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

Das Model Context Protocol (MCP) ist ein offener Standard, mit dem sich Large Language Models (LLMs) mit Datenquellen und anderen externen Systemen verbinden können. Es bietet KI-Agenten einen einheitlichen Weg zum Zugriff auf Informationen von Drittanbietern – ob für Echtzeitdaten oder Aktionen mit externen Tools.

In diesem Artikel erklären wir das Model Context Protocol, seine Geschichte und warum es für die breite Einführung und den Erfolg von KI-Systemen zentral geworden ist. Oder erfahren Sie im folgenden Video, 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 programmierte APIs.
• MCP löst das MxN-Problem: Sich ständig verändernde KI-Modelle benötigen jeweils eigene Verbindungen zu externen Systemen. MCP dient als universeller Übersetzer für diese Systeme.
• KI-Plattformen wie ElevenLabs können sowohl als MCP-Server als auch als Client arbeiten, Ressourcen bei Bedarf bereitstellen oder die Aktionen anderer Dienste orchestrieren.
• KI-Agenten können mehrere MCP-Aufrufe verknüpfen und selbst während eines Gesprächs mit Nutzern komplexe Workflows ausführen.

Was ist das Model Context Protocol (MCP)?

Ein Protokoll ist wie eine vereinbarte Sprache, mit der unterschiedliche Computersysteme interagieren. MCP ermöglicht KI-Agenten, Informationen aus externen Quellen abzurufen oder Aktionen mit externen Tools und Systemen auszuführen.

Large Language Models (LLMs) sind leistungsstarke Tools. Ihre Fähigkeit zur Interaktion in natürlicher Sprache hat ihre Popularität im Unternehmens- und Endkundenbereich stark wachsen lassen. Doch im praktischen Einsatz wurden zwei wesentliche Einschränkungen deutlich:

• Das Weltverständnis eines LLM ist auf den Zeitpunkt begrenzt, 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. Doch ein KI-Agent, der auf die Trainingsdaten eines Modells beschränkt ist und diese beiden dynamischen Fähigkeiten nicht besitzt, ist nur begrenzt nutzbar.

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

MCP ermöglicht Large Language Models, externe Datenquellen zur Ergänzung ihrer Trainingsdaten einzubinden und genauere, kontextbezogene sowie aktuellere Antworten auf Anfragen zu geben. Ein LLM-gestützter KI-Agent kann zudem auf freigegebene externe Tools zugreifen, um eigenständig zu handeln. 

Sie könnten einem Agenten beispielsweise sagen: „Prüfe meinen Kalender nächsten Dienstag auf freie Zeitfenster und kontaktiere dann den Auftragnehmer mit einem Terminvorschlag.“ Der Agent prüft über MCP den Kalender-Server, verarbeitet die Ergebnisse und greift anschließend über MCP auf den E-Mail-Server zu, um die gewünschte Nachricht zu senden.

Wie funktioniert das Model Context Protocol?

Die Entwicklung des Model Context Protocol baut auf früheren Konzepten auf, etwa Tool Calling und Function Calling. Damit kann ein LLM ein Schema für Service-Anfragen ausgeben, das externe Systeme über APIs verarbeiten. Diese Methoden erforderten jedoch individuelle Verbindungen zwischen einem LLM und jedem externen System.

MCP schafft ein standardisiertes, bidirektionales Kommunikationsmodell für das Senden und Empfangen von Daten externer Systeme.

Beim Start fragt ein KI-Agent alle verbundenen MCP-Server nach einem Katalog ihrer verfügbaren Datenquellen und Funktionen ab. Diesen Katalog speist er in das Kontextfenster des LLM ein, das wie ein Kurzzeit-Arbeitsspeicher für die aktuelle Aufgabe funktioniert.

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

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

MCP hilft, das MxN-Problem zu lösen

Ein universeller Kommunikationsstandard wie MCP war nötig, um das von Ingenieuren so genannte MxN-Problem zu lösen. Wenn Sie M Agenten haben und jeder mit N externen Tools verbunden werden soll, müssen Sie MxN Punkt-zu-Punkt-Verbindungen verwalten. Bei wenigen KI-Agenten und externen Quellen ist das kein Problem. Steigen diese Zahlen jedoch, wird der Aufwand schnell untragbar.

MCP ermöglicht LLMs, mit M+N-Verbindungen zu arbeiten, indem es die gesamte Kommunikation in einem einzigen Protokoll standardisiert.

Kernarchitektur: MCP-Server und -Clients erklärt

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

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

Nutzen wir dies 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 über OAuth von Claude, ChatGPT oder einem anderen Assistenten zum Server. Dieser Assistent ist ein MCP-Host und enthält MCP-Clients, die die Verbindung verwalten. Über den Assistenten können Sie 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 professionell, aber positiv formulieren.“
• „Dupliziere meinen Kundensupport-Agenten und ändere seine Standardsprache auf Spanisch.“
• „Führe für meinen spanischsprachigen Agenten einen Kostenvergleich pro Gespräch 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, der mehrere MCP-Client-Server-Verbindungen haben kann. 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 an den 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, etwa Zapier MCP. So können Sie Ihren Agenten mit Hunderten verschiedenen Tools und Diensten verbinden.

Angenommen, Sie erstellen einen ElevenLabs-Kundenservice-Agenten. Er soll sicher auf Kontodaten Ihrer Kunden in Salesforce zugreifen, um ihre Fragen sinnvoll beantworten zu können. Fragt ein Kunde dann nach einer früheren Bestellung oder dem Status einer Rücksendeanfrage, 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 dem Kunden mitteilt.

MCP und traditionelle APIs: Was ist der Unterschied?

Traditionelle APIs erfüllen eine ähnliche Aufgabe und ermöglichen die Kommunikation zwischen Client- und Server-Systemen. Die meisten Parameter müssen jedoch in einer einfachen Anfrage-Antwort-Struktur fest programmiert werden. Das funktioniert bei herkömmlichen Softwaresystemen gut, ist aber vor allem wegen des bereits erläuterten MxN-Problems für komplexe KI-gestützte Workflows nicht praktikabel. 

Statt fest programmierte Endpunkte zu erstellen, über die Systeme Anfragen austauschen, arbeitet 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 Antwortgenauigkeit

Sehen wir uns diese genauer an.

Standardisierung

Vor MCP war es möglich, LLMs mit externen Systemen zu verbinden, aber der Aufwand war hoch. Für jedes Modell und jede Ressource mussten individuelle Verbindungen erstellt werden. Daher das MxN-Problem.

MCP bietet eine gemeinsame Sprache, mit der alle LLMs mit praktisch jedem verbindbaren System interagieren können. Das macht die Entwicklung neuer Verbindungen deutlich einfacher und schneller. Auch Client- und Server-Konfigurationen sind modellübergreifend viel einheitlicher. Sie müssen eine MCP-Verbindung nicht bei jedem Modell-Update von Grund auf neu schreiben.

Flexible Tool-Erkennung und Abfragen

Früher mussten Sie API-Endpunkte für jede externe Verbindung eines KI-Agenten fest programmieren. Wenn ein Entwickler einer Datenbank ein Feld hinzufügte, musste die API neu erstellt werden, damit es funktionierte.

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

Bessere KI-Automatisierung

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

Komplexes agentisches Verhalten

Tool- und Function-Calls gehören seit Jahren zu den Fähigkeiten von LLMs. Sie boten jedoch nur begrenzten Zugriff auf externe Tools. Weil MCP standardisiert, universell und flexibel ist, können KI-Modelle mehrere MCP-Aufrufe zu längeren, komplexen Abfragen verketten. Beispielsweise können sie ein CRM nach aktuellen Kundendaten prüfen, im Kalender freie Termine suchen und dem Kunden anschließend einen Termin für ein Folgegespräch per E-Mail vorschlagen.

Höhere Antwortgenauigkeit

Large Language Models können ihrer Natur nach manchmal Antworten halluzinieren. Sie sind Vorhersage-Engines, die anhand der ihnen vorliegenden Kontextinformationen die wahrscheinlichste Antwort ausgeben. Wenn Sie einem LLM eine Frage stellen, deren Antwort von Echtzeitinformationen abhängt, erhalten Sie eher eine halluzinierte Antwort, wenn keine passenden Leitplanken vorhanden sind.

Das MCP-Protokoll ermöglicht LLMs den Zugriff auf reale Daten-Repositories und Tools, die die aktuellen Informationen für genaue Antworten liefern.

MCP-Anwendungen und praktische Anwendungsfälle

Das Model Context Protocol ist eine standardisierte Brücke, über die KI-Agenten mit beliebig vielen externen Systemen 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 arbeiten am besten, wenn sie Architekturdesigns und die Historie von Incidents im Detail und im Kontext verstehen. Das ist mit herkömmlichen Methoden schwer bereitzustellen.

MCP-verbundene Entwicklungsumgebungen können relevante Repositories einbinden, sodass Ihre Coding-Assistenten den praktischen Kontext ihrer Anwendungen verstehen. Ihre Entwickler können Probleme schneller beheben, weil der Assistent bereits Abhängigkeiten über die gesamte Codebasis hinweg abbilden konnte.

Workflows von Voice Agents während eines Anrufs

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

Conversational Bots können MCP nun nutzen, um Backend-Systeme nach Kontoinformationen abzufragen, die zur Bearbeitung von Kundenanfragen erforderlich sind. Sie können dies bei Bedarf in Echtzeit während eines Kundengesprächs tun. 

Starten Sie mit ElevenAgents für 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 in Claude. Starten Sie noch heute mit MCP-gestützten ElevenLabs-Agenten oder erfahren Sie mehr über ElevenAgents.

Häufig gestellte Fragen zum Model Context Protocol