Model Context Protocol (MCP) – Grundlagen und Einsatz
Werkzeuge und Datenquellen standardisiert für KI-Anwendungen bereitstellen
01 Intro
Model Context Protocol (MCP) definiert eine standardisierte Schnittstelle,
über die KI-Anwendungen auf Werkzeuge, Datenquellen und weitere Fähigkeiten
zugreifen können. Statt für jedes Modell und jede Anwendung proprietäre
Integrationen zu entwickeln, können Funktionen über MCP-Server beschrieben
und unterschiedlichen MCP-fähigen Clients bereitgestellt werden.
Der Kurs vermittelt MCP von der Architektur bis zur praktischen
Implementierung. Die Teilnehmer verwenden vorhandene MCP-Server, entwickeln
eigene Server und Tools und integrieren diese in KI-Anwendungen. Neben dem
Protokoll selbst stehen Schnittstellendesign, Fehlerbehandlung,
Berechtigungen, Security und Testbarkeit im Mittelpunkt. Ziel ist nicht
lediglich ein funktionierender Demo-Server, sondern eine belastbare
Integrationsschicht für reale Anwendungen.
Kurs-ID
AI-008
Dauer
2 Tage
Format
Präsenz · Live Online · Inhouse
Vorkenntnisse
Praktische Programmiererfahrung, vorzugsweise mit Python
02 Trainingsprogramm
Inhalte
MCP einordnen
- MCP ist kein Agentenframework
- MCP ist kein LLM
- MCP ist keine allgemeine Workflow Engine
- MCP stellt Fähigkeiten und Kontext bereit
- Anwendung entscheidet über deren Nutzung
- Zusammenspiel der Komponenten
Architektur und Protokollgrundlagen
- MCP Host
- MCP Client
- MCP Server
- Modell
- externe Systeme
- Trust Boundaries
Server, Clients und Transports
- Aufgaben eines MCP Servers
- Aufgaben eines MCP Clients
- Verbindungsaufbau
- verfügbare Fähigkeiten ermitteln
- mehrere Server
- Interoperabilität
Tools entwerfen
- klare Verantwortlichkeit
- verständliche Semantik
- geeignete Granularität
- kleine statt universeller Operationen
- strukturierte Parameter
- agentenfreundliches API-Design
Resources, Prompts und Kontext
- Informationen statt Aktionen
- adressierbare Ressourcen
- URIs
- Dokumente
- Konfigurationen
- Tools und Resources sinnvoll unterscheiden
Einen MCP-Server entwickeln
- Projektstruktur
- Server initialisieren
- Fähigkeiten registrieren
- erstes Tool
- Eingabeschema
- Server lokal starten und testen
Bestehende Funktionen und APIs anbinden
- vorhandene Python-Funktionen
- interne Libraries
- Kommandozeilenwerkzeuge
- APIs
- Datenbankzugriffe
- Verantwortlichkeiten sauber trennen
Datenbanken und Dateisystem anbinden
- lesende Abfragen
- strukturierte Ergebnisse
- parametrisierte Operationen
- Schreibzugriffe
- Transaktionen
- minimale benötigte Fähigkeiten
Strukturierte Ergebnisse und Fehlerbehandlung
- Text
- strukturierte Daten
- maschinenlesbare Ergebnisse
- Ergebnis-Schemas
- Metadaten
- stabile Schnittstellen
Zustand und Tool-Schnittstellen
- Beschreibung als Teil der Schnittstelle
- Zweck des Tools
- geeignete Einsatzfälle
- Parameter verständlich beschreiben
- Einschränkungen
- Tool-Auswahl durch gute Metadaten unterstützen
Berechtigungen, Secrets und Trust Boundaries
- Vertrauensgrenzen zwischen Host, Client, Server und Zielsystem bestimmen
- Lese-, Schreib- und Ausführungsrechte getrennt betrachten
- Credentials und Secrets serverseitig schützen
- Berechtigungen nach tatsächlichem Bedarf vergeben
- untrusted Input und Tool-Ergebnisse berücksichtigen
- kritische Operationen zusätzlich absichern
Prompt Injection und gefährliche Tool-Designs
- beliebige Shell-Kommandos
- beliebige SQL-Befehle
- unbeschränkter Dateizugriff
- universelle HTTP Requests
- weitreichende Cloud-Rechte
- Capability Design als Sicherheitsentscheidung
Defensive Tool-Implementierung
- Eingaben validieren
- Pfade begrenzen
- erlaubte Werte
- serverseitige Berechtigungsprüfung
- sichere Defaults
- Modellinstruktionen nicht als Zugriffskontrolle verwenden
MCP-Server testen
- Tool-Implementierung unabhängig vom LLM testen
- Unit Tests
- Schema-Validierung
- positive Fälle
- negative Fälle
- reproduzierbare Tests
Debugging und Observability
- Server startet nicht
- Client findet Server nicht
- Tool wird nicht angeboten
- falsche Parameter
- Schema-Probleme
- Protokoll- und Anwendungsebene unterscheiden
Lokaler und zentraler Betrieb
- LLMs und externe Systeme
- proprietäre Tool-Integrationen
- wiederverwendbare Schnittstellen
- Modelle und Anwendungen entkoppeln
- MCP als Integrationsprotokoll
- Grenzen und Nicht-Ziele von MCP
MCP mit Anwendungen und Agenten
- vorhandene Services wiederverwenden
- MCP als Adapter
- Geschäftslogik nicht in das Protokoll verschieben
- API und MCP parallel anbieten
- Client-spezifische Integration reduzieren
- schrittweise Einführung
Vom Prototyp zum produktiven MCP-Server
- minimalen Server entwickeln
- Schnittstellen stabilisieren
- Validierung ergänzen
- Fehlerbehandlung
- Berechtigungen
- Deployment und Betrieb
Praxis: MCP-Architektur entwickeln
- konkreten Integrationsfall und Systemgrenzen bestimmen
- benötigte Tools, Resources und Kontextquellen auswählen
- Host, Client, Server und externe Systeme zuordnen
- Datenflüsse und Trust Boundaries sichtbar machen
- Berechtigungen und Fehlerpfade festlegen
- Architektur anhand eines vollständigen MCP-Ablaufs überprüfen
03 Durchführung
Rahmen und Organisation
Dauer
2 Tage
Durchführung
Präsenz oder Live Online, vorzugsweise als Inhouse-Schulung
Schwerpunkt
Inhouse-Schulungen für Unternehmen und Teams
Sprache
Deutsch, englische Fachbegriffe und Dokumentation
Unterlagen
Kursunterlagen, Beispiele und Übungsaufgaben
Technik
Eigener Rechner mit Entwicklungsumgebung, Python und einem MCP-fähigen Client
Inhouse-Schulungen
Vorhandene APIs, Datenbanken, Entwicklungswerkzeuge oder interne Dienste
können als Grundlage für die Entwicklung eigener MCP-Schnittstellen
verwendet werden.
04 Zielgruppe
Für wen ist der Kurs gedacht?
Der Kurs richtet sich an Softwareentwickler, AI Engineers, Softwarearchitekten und technische Consultants, die externe Werkzeuge und Datenquellen standardisiert für KI-Anwendungen und AI Agents bereitstellen möchten.
Er eignet sich sowohl für Entwickler, die vorhandene MCP-Server einsetzen wollen, als auch für Teams, die eigene interne Systeme, APIs oder Entwicklungswerkzeuge über MCP verfügbar machen möchten.
Voraussetzungen
Praktische Programmiererfahrung wird vorausgesetzt; für die Übungen sind
Python-Grundkenntnisse sinnvoll. Grundkenntnisse über generative KI und
Sprachmodelle sind hilfreich. Erfahrung mit AI Agents oder bestimmten
MCP-fähigen Produkten ist nicht erforderlich.
05 Lernziele
Was Sie nach dem Kurs können
Nach dem Kurs können die Teilnehmer:
- Zweck und Einsatzbereich von MCP erklären
- MCP von Agentenframeworks, Function Calling und klassischen APIs abgrenzen
- Host, Client und Server unterscheiden
- Tools, Resources und Prompts sinnvoll einsetzen
- eigene MCP-Server entwickeln
- vorhandene Funktionen und APIs als MCP Tools bereitstellen
- agentenfreundliche Tool-Schnittstellen entwerfen
- strukturierte Ein- und Ausgaben definieren
- Fehler robust behandeln
- lokale und entfernte MCP-Szenarien einordnen
- Berechtigungen nach dem Least-Privilege-Prinzip gestalten
- Secrets und Credentials vom Modellkontext trennen
- Trust Boundaries einer MCP-Architektur bestimmen
- Prompt-Injection- und Tool-Risiken berücksichtigen
- MCP-Server unabhängig vom Sprachmodell testen
- Integrationstests und Observability aufbauen
- MCP in vorhandene Anwendungen und Architekturen integrieren
- einen MCP-Server vom Prototyp zu einer belastbaren Integration weiterentwickeln
06 FAQ
Häufige Fragen
Was unterscheidet diesen Kurs von AI Agents?
Der Agentenkurs behandelt die Architektur vollständiger agentischer Systeme. MCP ist dort eine von mehreren Möglichkeiten, Agenten mit externen Fähigkeiten auszustatten.
Dieser Kurs behandelt MCP selbst. Protokollarchitektur, Server, Clients, Tools, Resources, Transports, Schnittstellendesign, Security, Testing und Betrieb stehen hier im Mittelpunkt.
Ist MCP ein Agentenframework?
Nein. MCP stellt standardisierte Schnittstellen für Kontext und Fähigkeiten bereit. Wie ein Agent plant, entscheidet, seinen Zustand verwaltet oder mehrere Arbeitsschritte orchestriert, wird durch MCP nicht festgelegt.
Ersetzt MCP REST APIs?
Nein. Häufig kapselt ein MCP-Server gerade vorhandene APIs und stellt daraus geeignete Fähigkeiten für AI-Anwendungen bereit. Die bestehende Geschäftslogik muss deshalb nicht für MCP neu entwickelt werden.
Werden eigene MCP-Server programmiert?
Ja. Die Teilnehmer entwickeln im Kurs eigene Server und stellen mehrere Fähigkeiten darüber bereit.
Werden Tools und Resources behandelt?
Ja. Ein wichtiger Teil des Kurses ist gerade die Entscheidung, ob etwas als ausführbare Operation, als Informationsquelle oder auf andere Weise bereitgestellt werden sollte.
Wird Security behandelt?
Ja. MCP kann einem Modell Zugriff auf reale Systeme und Aktionen ermöglichen. Authentifizierung, Autorisierung, Least Privilege, Secrets, Trust Boundaries und sichere Tool-Schnittstellen gehören deshalb zum Kern des Kurses.
Werden MCP-Server getestet?
Ja. Ein MCP-Tool ist letztlich eine Softwareschnittstelle und sollte auch so behandelt werden. Tool-Implementierungen, Schemas und Fehlerfälle werden deshalb zunächst deterministisch getestet, bevor ein LLM in den Test einbezogen wird.
Wird ein bestimmter AI-Client verwendet?
Ein MCP-fähiger Client kann für die praktischen Übungen verwendet werden. Die Bedienung eines bestimmten Produkts ist jedoch nicht Gegenstand dieses Kurses; dafür sind die jeweiligen Produktschulungen vorgesehen.
Muss ich den Agentenkurs vorher besucht haben?
Nein. Grundlegende Kenntnisse zu generativer KI und Programmiererfahrung sind ausreichend. Agentenarchitektur wird nur so weit erläutert, wie sie zum Verständnis der Rolle von MCP erforderlich ist.
Warum dauert der Kurs zwei Tage?
Der Kurs konzentriert sich auf MCP als Integrationsschicht und nicht auf die Entwicklung vollständiger Agentensysteme. Zwei Tage bieten ausreichend Raum, die Architektur zu verstehen, eigene Server und Tools praktisch zu entwickeln und die wesentlichen Aspekte von Security und Testing zu behandeln.
Kann der Kurs auf unsere eigenen Systeme zugeschnitten werden?
Ja. Bei Inhouse-Schulungen können vorhandene APIs, Datenbanken, Entwicklungswerkzeuge oder interne Dienste als Grundlage für die Entwicklung eigener MCP-Schnittstellen verwendet werden.