Eigenen MCP-Server bauen: Werkzeuge für KI-Assistenten bereitstellen

Einen MCP-Server bauen lohnt sich, wenn Sie eigene Daten oder Funktionen mehreren KI-Assistenten zugänglich machen wollen. Das Model Context Protocol ist ein offener Standard: Ein Server stellt Werkzeuge bereit, und Clients wie Claude, Entwicklungsumgebungen oder Microsoft Copilot Studio können sie nutzen, ohne dass Sie für jeden Client eine eigene Integration schreiben.

Die Bausteine eines MCP-Servers

• Tools: Funktionen, die das Modell aufrufen kann, etwa „Ticket anlegen“ oder „Lagerbestand abfragen“.
• Resources: Daten, die der Client lesen kann, etwa Dateien oder Datensätze.
• Prompts: vorbereitete Vorlagen, die Nutzer im Client auswählen.

Für den Anfang genügen meist Tools. Die Grundlagen des Protokolls erklärt MCP erklärt.

Lokal oder entfernt?

Ein MCP-Server kann lokal als Prozess laufen, mit dem der Client über die Standardein- und -ausgabe spricht. Das ist ideal für persönliche Werkzeuge und Entwicklung. Alternativ läuft er als entfernter Dienst über HTTP, damit ihn viele Nutzer erreichen. Entfernte Server brauchen Authentifizierung; das Protokoll sieht dafür OAuth vor.

Ein Minimalbeispiel in Python

Die offiziellen SDKs gibt es unter anderem für Python und TypeScript. In Python sieht ein einfacher Server ungefähr so aus:

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("lager")

@mcp.tool()
def bestand(artikelnummer: str) -> dict:
    "Gibt den aktuellen Lagerbestand zu einer Artikelnummer zurück."
    return lager_db.abfragen(artikelnummer)

if __name__ == "__main__":
    mcp.run()

Name, Beschreibung und Typangaben der Funktion werden automatisch zur Werkzeugdefinition. Genau diese Texte liest das Modell, um zu entscheiden, wann es das Werkzeug nutzt. Wie gute Beschreibungen aussehen, zeigt der Tool-Definition-Generator. Prüfen Sie den genauen Aufbau in der aktuellen SDK-Dokumentation, da sich Details zwischen Versionen ändern können.

Testen und anbinden

1. Server mit dem Inspektor-Werkzeug des Projekts starten und die Tools von Hand aufrufen.
2. In einem Client wie Claude Desktop eintragen und mit echten Aufgaben ausprobieren.
3. Beobachten, ob das Modell das Werkzeug im richtigen Moment wählt, und Beschreibungen nachschärfen.

Wie die Anbindung in Microsoft Copilot Studio funktioniert, zeigt die Anleitung MCP-Server in Copilot Studio anbinden.

Gute Werkzeuge für MCP entwerfen

Ein häufiger Fehler ist, eine bestehende Programmierschnittstelle eins zu eins als Werkzeuge abzubilden. Für ein Modell sind wenige, aufgabenbezogene Werkzeuge besser als Dutzende kleinteilige Endpunkte. Statt „Kunde holen“, „Bestellungen holen“ und „Status holen“ ist ein Werkzeug „Bestellstatus eines Kunden“ oft verständlicher und spart Schritte. Je mehr Werkzeuge ein Client gleichzeitig geladen hat, desto mehr Tokens kosten allein die Definitionen und desto eher wählt das Modell daneben.

Sicherheit zuerst

• Nur nötige Rechte: Lesende Werkzeuge getrennt von schreibenden anbieten.
• Eingaben prüfen: Argumente vom Modell wie jede andere unsichere Eingabe behandeln, etwa gegen SQL-Injection absichern.
• Bestätigung für kritische Aktionen: Löschen oder Versenden nicht ohne Freigabe.
• Fremden Servern misstrauen: Werkzeugbeschreibungen fremder Server können versteckte Anweisungen enthalten. Nur geprüfte Server einbinden.
• Ergebnisse knapp halten: Große Rohdaten kosten Tokens und können ungewollt vertrauliche Felder preisgeben.

Weitere Hinweise enthält KI-Agenten absichern. Wer die Werkzeuge lieber direkt im eigenen Agenten nutzt, findet das Muster unter KI-Agenten programmieren.