Was ist das Model Context Protocol und warum ist es wichtig?

Das Model Context Protocol (MCP) ist ein offener Standard, mit dem Large Language Models (LLMs) Datenquellen und andere externe Systeme verbinden können. Es bietet KI-Agenten einen einheitlichen Weg für den Zugriff auf Informationen von Drittanbietern – von Echtzeitdatenquellen bis zu Aktionen in externen Tools.

In diesem Artikel erklären wir das Model Context Protocol, seine Geschichte und warum es für die breitere Einführung und den Erfolg von KI-Systemen zentral geworden ist. Oder sehen Sie im Video unten, wie das ElevenLabs Host MCP funktioniert.

Zusammenfassung

• Das Model Context Protocol verbindet LLMs mit der Außenwelt und stellt Ressourcen bereit, die über ihre Trainingsdaten hinausgehen.
• MCP ermöglicht KI-Agenten, verbundene Server-Tools zur Laufzeit zu erkennen – anders als herkömmliche, fest codierte APIs.
• MCP löst das MxN-Problem: Sich ständig verändernde KI-Modelle benötigen jeweils eigene Verbindungen zu externen Systemen. MCP fungiert als universeller Übersetzer für diese Systeme.
• KI-Plattformen wie ElevenLabs können sowohl als MCP-Server als auch als Client arbeiten: Sie stellen Ressourcen bei Bedarf bereit oder orchestrieren die Aktionen anderer Dienste.
• KI-Agenten können mehrere MCP-Aufrufe verketten und so komplexe Workflows selbst mitten in einem Gespräch mit einem Nutzer ausführen.

Was ist das Model Context Protocol (MCP)?

Ein Protokoll ist wie eine vereinbarte Sprache, mit der unterschiedliche Computersysteme interagieren. MCP ist ein Protokoll, mit dem KI-Agenten Informationen aus externen Quellen abrufen oder Aktionen über externe Tools und Systeme ausführen können.

Large Language Models (LLMs) sind leistungsstarke Tools. Ihre Fähigkeit, in natürlicher Sprache zu interagieren, hat ihre Beliebtheit in Unternehmen und bei Verbrauchern stark wachsen lassen. Bei ihrem zunehmenden Einsatz in realen Umgebungen wurden jedoch zwei wesentliche Einschränkungen deutlich:

• Das Weltverständnis eines LLM ist auf den Zeitpunkt eingefroren, an dem seine Entwickler die Trainingsdaten erfasst haben.
• Ein Modell kann nicht nativ mit der Außenwelt und anderen Computersystemen interagieren.

Eine Hoffnung für LLMs war, KI-Agenten zu schaffen, mit denen wir in natürlicher Sprache interagieren können. Ein KI-Agent, der auf die Trainingsdaten eines Modells beschränkt ist und diese beiden dynamischen Fähigkeiten nicht hat, ist jedoch nur begrenzt nutzbar.

Anthropic entwickelte das Model Context Protocol , um die Kommunikation zwischen LLMs und externen Systemen zu standardisieren. Im November 2024 veröffentlichte Anthropic es als offenen Standard. Die meisten großen LLM-Entwickler übernahmen ihn schnell. Anschließend übergab Anthropic den Standard an die Agentic AI Foundation im Jahr 2025.

MCP ermöglicht Large Language Models, externe Datenquellen einzubinden, ihre Trainingsdaten zu ergänzen und präzisere, kontextbezogene und aktuellere Antworten auf Anfragen zu geben. Ein LLM-gestützter KI-Agent kann außerdem auf freigegebene externe Tools zugreifen und autonom handeln. 

Sie könnten einem Agenten zum Beispiel sagen: „Prüfe meinen Kalender auf freie Termine am kommenden Dienstag und kontaktiere dann den Auftragnehmer mit einem vorgeschlagenen Besprechungstermin.“ Der Agent prüft dann über MCP den Kalenderserver, verarbeitet die Ergebnisse und greift anschließend über MCP auf den E-Mail-Server zu, um die angeforderte Nachricht zu senden.

Wie funktioniert das Model Context Protocol?

Die Entwicklung des Model Context Protocol baute auf früheren Konzepten auf, etwa Tool Calling und Function Calling. Diese ermöglichen einem LLM, ein Schema für Serviceanfragen auszugeben, das externe Systeme über APIs verarbeiten. Für diese Methoden waren jedoch individuelle Verbindungen zwischen einem LLM und jedem externen System erforderlich.

MCP schafft ein standardisiertes, bidirektionales Kommunikationsmodell zum Senden und Empfangen von Daten aus externen Systemen.

Beim Start fragt ein KI-Agent alle verbundenen MCP-Server nach einem Katalog ihrer verfügbaren Datenquellen und Funktionen ab. Diesen Katalog übergibt er an das Kontextfenster des LLM – vergleichbar mit einem Kurzzeit-Arbeitsspeicher für die aktuelle Aufgabe.

Wenn Sie den Agenten dann um etwas bitten, entscheidet das zugrunde liegende LLM, ob es die Anfrage allein mit dem Wissen aus seinen Trainingsdaten erfüllen kann oder externe Ressourcen benötigt. Braucht es externe Unterstützung, prüft es seinen Katalog und kontaktiert über seine MCP-Verbindung das passende System. 

Das LLM prüft die externe Antwort und entscheidet, ob es Ihre Anfrage abschließen kann oder mehrstufige Aktionen ausführen muss – wie in unserem Kalender- und E-Mail-Beispiel.

MCP hilft, das MxN-Problem zu lösen

Ein universeller Kommunikationsstandard wie MCP war nötig, um das sogenannte MxN-Problem zu lösen. Wenn Sie M Agenten haben und jeder mit N externen Tools verbunden sein soll, müssen Sie MxN Punkt-zu-Punkt-Verbindungen pflegen. Bei nur wenigen KI-Agenten und externen Quellen ist das kein Problem. Mit steigenden Zahlen wird daraus jedoch schnell ein nicht tragfähiger Aufwand.

Durch die Standardisierung der gesamten Kommunikation in einem einzigen Protokoll ermöglicht MCP LLMs den Betrieb mit M+N-Verbindungen.

Kernarchitektur: MCP-Server und Clients erklärt

Ein KI-Agent verwendet einen MCP-Client, um mit externen Systemen zu kommunizieren. Damit der Agent mit einem externen System wie Kalender, E-Mail oder CRM kommunizieren kann, muss dieses über einen MCP-Server verfügbar sein.

ElevenLabs-Produkte sind sowohl als Clients als auch als Server verfügbar. Im Hintergrund ist es dieselbe Plattform, sie kann jedoch beide Rollen übernehmen.

Nutzen wir ElevenLabs als Beispiel, um die MCP-Architektur zu verstehen.

MCP-Server

Ein MCP-Server ist an ein externes System angebunden und stellt verbundenen MCP-Clients eine Liste verfügbarer Ressourcen und Tools bereit. Ressourcen können Dateien, Dokumente, Datenbanken oder Pipelines sein. Tools ermöglichen dem entfernten LLM, mit Assets im externen System zu interagieren.

Der von ElevenLabs gehostete MCP-Server gibt Claude und anderen KI-Assistenten Zugriff auf Verwaltungstools für ihre ElevenLabs-Agenten. Der Server ist verfügbar unter: 

https://api.elevenlabs.io/v1/mcp

Sie erstellen eine sichere Verbindung von Claude, ChatGPT oder einem anderen Assistenten zum Server über OAuth. Dieser Assistent ist ein MCP-Host und enthält MCP-Clients, die die Verbindung verwalten. Über den Assistenten können Sie dann Agenten mit einfachen Eingaben in natürlicher Sprache erstellen und verwalten sowie ihre Leistung prüfen.

Beispiel-Prompts

• „Erstelle einen Kundenservice-Agenten für unser E-Commerce-Portal. Er soll einen professionellen, aber positiven Ton beibehalten.“
• „Dupliziere meinen Kundensupport-Agenten und ändere seine Standardsprache auf Spanisch.“
• „Führe einen Kostenvergleich pro Gespräch für meinen spanischsprachigen Agenten in Gemini 3.5 Flash Lite und 3.8 Flash durch.“

MCP-Client

Ein MCP-Client ist eine dedizierte Verbindung zu einem bestimmten MCP-Server. Er befindet sich in einem MCP-Host, und ein Host kann mehrere MCP-Client-Server-Verbindungen haben. In unserem obigen Beispiel war Claude der Host.

Clients senden Anfragen nach Tools und Ressourcen über strukturierte JSON-RPC-Aufrufe an Server. Da Anfragen über das MCP-Protokoll übersetzt werden, muss der Host die zugrunde liegenden Konfigurationsdetails der am Server angebundenen Tools nicht verstehen.

ElevenLabs kann auch als MCP-Client fungieren. In diesem Setup verbinden Sie über Ihren ElevenLabs-Workspace einen Agenten mit einem externen MCP-Server, zum Beispiel Zapier MCP. So können Sie Ihren Agenten mit Hunderten verschiedener Tools und Dienste verbinden.

Angenommen, Sie erstellen einen ElevenLabs-Kundenservice-Agenten. Sie möchten ihm sicheren Zugriff auf Kontodaten Ihrer Kunden in Salesforce geben, damit er sinnvolle Fragen beantworten kann. Fragt ein Kunde dann nach einer früheren Bestellung oder dem Status einer Retourenanfrage, sendet der Agent über MCP eine Abfrage an den Zapier-Server. 

Dieser übersetzt die Abfrage in eine Anfrage, die Salesforce versteht, und gibt die Ergebnisse zurück, die Ihr ElevenLabs-Agent Ihrem Kunden mitteilt.

MCP und herkömmliche APIs: Was ist der Unterschied?

Herkömmliche APIs erfüllen eine ähnliche Aufgabe und ermöglichen die Kommunikation zwischen Client- und Serversystemen. In einer einfachen Anfrage-Antwort-Struktur müssen Sie jedoch die meisten Parameter fest codieren. Das funktioniert gut bei der Verbindung konventioneller Softwaresysteme, ist aber vor allem wegen des bereits erläuterten MxN-Problems für komplexe, KI-gestützte Workflows nicht praktikabel. 

Statt fest codierte Endpunkte zu erstellen, über die Systeme Anfragen austauschen, setzt MCP auf APIs auf und bietet LLMs eine vollständig maschinenlesbare Schnittstelle. Die Verbindungen sind nicht vorgegeben. Eine KI kann eigene komplexe Abfragen erstellen und ein passendes Kontextverständnis entwickeln.

Wichtige Vorteile von MCP für KI-Integrationen

Die Veröffentlichung des Model Context Protocol hat KI-Agenten eine breite Palette neuer Funktionen und Fähigkeiten eröffnet. 

Es bietet mehrere konkrete Vorteile:

• Standardisierung
• Flexible Tool-Erkennung und Abfragen
• Bessere KI-Automatisierung
• Komplexes agentisches Verhalten
• Höhere Genauigkeit der Antworten

Sehen wir uns diese Punkte genauer an.

Standardisierung

Vor MCP war es möglich, LLMs mit externen Systemen zu verbinden, aber der Aufwand war hoch. Sie mussten individuelle Verbindungen zwischen jedem einzelnen Modell und jeder Ressource erstellen. Daher das MxN-Problem.

MCP bietet eine gemeinsame Sprache, die alle LLMs zur Interaktion mit praktisch jedem verbindbaren System nutzen können. Dadurch lassen sich neue Verbindungen deutlich einfacher und schneller entwickeln. Auch Client- und Serverkonfigurationen sind modellübergreifend wesentlich einheitlicher. Sie müssen eine MCP-Verbindung nicht bei jeder Modellaktualisierung von Grund auf neu schreiben.

Flexible Tool-Erkennung und Abfragen

Früher mussten Sie API-Endpunkte für jede externe Verbindung eines KI-Agenten fest codieren. Fügte ein Entwickler einer Datenbank ein Feld hinzu, mussten Sie die API neu erstellen, damit es funktionierte.

MCP ermöglicht Agenten, externe Ressourcen zur Laufzeit zu erkennen. Anders gesagt: Die Ressourcen existieren, und sobald ein Agent sie benötigt, kann er herausfinden, was verfügbar ist. Sie können einem MCP-Server ein Tool hinzufügen, und die verbundenen KI-Agenten erkennen es beim nächsten Durchlauf. Sie müssen keinen Code schreiben, um die Verbindung zu aktualisieren.

Bessere KI-Automatisierung

LLMs kennen standardmäßig nur ihre Trainingsdaten und können nicht mit der Außenwelt interagieren. MCP gibt ihnen die Möglichkeit, aktuelle Informationen aufzunehmen und Tools jedes verbundenen Systems mit MCP-Server aufzurufen.

Komplexes agentisches Verhalten

Tools und Funktionen aufzurufen, gehört seit Jahren zu den Fähigkeiten von LLMs. Diese boten jedoch nur eingeschränkten Zugang zu externen Tools. Da MCP standardisiert, universell und flexibel ist, können KI-Modelle mehrere MCP-Aufrufe zu längeren, komplexen Abfragen verknüpfen. Zum Beispiel können sie ein CRM auf aktuelle Kundeninformationen prüfen, den Kalender auf freie Termine überprüfen und dem Kunden anschließend per E-Mail einen Zeitraum für ein Folgegespräch vorschlagen.

Höhere Genauigkeit der Antworten

Large Language Models können aufgrund ihrer Funktionsweise gelegentlich Antworten halluzinieren. Sie sind Vorhersage-Engines, die anhand der Kontextinformationen die wahrscheinlichste Antwort ausgeben. Wenn Sie einem LLM eine Frage stellen, deren Antwort auf Echtzeitinformationen beruht, erhalten Sie eher eine halluzinierte Antwort, wenn keine geeigneten Leitplanken vorhanden sind.

Das MCP-Protokoll ermöglicht LLMs, sich mit realen Daten-Repositories und Tools zu verbinden, die die Live-Informationen liefern, die sie für präzise Antworten benötigen.

MCP-Anwendungen und praktische Anwendungsfälle

Das Model Context Protocol ist eine standardisierte Brücke, über die KI-Agenten mit einer beliebigen Zahl externer Systeme kommunizieren können. 

So können Sie MCP in verschiedenen Branchen und Workflows einsetzen.

Agenten per Chat konfigurieren

Das Testen und Optimieren von Conversational Bots erfordert meist den Wechsel zwischen mehreren Dashboards und Konsolen. Der gehostete MCP-Server von ElevenLabs in Claude ermöglicht Ihnen, Ihre Voice-Infrastruktur direkt über eine Chat-Oberfläche in natürlicher Sprache zu verwalten.

Kontextbewusste Coding-Assistenten

Coding-Assistenten funktionieren am besten, wenn sie proprietäre Architekturdesigns und Vorfallhistorien tiefgehend im Kontext verstehen. Mit konventionellen Methoden ist das schwer zu ermöglichen.

MCP-verbundene Entwicklungsumgebungen können relevante Repositories einbinden, damit Ihre Coding-Assistenten den realen Kontext verstehen, in dem sie Anwendungen entwickeln. Ihre Entwickler können Probleme schneller beheben, weil der Assistent bereits Abhängigkeiten im gesamten Codebestand erfassen konnte.

Workflows für Voice Agents während eines Anrufs

Bevor Large Language Models natürlichere Sprachinteraktionen ermöglichten, mussten konventionelle Voice Bots starren Flussdiagramm-Skripten folgen, um mit Kunden zu interagieren. Außerdem konnten sie keine Echtzeitdaten nutzen.

Conversational Bots können jetzt MCP nutzen, um Backend-Systeme für alle Kontoinformationen aufzurufen, die zur Bearbeitung von Kundenanfragen nötig sind. Bei Bedarf geschieht das in Echtzeit, während eines Gesprächs mit dem Kunden. 

Starten Sie mit ElevenAgents für eine nahtlose MCP-Integration

ElevenAgents bietet leistungsstarke Voice-Agent-Funktionen – sowohl als MCP-Server als auch als Client. 

Verbinden Sie Ihre ElevenLabs-Agenten mit externen MCP-Servern oder verwalten Sie sie über das gehostete MCP von Claude. Starten Sie noch heute mit MCP-gestützten ElevenLabs-Agenten oder erfahren Sie mehr über ElevenAgents.

Häufig gestellte Fragen zum Model Context Protocol