Wat is het Model Context Protocol en waarom is het belangrijk

Het Model Context Protocol (MCP) is een open standaard waarmee large language models (LLM's) verbinding kunnen maken met databronnen en andere externe systemen. Het biedt AI-agents een consistente manier om toegang te krijgen tot informatie van derden, of dat nu gegevens uit realtime databronnen ophalen of acties uitvoeren met externe tools betreft.

In dit artikel onderzoeken we wat het Model Context Protocol inhoudt, bespreken we de geschiedenis ervan en leggen we uit waarom het centraal is komen te staan in de bredere adoptie en het succes van AI-systemen. Of bekijk in de video hieronder hoe de ElevenLabs Host MCP werkt.

Samenvatting

• Het Model Context Protocol verbindt LLM's met de buitenwereld en biedt middelen die verder gaan dan wat in hun trainingsdata beschikbaar is.
• Met MCP kunnen AI-agents tijdens runtime tools van verbonden servers ontdekken, in tegenstelling tot conventionele API's, die hardcoded zijn.
• MCP lost het MxN-probleem op, waarbij voortdurend veranderende AI-modellen elk unieke verbindingen met externe systemen nodig hebben. MCP fungeert als universele vertaler voor al deze systemen.
• AI-platforms zoals ElevenLabs kunnen zowel als MCP-server als client functioneren: ze kunnen resources op aanvraag leveren of de acties van andere services orkestreren.
• AI-agents kunnen meerdere MCP-aanroepen aaneenschakelen om complexe workflows uit te voeren, zelfs midden in een gesprek met een gebruiker.

Wat is het Model Context Protocol (MCP)?

Een protocol is als een afgesproken taal waarmee verschillende computersystemen communiceren. MCP is een protocol waarmee AI-agents informatie uit externe bronnen kunnen ophalen of acties kunnen uitvoeren met externe tools en systemen.

Large language models (LLM's) zijn krachtige tools waarvan de mogelijkheid om in natuurlijke taal te communiceren heeft geleid tot een explosieve groei in populariteit, zowel bij bedrijven als consumenten. Maar naarmate gebruikers er vaker mee werkten in praktijksituaties, werden twee belangrijke beperkingen duidelijk:

• Het begrip van de wereld van een LLM is bevroren op het moment waarop de ontwikkelaars de trainingsdata verzamelden.
• Een model heeft geen ingebouwde manier om met de buitenwereld en andere computersystemen te communiceren.

Een van de verwachtingen rond LLM's was dat we agents voor artificial intelligence (AI) zouden kunnen creëren waarmee we in natuurlijke taal konden communiceren. Maar een AI-agent die beperkt is tot alleen de trainingsdata van een model en deze twee dynamische mogelijkheden niet heeft, is slechts beperkt bruikbaar.

Anthropic ontwikkelde het Model Context Protocol om de communicatie tussen LLM's en externe systemen te standaardiseren. Het bracht dit in november 2024 uit als open standaard. De meeste grote LLM-ontwikkelaars namen het snel over. Anthropic schonk de standaard vervolgens aan de Agentic AI Foundation in 2025.

MCP geeft large language models een manier om verbinding te maken met externe databronnen, zodat ze hun trainingsdata kunnen aanvullen en nauwkeurigere, contextuele en actuele antwoorden op vragen kunnen geven. Een AI-agent op basis van een LLM kan ook toegang krijgen tot goedgekeurde externe tools om autonoom actie te ondernemen. 

Je kunt bijvoorbeeld tegen een agent zeggen: “Controleer mijn agenda op beschikbare tijdstippen komende dinsdag en neem daarna contact op met de aannemer met een voorgestelde vergadertijd.” De agent controleert vervolgens via MCP de agendaservers, verwerkt de resultaten en opent daarna via MCP de e-mailserver om het gevraagde bericht te versturen.

Hoe werkt het Model Context Protocol?

De ontwikkeling van het Model Context Protocol bouwde voort op eerdere concepten, zoals tool calling en function calling, waarmee een LLM een schema voor een serviceaanvraag kan genereren dat externe systemen via API's verwerken. Deze methoden vereisten echter aangepaste verbindingen tussen een LLM en elk extern systeem.

MCP creëert een gestandaardiseerd, tweerichtingscommunicatiemodel voor het verzenden en ontvangen van data van externe systemen.

Wanneer een AI-agent voor het eerst opstart, vraagt deze alle verbonden MCP-servers om een catalogus van hun beschikbare databronnen en functies. Die catalogus voert de agent terug naar het context window van de LLM, dat als kortetermijnwerkgeheugen voor de huidige taak werkt.

Wanneer je de agent vervolgens iets vraagt te doen, bepaalt de onderliggende LLM of die het verzoek kan uitvoeren met alleen kennis uit de trainingsdata, of externe resources nodig heeft. Als externe ondersteuning nodig is, controleert de agent de catalogus en neemt deze via de MCP-verbinding contact op met het juiste systeem. 

De LLM beoordeelt het externe antwoord en bepaalt of je verzoek kan worden afgerond of dat er actie in meerdere stappen nodig is, zoals in ons voorbeeld met de agenda en e-mail.

MCP helpt het MxN-probleem oplossen

Een universele communicatiestandaard zoals MCP was nodig om op te lossen wat engineers het MxN-probleem noemen. Als je M agents hebt en elk daarvan wilt verbinden met N externe tools, moet je MxN point-to-pointverbindingen onderhouden. Met slechts enkele AI-agents en externe bronnen is dat geen probleem, maar zodra die aantallen groeien, wordt het al snel een onhoudbare werklast.

MCP stelt LLM's in staat om met M+N-verbindingen te werken door alle communicatie in één protocol te standaardiseren.

Kernarchitectuur: MCP-servers en clients uitgelegd

Een AI-agent gebruikt een MCP-client om met externe systemen te communiceren. Een extern systeem, zoals een agenda, e-mail of CRM, moet via een MCP-server beschikbaar zijn zodat de agent ermee kan communiceren.

ElevenLabs-producten zijn beschikbaar als zowel clients als servers. Achter de schermen is het hetzelfde platform, maar het kan beide rollen vervullen.

Laten we dit als voorbeeld gebruiken om de MCP-architectuur te begrijpen.

MCP-server

Een MCP-server draait gekoppeld aan een extern systeem en toont verbonden MCP-clients een lijst met beschikbare resources en tools. Resources kunnen bestanden, documenten, databases of pipelines zijn. Met tools kan de externe LLM communiceren met assets in het externe systeem.

De door ElevenLabs gehoste MCP-server geeft Claude en andere AI-assistenten toegang tot beheertools voor hun ElevenLabs-agents. De server is beschikbaar via: 

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

Je maakt een beveiligde verbinding van Claude, ChatGPT of een andere assistent naar de server met OAuth. Die assistent is een MCP-host en bevat MCP-clients die de verbinding beheren. Via je assistent kun je vervolgens agents bouwen en beheren, en hun prestaties controleren met eenvoudige prompts in natuurlijke taal.

Voorbeeldprompts

• “Maak een klantenserviceagent voor ons e-commerceportaal. De agent moet een professionele maar positieve toon behouden.”
• “Dupliceer mijn klantenserviceagent en wijzig de standaardtaal in Spaans.”
• “Voer een kostenvergelijking per gesprek uit voor mijn Spaanstalige agent in Gemini 3.5 Flash Lite and 3.8 Flash.”

MCP-client

Een MCP-client is een specifieke verbinding met een bepaalde MCP-server. Deze bevindt zich in een MCP-host, en een host kan meerdere MCP-client-serververbindingen hebben. In ons voorbeeld hierboven was Claude de host.

Clients sturen verzoeken om tools en resources naar servers met gestructureerde JSON-RPC-aanroepen. Omdat verzoeken via het MCP-protocol worden vertaald, hoeft de host de onderliggende configuratiedetails van de tools die aan de server zijn gekoppeld niet te begrijpen.

ElevenLabs kan ook als MCP-client functioneren. In deze opzet gebruik je je ElevenLabs-workspace om een agent te verbinden met een externe MCP-server, bijvoorbeeld Zapier MCP. Daarmee kun je je agent verbinden met honderden verschillende tools en services.

Stel bijvoorbeeld dat je een ElevenLabs-klantenserviceagent bouwt. Je wilt dat deze veilig toegang heeft tot de accountgegevens van je klanten in Salesforce, zodat de agent hun relevante vragen kan beantwoorden. Wanneer een klant vervolgens een vraag stelt over een eerdere bestelling of de status van een retouraanvraag, stuurt de agent via MCP een query naar de Zapier-server. 

Die vertaalt de query naar een verzoek dat Salesforce begrijpt en retourneert de resultaten, die je ElevenLabs-agent aan je klant uitspreekt.

MCP versus traditionele API's: wat is het verschil?

Traditionele API's vervullen een enigszins vergelijkbare rol doordat ze client- en serversystemen laten communiceren, maar je moet de meeste parameters hardcoden in een basisstructuur van request en response. Dat werkt prima voor het koppelen van conventionele softwaresystemen, maar is niet praktisch voor complexe AI-gestuurde workflows, vooral vanwege het eerder besproken MxN-probleem. 

In plaats van hardcoded endpoints te creëren waar systemen verzoeken kunnen uitwisselen, werkt MCP boven op API's om LLM's een volledig machineleesbare interface te bieden. De verbindingen liggen niet vooraf vast. Een AI kan zelf geavanceerde query's opstellen en passend contextueel inzicht ontwikkelen.

Belangrijkste voordelen van MCP voor AI-integraties

De introductie van het Model Context Protocol heeft een breed scala aan nieuwe functionaliteit en mogelijkheden voor AI-agents geopend. 

Het biedt verschillende specifieke voordelen:

• Standaardisatie
• Flexibiliteit bij het ontdekken van tools en uitvoeren van query's
• Betere AI-automatisering
• Geavanceerd agentgedrag
• Nauwkeurigere antwoorden

Laten we deze verder toelichten.

Standaardisatie

Vóór MCP was het mogelijk om LLM's met externe systemen te verbinden, maar het kostte veel werk. Je moest aangepaste verbindingen maken tussen elk afzonderlijk model en elke resource. Vandaar het MxN-probleem.

MCP biedt een gemeenschappelijke taal waarmee alle LLM's kunnen communiceren met vrijwel elk koppelbaar systeem. Daardoor is het ontwikkelen van nieuwe verbindingen aanzienlijk eenvoudiger en sneller. Client- en serverconfiguraties zijn ook veel uniformer tussen modellen. Je hoeft een MCP-verbinding niet telkens vanaf nul te herschrijven wanneer een model wordt bijgewerkt.

Flexibiliteit bij het ontdekken van tools en uitvoeren van query's

Vroeger moest je API-endpoints hardcoden voor elke externe verbinding die een AI-agent moest maken. Als een ontwikkelaar een veld aan een database toevoegde, moest je de API opnieuw bouwen om het te laten werken.

Met MCP kunnen agents externe resources tijdens runtime ontdekken. Met andere woorden: de resources bestaan en wanneer een agent ze nodig heeft, kan deze ontdekken wat beschikbaar is. Je kunt een tool aan een MCP-server toevoegen en de verbonden AI-agents ontdekken deze bij de volgende uitvoering. Je hoeft geen code te schrijven om de verbinding bij te werken.

Betere AI-automatisering

Standaard weten LLM's alleen wat er in hun trainingsdataset staat en kunnen ze niet met de buitenwereld communiceren. MCP biedt ze de middelen om actuele informatie op te nemen en tools aan te roepen van elk verbonden systeem met een MCP-server.

Geavanceerd agentgedrag

Tools en functies aanroepen is een mogelijkheid die LLM's al jaren hebben. Maar die mogelijkheden boden slechts beperkte toegang tot externe tools. Omdat MCP gestandaardiseerd, universeel en flexibel is, kunnen AI-modellen meerdere MCP-aanroepen koppelen tot langere, geavanceerde query's. Bijvoorbeeld: een CRM controleren op actuele klantinformatie, de agenda controleren op beschikbare afspraaktijden en de klant vervolgens e-mailen met een voorstel voor een tijdstip voor een vervolgafspraak.

Nauwkeurigere antwoorden

Large language models kunnen vanwege hun aard soms hallucineren in hun antwoorden. Het zijn voorspellingsengines die het meest waarschijnlijke antwoord genereren op basis van de contextuele informatie die ze krijgen. Als je een LLM een vraag stelt waarvan het antwoord afhangt van realtime informatie, is de kans op een gehallucineerd antwoord groter als de juiste guardrails ontbreken.

Met het MCP-protocol kunnen LLM's verbinding maken met databronnen en tools uit de echte wereld die de actuele informatie bieden die ze nodig hebben om nauwkeurige antwoorden te genereren.

MCP-toepassingen en praktijkvoorbeelden

Het Model Context Protocol is een standaardbrug die AI-agents kunnen gebruiken om met een willekeurig aantal externe systemen te communiceren. 

Zo kun je MCP gebruiken in verschillende sectoren en workflows uit de praktijk.

Agents configureren via chat

Voor het testen en optimaliseren van conversational bots moet je meestal schakelen tussen meerdere dashboards en consoles. De gehoste MCP-server van ElevenLabs in Claude laat je je spraakinfrastructuur rechtstreeks beheren via een chatinterface in natuurlijke taal.

Contextbewuste code-assistenten

Code-assistenten werken het best wanneer ze diepgaand contextueel inzicht hebben in bedrijfseigen architectuurontwerpen en de geschiedenis van incidenten. Via conventionele methoden is dat moeilijk te bieden.

Met MCP verbonden ontwikkelomgevingen kunnen relevante repositories raadplegen, zodat je code-assistenten de praktijkcontext begrijpen waarin ze applicaties bouwen. Je menselijke ontwikkelaars kunnen problemen sneller oplossen, omdat de assistent al afhankelijkheden in de hele codebase in kaart heeft kunnen brengen.

Workflows voor stemagents tijdens gesprekken

Voordat large language models natuurlijkere interactie in taal mogelijk maakten, moesten conventionele spraakbots rigide stroomschema's volgen om met klanten te communiceren. Ook konden ze niet met klanten communiceren op basis van realtime data.

Conversational bots kunnen nu MCP gebruiken om backendsystemen aan te roepen voor de accountinformatie die nodig is om klantverzoeken te verwerken. Ze kunnen dit indien nodig realtime doen, midden in een gesprek met een klant. 

Ga aan de slag met ElevenAgents voor naadloze MCP-integratie

ElevenAgents biedt krachtige mogelijkheden voor stemagents als zowel MCP-server als client. 

Verbind je ElevenLabs-agents met externe MCP-servers, of beheer ze vanuit Claude via de gehoste MCP. Ga vandaag aan de slag met ElevenLabs-agents met MCP of lees meer over ElevenAgents.

Veelgestelde vragen over het Model Context Protocol