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 – 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 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.
• Mit MCP können KI-Agenten verbundene Servertools zur Laufzeit erkennen – anders als bei herkömmlichen, fest codierten APIs.
• MCP löst das MxN-Problem, bei dem sich ständig verändernde KI-Modelle jeweils eigene Verbindungen zu externen Systemen benötigen. MCP fungiert als universeller Übersetzer für all diese Systeme.
• KI-Plattformen wie ElevenLabs können sowohl als MCP-Server als auch als Client arbeiten: Sie stellen entweder Ressourcen bei Bedarf bereit oder orchestrieren die Aktionen anderer Dienste.
• KI-Agenten können mehrere MCP-Aufrufe verketten und so komplexe Workflows sogar während eines Gesprächs mit einem Nutzer ausführen.

Was ist das Model Context Protocol (MCP)?

Ein Protokoll ist wie eine vereinbarte Sprache, die verschiedene Computersysteme zur Interaktion nutzen. MCP ist ein Protokoll, mit dem KI-Agenten Informationen aus externen Quellen abrufen oder Aktionen mit externen Tools und Systemen ausführen können.

Large Language Models (LLMs) sind leistungsstarke Tools. Ihre Fähigkeit, in natürlicher Sprache zu interagieren, hat ihre Beliebtheit in Unternehmen und bei Verbrauchern rasant wachsen lassen. Doch mit ihrem zunehmenden Einsatz in der Praxis wurden zwei wesentliche Einschränkungen sichtbar:

• Das Verständnis eines LLMs von der Welt ist auf den Zeitpunkt eingefroren, zu 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 nützlich.

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

MCP ermöglicht Large Language Models, sich mit externen Datenquellen zu verbinden, ihre Trainingsdaten zu ergänzen und genauere, kontextbezogene und aktuellere Antworten auf Anfragen zu geben. Ein LLM-gestützter KI-Agent kann außerdem auf freigegebene externe Tools zugreifen und selbstständig handeln. 

Sie könnten einem Agenten beispielsweise sagen: „Prüfe meinen Kalender nächsten Dienstag auf verfügbare Zeitfenster und kontaktiere dann den Auftragnehmer mit einem Terminvorschlag.“ Der Agent prüft dann 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 baute auf früheren Konzepten wie Tool Calling und Function Calling auf. Diese ermöglichen einem LLM, ein Schema für Serviceanfragen auszugeben, 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 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 speist er in das Kontextfenster des LLMs ein, das wie ein kurzfristiger 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 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 ob es mehrere Schritte 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 von Ingenieuren als MxN-Problem bezeichnete Problem zu lösen. Wenn Sie M Agenten haben und jeder mit N externen Tools verbunden werden 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.

MCP ermöglicht LLMs den Betrieb über M+N-Verbindungen, indem es die gesamte Kommunikation in einem einzigen Protokoll standardisiert.

Kernarchitektur: MCP-Server und Clients erklärt

Ein KI-Agent nutzt einen MCP-Client, um mit externen Systemen zu kommunizieren. Ein externes System wie ein Kalender, E-Mail-System 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, sie kann aber beide Rollen übernehmen.

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

MCP-Server

Ein MCP-Server ist an ein externes System angebunden und präsentiert verbundenen MCP-Clients eine Liste verfügbarer Ressourcen und Tools. 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 ermöglicht 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 mit einfachen Eingaben in natürlicher Sprache Agenten 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 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 innerhalb eines MCP-Hosts, und ein Host kann mehrere MCP-Client-Server-Verbindungen haben. In unserem obigen Beispiel war Claude der Host.

Clients senden strukturierte JSON-RPC-Aufrufe an Server, um Tools und Ressourcen anzufordern. 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, beispielsweise Zapier MCP. So können Sie Ihren Agenten mit Hunderten verschiedenen Tools und Diensten verbinden.

Nehmen wir an, Sie entwickeln einen ElevenLabs-Kundenservice-Agenten. Er soll sicher auf Kontodaten Ihrer Kunden in Salesforce zugreifen, um ihre Fragen sinnvoll beantworten zu können. Fragt ein Kunde etwa 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 dem Kunden mitteilt.

MCP im Vergleich zu herkömmlichen APIs: Was ist der Unterschied?

Herkömmliche APIs erfüllen eine ähnliche Rolle bei der Kommunikation zwischen Client- und Serversystemen. Allerdings müssen die meisten Parameter in einer einfachen Anfrage-Antwort-Struktur fest codiert werden. Das funktioniert bei der Verbindung konventioneller Softwaresysteme gut, ist aber für komplexe KI-gestützte Workflows vor allem wegen des bereits erläuterten MxN-Problems unpraktisch. 

Statt fest codierte Endpunkte für den Austausch von Anfragen zwischen Systemen zu erstellen, baut 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.

Die wichtigsten Vorteile von MCP für KI-Integrationen

Die Einführung 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 es war arbeitsintensiv. Für jedes einzelne 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 Serverkonfigurationen sind über Modelle hinweg wesentlich einheitlicher. Sie müssen eine MCP-Verbindung nicht bei jedem Modell-Update von Grund auf neu schreiben.

Flexibilität bei Tool-Erkennung und Abfragen

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

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

Bessere KI-Automatisierung

Ohne Anpassungen kennen LLMs nur ihre Trainingsdaten und können nicht mit der Außenwelt interagieren. MCP gibt ihnen die Möglichkeit, aktuelle Informationen aufzunehmen und Tools aus jedem verbundenen System mit MCP-Server aufzurufen.

Komplexes agentisches Verhalten

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

Höhere Genauigkeit der Antworten

Large Language Models können naturgemäß manchmal Antworten halluzinieren. Sie sind Vorhersage-Engines, die anhand der ihnen bereitgestellten Kontextinformationen die wahrscheinlichste Antwort ausgeben. Wenn Sie einem LLM eine Frage stellen, deren Antwort von Echtzeitinformationen abhängt, ist eine halluzinierte Antwort wahrscheinlicher, wenn keine geeigneten Leitplanken vorhanden sind.

Das MCP-Protokoll ermöglicht LLMs die Verbindung zu Datenbeständen und Tools aus der realen Welt, die ihnen die Live-Informationen für genaue Antworten liefern.

MCP-Anwendungen und Praxisbeispiele

Das Model Context Protocol ist eine Standardbrücke, über die KI-Agenten mit einer beliebigen Anzahl 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 in Claude gehostete MCP-Server von ElevenLabs 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 ein tiefes, kontextbezogenes Verständnis proprietärer Architekturentwürfe und Vorfallhistorien haben. Auf herkömmlichem Weg ist das schwer bereitzustellen.

MCP-verbundene Entwicklungsumgebungen können relevante Repositories einbeziehen, 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 abbilden konnte.

Workflows von Voice Agents während eines Anrufs

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

Conversational Bots können jetzt MCP nutzen, um Backendsysteme für die Kontoinformationen aufzurufen, die zur Bearbeitung von Kundenanfragen erforderlich sind. Bei Bedarf geschieht das in Echtzeit während eines Kundengesprächs. 

Starten Sie mit ElevenAgents für eine nahtlose MCP-Integration

ElevenAgents bietet Ihnen 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 aus. Starten Sie noch heute mit MCP-gestützten ElevenLabs-Agenten oder erfahren Sie mehr über ElevenAgents.

Häufig gestellte Fragen zum Model Context Protocol