Wie das Model Context Protocol funktioniert: Eine technische Vertiefung
Das Model Context Protocol (MCP) entwickelt sich zu einem der wichtigsten neuen Standards in der generativen KI – eine Möglichkeit für große Sprachmodelle (LLMs), sicher, dynamisch und kontextbezogen mit Unternehmenssystemen zu interagieren.
Für technische Führungskräfte, KI-Ingenieure und Architekten ist das Verständnis der Funktionsweise von MCP unerlässlich, um sichere, kontextbezogene KI-Integrationen in den Bereichen Suche, Handel und Betrieb zu ermöglichen. Es ist nicht nur ein weiteres Framework – es ist das Bindegewebe, das KI nützlich macht innerhalb des bestehenden Stacks Ihres Unternehmens.
Lucidworks, ein führendes Unternehmen im Bereich Unternehmenssuche und Produkterkennung, ist einzigartig positioniert, um Unternehmen bei der Implementierung von MCP-gesteuerten Architekturen zu helfen, die Intelligenz, Kontext und Governance miteinander verbinden.
In diesem Beitrag erhalten Sie einen technischen Einblick in MCP – seine Struktur, den Nachrichtenfluss und wie es mit verwandten Protokollen wie ACP (Agentic Commerce Protocol) verbunden ist, um KI-gesteuerte Transaktionen zu unterstützen.
Was ist MCP und warum ist es so wichtig?
Das Model Context Protocol (MCP) ist ein offener Standard, der definiert, wie KI-Modelle – insbesondere LLMs – mit externen Tools, APIs und Datenquellen auf strukturierte, auffindbare und sichere Weise kommunizieren.
Im einfachsten Fall standardisiert MCP, wie Modelle externen Kontext finden und nutzen. Stellen Sie es sich als eine JSON-RPC-Schnittstelle für KI vor: Das Modell fungiert als Client, und die Tools und Datensysteme des Unternehmens fungieren als MCP-Server.
In der Praxis:
- Das Modell (wie ChatGPT oder ein anderes LLM) fragt ab, welche Tools oder Daten über MCP verfügbar sind.
- Der MCP-Server stellt Funktionen zur Verfügung – APIs, Datenabfragen, Dokumentenspeicher und sogar Vorlagen für Eingabeaufforderungen.
- Das Modell ruft diese Funktionen dynamisch auf, mit Schemavalidierung, Authentifizierung und Protokollierung.
Diese Standardisierung ist von entscheidender Bedeutung, denn bis MCP war jede KI-Integration individuell und erforderte brüchige, einmalige Verbindungen zwischen jedem Modell und jedem Unternehmenssystem.
Mit MCP haben wir jetzt eine gemeinsame Sprache für die Kommunikation zwischen KI und System, ähnlich wie REST oder GraphQL Web-APIs standardisiert haben.
MCP-Architektur: Ein Client-Server-Design
Architektonisch ist MCP als ein Client-Server-Protokoll modelliert. Der LLM oder Agent fungiert als Client, während ein oder mehrere MCP-„Server“ strukturierte Fähigkeiten bereitstellen.
| Component | Role | Description |
|---|---|---|
| MCP Client | Initiates communication | Usually, the LLM or agent that wants to use enterprise tools. |
| MCP Server | Exposes capabilities | The system offers APIs, data sources, or functions that the model can call. |
| Schema Registry | Defines structure | This document contains schemas for message types, tool definitions, and data formats. |
| Transport Layer | Handles communication | Typically JSON-RPC over WebSocket or HTTP. |
Ein typischer MCP-Austausch sieht wie folgt aus:
- Das Modell sendet eine Suchanfrage: „Welche Tools sind verfügbar?“
- Der MCP-Server gibt eine Liste von Tools oder Datenquellen mit Schemata und Metadaten zurück.
- Das Modell wählt ein Tool aus und sendet eine Aufrufanforderung mit Eingabeparametern.
- Der Server führt die Anfrage aus (z.B. eine Suchanfrage oder einen Datenabruf) und gibt strukturierte Ergebnisse zurück.
- Das Modell verwendet diese Ergebnisse, um seine nächste Aktion zu verfeinern oder eine Antwort zu generieren.
Diese Architektur ermöglicht es den Modellen, mit echten Unternehmensdaten zu arbeiten – ohne direkten Datenbankzugriff oder unsichere Plugin-Architekturen.
Nachrichtenfluss: Wie MCP kommuniziert
Das Nachrichtensystem von MCP ist von JSON-RPC inspiriert und gewährleistet Interoperabilität und Einfachheit. Jede Nachricht ist ein JSON-Objekt mit einer definierten Struktur.
Beispiel: Tool Entdeckung
{
„jsonrpc“: „2.0“,
„Methode“: „mcp.listTools“,
„id“: 1
}
Antwort:
{
„jsonrpc“: „2.0“,
„Ergebnis“: [
{
„Name“: „getCustomerOrder“,
„paramsSchema“: {
„Typ“: „Objekt“,
„Eigenschaften“: { „customerId“: { „Typ“: „string“ } }
},
„returns“: „OrderDetails“
}
],
„id“: 1
}
Beispiel: Werkzeugaufruf
{
„jsonrpc“: „2.0“,
„Methode“: „mcp.invoke“,
„Parameter“: {
„Werkzeug“: „getCustomerOrder“,
„args“: { „customerId“: „12345“ }
},
„id“: 2
}
Antwort:
{
„jsonrpc“: „2.0“,
„Ergebnis“: {
„orderId“: „A-99821“,
„Status“: „Geliefert“,
„gesamt“: 129.99
},
„id“: 2
}
Diese strukturierten Austauschvorgänge machen MCP sowohl maschinenlesbar als auch kontrollierbar. IT-Teams können den Zugriff auf einer granularen Ebene protokollieren, überwachen und einschränken.
MCP-Schema und Validierung
Jede Nachrichten- und Tooldefinition in MCP folgt einem strengen JSON-Schema. Dies erzwingt Datentypen, Strukturen und Regeln für die Validierung von Eingaben und Ausgaben.
| Schema Element | Purpose |
|---|---|
| paramsSchema | Defines input parameters for each tool |
| resultSchema | Defines expected output types |
| metadata | Describes tool purpose, ownership, or compliance tags |
| auth | Defines authentication and authorization scope |
Dieser schemabasierte Ansatz verhindert Fehler, erzwingt Zugriffskontrollen und ermöglicht eine dynamische Erkennung – das Modell kann neue Tools sicher erkunden, ohne dass die Gefahr eines Missbrauchs besteht.
Integration von MCP in Unternehmenssysteme
Unternehmen können MCP-Kompatibilität hinzufügen, indem sie bestehende APIs oder Dienste mit einer leichtgewichtigen MCP-Serverschicht umhüllen.
Schritt-für-Schritt-Beispiel:
- Identifizieren Sie eine API oder Datenquelle, z.B. Produktinventar oder CRM.
- Definieren Sie für jede aufrufbare Funktion ein MCP-Schema.
- Setzen Sie ein MCP-Servermodul ein, das diese Funktionen bereitstellt.
- Registrieren Sie ihn in der Konfiguration Ihres KI-Agenten.
- Der LLM kann diese Tools nun dynamisch über MCP abfragen oder aufrufen.
So könnte beispielsweise eine von Lucidworks betriebene Such-API ihre Abfrage- und Empfehlungsfunktionen über MCP zur Verfügung stellen:
{
„Name“: „searchProducts“,
„paramsSchema“: {
„Typ“: „Objekt“,
„Eigenschaften“: {
„Abfrage“: { „Typ“: „string“ },
„Filter“: { „Typ“: „Objekt“ }
}
},
„liefert“: „SearchResults“
}
Dadurch können KI-Agenten die Suchintelligenz von Lucidworks direkt nutzen, indem sie LLM-Schlussfolgerungen mit den präzisen Relevanz- und Merchandising-Daten von Lucidworks kombinieren.
MCP und ACP: Von der Suche zur Transaktion
Während MCP Modelle mit Daten und Tools verbindet, erweitert das Agentic Commerce Protocol (ACP) diese Verbindung auf Transaktionen, so dass KI-Agenten Käufe sicher abschließen können.
- MCP: Ermöglicht die Erkennung von Kontexten und Fähigkeiten (z.B. Produktdaten suchen, Systeme abfragen).
- ACP: Abwicklung von Handel und Zahlungen (z.B. Kasse, Abwicklung, Rücksendungen).
Zum Beispiel:
- Der Agent verwendet MCP, um searchProducts(„kabellose Tastatur“) aufzurufen.
- Es wertet Ergebnisse und Benutzerpräferenzen aus.
- Es ruft ACP auf, um den Checkout sicher abzuschließen.
Zusammen bilden MCP und ACP die Grundlage von agentenbasierten Ökosystemen, in denen KI-Systeme unter der Kontrolle von Unternehmen sicher recherchieren, Empfehlungen aussprechen und Transaktionen durchführen können.
Sicherheit und Governance bei MCP
Die Sicherheit ist in MCP auf mehreren Ebenen integriert:
| Layer | Security Feature |
|---|---|
| Authentication | Uses OAuth/JWT tokens for model-to-server access |
| Authorization | Role- and scope-based permissions on tools |
| Data Governance | Fine-grained audit trails for all tool invocations |
| Policy Controls | Optional rule sets for compliance (GDPR, PII, etc.) |
Da Modelle dynamisch Tools aufrufen, ist die Beobachtbarkeit von entscheidender Bedeutung. Unternehmen können jeden Aufruf, jeden Parameter und jede Antwort protokollieren und so eine vollständige Rückverfolgbarkeit für Compliance und Fehlersuche gewährleisten.
Die Plattform von Lucidworks bietet bereits Beobachtbarkeit, Richtliniendurchsetzung und Datenmaskierung, die MCP-basierte Architekturen ergänzen und sie zu einem zuverlässigen Integrationspunkt zwischen Modellen und Unternehmenssystemen machen.
Vergleich zwischen MCP und Context Windows
Das Kontextfenster eines LLM begrenzt, wie viele Informationen es sich auf einmal „merken“ kann. MCP bietet eine andere Art von Skalierbarkeit – anstatt das Modell größer zu machen, macht es dieses intelligenter, indem es bei Bedarf externen Kontext abfragt.
| Approach | Method | Limitation |
|---|---|---|
| Bigger Context Windows | Add more tokens to the model memory | Expensive, brittle, memory-heavy |
| MCP Protocol | Fetch live data when needed | Requires structured integration |
Für KI-gesteuerte Such- und Entdeckungssysteme ist MCP weitaus effizienter – das Modell erhält just-in-time Zugriff auf die indizierten Daten, Empfehlungen und Personalisierungsfunktionen von Lucidworks.
Zukunftsaussichten: MCP als neue KI-Infrastrukturschicht
So wie APIs die Softwareintegration revolutioniert haben, könnte MCP die universelle Ebene für die Kommunikation zwischen KI und System werden.
Das können wir erwarten:
- Tool-Marktplätze für MCP-Server (z.B. CRM-, ERP-, PIM-Konnektoren).
- KI-Orchestrierungsplattformen für Unternehmen, die auf MCP-Standards basieren.
- Überprüfbare KI-Pipelines, bei denen jeder Toolaufruf protokolliert und kontrolliert wird.
Der Ansatz von Lucidworks – die Verbindung von KI-gesteuerter Erkennung mit unternehmensgerechter Governance – entspricht diesem Trend direkt. Er überbrückt die Lücke zwischen ergebnisoffener KI-Ermittlung und strukturierter Unternehmenszuverlässigkeit.
Wichtigste Erkenntnisse
- MCP (Model Context Protocol) bietet eine standardisierte, sichere Schnittstelle zur Verbindung von LLMs mit Unternehmenstools, Daten und APIs.
- Es verwendet JSON-RPC Messaging und Schema-Validierung, um eine sichere, dynamische Ermittlung von Fähigkeiten zu gewährleisten.
- ACP (Agentic Commerce Protocol) ergänzt MCP durch die Verwaltung von Transaktionen und Zahlungen.
- Die Plattform von Lucidworks lässt sich nahtlos in MCP-basierte Architekturen integrieren und bietet Governance, Beobachtbarkeit und Relevanz auf Unternehmensebene.
- MCP ist nicht nur ein Protokoll – es ist die nächste Evolution der KI-Infrastruktur von Unternehmen.