statt dass jeder sie aus dem Gedächtnis neu schreibt.

In der Praxis machen Tools etwa 90 % der aktuellen Anwendungsfälle aus: Sie sind das, womit Sie beginnen, und oft die einzigen Dinge, die Sie implementieren. Ressourcen und Prompts eröffnen jedoch Möglichkeiten, die wir in Lektion 3 im Detail erkunden werden.

Der Entscheidungsfluss des Modells

Wenn ein Benutzer dem Client eine Frage stellt, durchläuft das Modell einen fünfstufigen Zyklus:

  1. Es erhält die Frage und die Liste der verfügbaren Tools (MCP-Beschreibungen)
  2. Es entscheidet: Antwort direkt geben oder ein Tool aufrufen?
  3. Wenn es ein Tool aufruft, formuliert es die Argumente in JSON
  4. Der Server führt aus und gibt das Ergebnis zurück
  5. Das Modell integriert das Ergebnis und formuliert seine Antwort (oder ruft ein weiteres Tool auf)

Dieser Zyklus wiederholt sich so oft, wie die Aufgabe erfordert. Stellen Sie sich vor, ein Benutzer bittet darum, eine Beschwerde, die auf Reddit entdeckt wurde, in ein Entwicklungsticket umzuwandeln: Das Modell fragt Reddit ab, erstellt einen Eintrag in Linear und öffnet dann das entsprechende GitHub-Issue – drei Server hintereinander geschaltet, ohne dass der Benutzer die Chat-Oberfläche jemals verlässt.

Ein schnell wachsendes Ökosystem

Stand April 2026 sind hunderte MCP-Server verfügbar: GitHub, Notion, Slack, Gmail, PayPal, Hugging Face, Semgrep und viele andere. Wichtige KI-Clients unterstützen das Protokoll nativ. Noch wichtiger ist, dass Sie nicht darauf beschränkt sind, das Vorhandene zu konsumieren: Sie können Ihre eigenen Server erstellen, um Ihre internen Tools, geschäftliche Datenbanken oder benutzerdefinierte Verfahren auszustellen.

Genau dies ist das Ziel dieses Kurses: Ihnen zu ermöglichen, MCP-Server in Python zu verstehen, zu nutzen und zu bauen.

Kernaussagen

  • MCP ist ein offener Standard für die Client-Server-Kommunikation in KI
  • Er vereinheitlicht das fragmentierte Ökosystem des Function Calling
  • Die Architektur stützt sich auf einen Client (Chatbot, IDE, SDK) und einen Server (Tools, Ressourcen, Prompts)
  • Die Kommunikation erfolgt in JSON unter Verwendung von Textbeschreibungen
  • Ein MCP-Server ist über alle kompatiblen Clients hinweg wiederverwendbar