Model Context Protocol
Das Model Context Protocol (MCP) ist ein offenes Protokoll, das Ende 2024 von Anthropic veröffentlicht wurde und standardisiert, wie LLM-Anwendungen sich mit externen Tools, Datenquellen und APIs verbinden. Oft als "USB-C für KI-Anwendungen" bezeichnet, wurde es bis 2026 von OpenAI, Google, großen IDEs und KI-Produkten rasch übernommen und damit zu einem De-facto-Industriestandard.
Das Model Context Protocol (MCP) ist ein offenes Protokoll, das Ende 2024 von Anthropic veröffentlicht wurde und standardisiert, wie LLM-Anwendungen sich mit externen Tools, Datenquellen und APIs verbinden. Oft als "USB-C für KI-Anwendungen" bezeichnet, wurde es bis 2026 von OpenAI, Google, großen IDEs und KI-Produkten rasch übernommen und damit zu einem De-facto-Industriestandard.
Warum das wichtig ist
Vor MCP musste jede LLM-App ihren eigenen Integrationscode für jedes externe System schreiben. Eine Verbindung zu GitHub bedeutete getrennte Implementierungen in ChatGPT, Claude und Cursor. MCP standardisiert diese Ebene, sodass jedes einmal erstellte Tool sofort über jeden MCP-kompatiblen Client hinweg funktioniert. Das Ergebnis ist ein starker Rückgang der Integrationskosten, eine deutlich schnellere Entwicklung des KI-Ökosystems und drastisch vereinfachte Wege für Datenquellen wie Blogs, Suchmaschinen und Wissensdatenbanken, in KI-Apps zu erscheinen.
Architektur
MCP hat drei Hauptkomponenten:
Host: Die LLM-Anwendung, mit der der Nutzer direkt interagiert, etwa Claude Desktop, Cursor, ChatGPT Desktop und ähnliche Clients.
Client: Eine Protokollimplementierung innerhalb des Hosts, die eine 1:1-Verbindung zu einem Server aufrechterhält.
Server: Ein externer Prozess, der eine Datenquelle oder ein Tool im MCP-Format bereitstellt, etwa der GitHub-MCP-Server, der Slack-MCP-Server, der Dateisystem-MCP-Server oder der Websuche-MCP-Server.
Server können Clients drei Dinge bereitstellen:
- Ressourcen: Schreibgeschützte Daten (Dateien, DB-Datensätze, Webdokumente)
- Tools: Funktionen, die das LLM aufrufen kann (E-Mail senden, DB abfragen, API ansprechen)
- Prompts: Wiederverwendbare Prompt-Vorlagen
Was MCP verändert
Integrationskosten brechen ein: Die Verbindung von N KI-Hosts mit M Datenquellen geht von "N × M" Implementierungen auf "N + M" über. Jede Seite baut ihren eigenen Standardkonnektor.
Zugriff auf lokale Daten: MCP-Server können auf dem Rechner des Nutzers laufen und LLMs damit die Nutzung sensibler Daten ermöglichen, ohne sie externen APIs preiszugeben.
Beschleunigung des Agenten-Ökosystems: Was ein KI-Agent "tun kann", wird durch die Tools bestimmt, mit denen er verbunden ist. MCP wird zur gemeinsamen Tool-Ebene für das Agenten-Ökosystem.
Externer Zugriff für die KI-Suche: ChatGPT Search, Perplexity und andere können über MCP Echtzeitdaten und Nutzerkontext erreichen.
Auswirkungen auf GEO
MCP ist nichts, was Content-Autoren direkt implementieren, doch es verändert grundlegend, wie KI auf Inhalte zugreift.
Strukturierte Daten werden wertvoller: Wenn ein MCP-Server Blog-Inhalte als Ressourcen bereitstellt, sind sauberes Markdown, schema.org und OpenAPI-Spezifikationen weit leichter zu erfassen.
APIs und Feeds bereitstellen: Inhalte über RSS, JSON Feed oder einen MCP-Server zu veröffentlichen, ermöglicht es KI-Apps, sie zu abonnieren und direkt zu zitieren.
Ergänzt sich mit llms.txt: llms.txt und MCP-Server ergänzen einander, denn llms.txt teilt der KI mit, welche Inhalte existieren; MCP definiert, wie sie abgerufen werden.
Quellen: