**Model Context Protocol, kurz MCP. Was ist das – und warum sollte Sie das interessieren?**
Wir schreiben das Jahr 2025, und das Ökosystem rund um Large Language Models (LLMs) wächst ungebremst weiter. Lag der Fokus zunächst auf größeren, mit mehr Daten trainierten Modellen, rückte 2024 zunehmend der Aufbau "zusammengesetzter" KI-Systeme in den Vordergrund, in denen ein LLM Bestandteil eines größeren, modular aufgebauten KI-Systems ist.
Für diese Verschiebung gibt es mehrere Gründe:
1. Komponierbarkeit: Wir wollen über reine Textgenerierung hinausgehen und bislang manuelle Workflows automatisieren. Sie möchten zum Beispiel nicht die Antwort Ihrer Vorgesetzten in ChatGPT kopieren – das LLM soll direkt in Ihren E-Mail-Client integriert sein. Oder als Datenbank-Admin wollen Sie nicht das gesamte Schema und alle Beziehungen zwischen den Tabellen Ihrer relationalen Datenbank abtippen, sondern Ihr LLM soll sich diese Informationen bei Bedarf selbst holen können.
2. Grounding: Ein LLM ist (wie Andrej Karpathy hier beschreibt) mehr oder weniger eine probabilistische, verlustbehaftete Komprimierung des gesamten Internets (und weiterer Trainingstexte). Es arbeitet also mit einer statischen Momentaufnahme der Welt zum Trainingszeitpunkt (üblicherweise als Knowledge Cut-off bezeichnet). Da es im Kern weiterhin "das nächste beste Token" vorhersagt, kann es Dinge erfinden, die in der Realität keine Grundlage haben – mitunter amüsant, aber nicht unbedingt wünschenswert (man spricht hier von Halluzinationen). Eine Möglichkeit, das zu vermeiden: den Modellen Zugriff auf aktuellere Informationen geben, auf die sie sich in ihren Antworten beziehen können.
3. Agentisches Verhalten: In weniger deterministischen Szenarien wollen wir womöglich sogar einen Teil der Kontrolle abgeben – darüber, _was_ zu tun ist und _wie_ eine Aufgabe erledigt wird. Das System soll selbst die passenden Tools wählen, benötigte Informationen abrufen, eigene Entscheidungen treffen und sich unterwegs anpassen können.
Der gemeinsame Nenner all dieser Entwicklungen ist die Kommunikation mit externen Systemen. Ohne gemeinsamen Standard bräuchte jedes neue System eine eigene Implementierung – das Ergebnis: eine fragmentierte Landschaft. Mit dem Model Context Protocol wollte Anthropic Ende 2024 dieses N × M-Integrationsproblem in ein N + M-Integrationsproblem verwandeln, indem ein offener Standard für bidirektionale Verbindungen zwischen Datenquellen (N Tools) und KI-gestützten Anwendungen (M Clients) geschaffen wurde. Vergleichbar damit, wie HTTP die Kommunikation zwischen Webbrowsern und Servern standardisiert hat.
Wer um seine LangChain- oder LlamaIndex-Codebases bangt, kann beruhigt sein: MCP ist nicht angetreten, um diese zu ersetzen. Wie dieser Talk zeigt, ermöglicht MCP es agentischen Frameworks, sich auf das zu konzentrieren, was sie am besten können: den Agent-Loop ausführen und auf die von Tools gelieferten Daten reagieren.
MCP wird inzwischen von Amazon, OpenAI und Google übernommen und entwickelt sich zum HTTP der agent-nativen Anwendungen – Grund genug, einen genaueren Blick darauf zu werfen!
Was braucht es, um einen eigenen MCP Server zu bauen?
Auf modelcontextprotocol.io finden Sie einen ausführlichen Developer Guide für den Bau eines eigenen Servers. Wir wollen hier nicht alle Schritte wiederholen, ein Blick auf die Kernkonzepte und die Arten von Funktionen, die ein Server bereitstellen kann, lohnt sich aber:
- Resources: Jede Art von Daten, die ein MCP Server Ihrem Client anbieten kann – sowohl textuelle (z. B. Datenbankeinträge, Quellcode) als auch binäre Ressourcen (z. B. Bilder, Audio, Video). Der Client kann Ressourcen entdecken, lesen und aktualisieren. Sie sind so konzipiert, dass die Anwendung die Kontrolle behält (application-controlled).
- Prompts: Der Server kann wiederverwendbare Prompt-Vorlagen und Workflows definieren und damit alltägliche LLM-Interaktionen standardisieren. Indem Sie einen Teil Ihres Domänenwissens einfließen lassen, leiten Prompts die Nutzer zur korrekten Verwendung der Funktionen Ihres MCP Servers an. Sie sind daher user-controlled.
- Tools: Über Tools stellt der Server dem Client ausführbare Funktionen bereit, mit denen dieser mit externen Systemen interagieren und Aktionen in der realen Welt ausführen kann – etwa API-Integrationen, Datenverarbeitung … Da wir die Entscheidung über das Vorgehen dem LLM überlassen wollen, sind Tools model-controlled.
**Der DoiT MCP Server ist live**
Als DoiT wollten wir uns dieser lebendigen Server-Community anschließen – mit unserem eigenen MCP Server, der unsere Kunden genau dort abholt, wo sie ohnehin schon arbeiten.
Hier ist er:
doitintl/doit-mcp-server: DoiT’s official MCP Server \ DoiT official MCP Server.\ github.com
Alles, was Sie brauchen, ist Ihr DoiT API Key – und schon kann es losgehen!
Mit unserem Server können Sie direkt mit Ihren Multi-Cloud-FinOps-Daten in DoiT Cloud Intelligence™ sprechen. Aktuell unterstützen wir über den Server die Interaktion mit Incidents, Anomalies, Reports, Queries und Dimensions aus der DoiT API. Behalten Sie das Repository im Blick – weitere Updates folgen!
Wie hole ich das Beste heraus?
Stellen Sie sich einen typischen Montagmorgen vor: Sie wollen schnell prüfen, wie es Ihrer Cloud-Infrastruktur nach dem Wochenende geht. Statt sich durch Dashboards und Alert-Mails zu wühlen, fragen Sie einfach Ihren Lieblings-Assistenten:
Gibt es in meiner Cloud-Infrastruktur Incidents, von denen ich wissen sollte? Bitte stelle sie in einer Markdown-Tabelle dar und fasse längere Texte in wenigen Stichpunkten zusammen.
Oder Sie möchten sehen, wohin Ihr Budget in der letzten Woche geflossen ist und ob sich Trends abzeichnen, die Sie im Auge behalten sollten:
Kannst du mir einen Überblick über meine Cloud-Kosten über alle Cloud-Nutzungen für die letzte Woche geben? Ich möchte tagesgenaue Granularität und interessiere mich nur für die fünf größten Services. Erkennst du einen Trend?
Falls Sie die tatsächlichen Daten sehen möchten, auf denen Claude seine Analyse aufgebaut hat, fragen Sie einfach danach:
Kannst du mir einen Überblick über die Daten in einer Tabelle zeigen?
Mit MCP weiß Ihr Assistent – etwa Claude – genau, welche DoiT-Endpoints aufzurufen sind; er baut die Anfrage und führt sie aus. Sobald er die passenden Informationen zurückbekommt, präsentiert er sie Ihnen oder analysiert die Daten, falls Sie darum gebeten haben.
—
Machen Sie mit und gestalten Sie Ihren FinOps-Alltag einfacher: Hinterlassen Sie Ihr Feedback im Repository oder sprechen Sie mit uns über doit.com/services!