MCP-Server – 5 Tipps für die Praxis

MCP-Server unterstützen die Kommunikation zwischen KI-Agenten. Wenn sie richtig aufgesetzt sind.Rob Schultz / Shutterstock



Model Context Protocol (MCP) bietet einen Standard, um KI-Systeme miteinander zu verbinden und sie mit anderen Ressourcen zu koordinieren. Um komplexe Agentic-AI-Workflows entwickeln zu können, ist das essenziell. Der Umfang und die Größenordnung der Services, die MCP orchestriert, erfordern jedoch auch ein klar definiertes IT-Governance-Modell.



Michael Berthold, CEO von KNIME, erklärt, warum: „Bevor Sie Ihren KI-Agenten mit einem externen MCP-Server verbinden, sollten Sie genau wissen, wie Ihre Prompts und Daten verarbeitet und möglicherweise für andere Zwecke weitergegeben werden. Sie sollten nicht einfach davon ausgehen, dass ein scheinbar isoliert arbeitendes Tool nicht im Hintergrund noch eine andere KI nutzt.“



Im Folgenden haben wir fünf Anforderungen zusammengetragen, die Sie vor dem Deployment eines eigenen MCP-Servers – oder der Verbindung mit einem externen – unbedingt berücksichtigen sollten.



1. MCP-Scope definieren



MCP-Server können bei Agent-to-Agent-Orchestrierungen eine kontextbezogene Rolle spielen. Wenn ein KI-Agent andere Agenten sucht, um einen Task zu erledigen, kann er einen MCP-Server abfragen, um potenzielle Ressourcen zu identifizieren. Den Scope des MCP-Servers zu definieren, hilft dabei, seine Problembereiche und Ownership-Verhältnisse zu erfassen – ebenso wie weitere operative Grenzen, beispielsweise in Bezug auf Governance und Security.



Simon Margolis, stellvertretender CTO für KI und ML bei SADA, empfiehlt deshalb, eigene MCP-Server so zu designen, dass sie eng fokussiert sind und KI-Agenten gegenüber spezifischen und granularen Tools exponieren – statt dabei nach einer Art „universellen API“ zu streben: „So kann die Reasoning Engine der KI das richtige Tool leichter finden und zuverlässiger agieren. Ein MCP-Server sollte als intelligenter Adapter fungieren, der den Request an die KI in einen exakten Befehl übersetzt, den das zugrundeliegende Tool versteht.“



Andrew Filev, CEO und Gründer von Zencoder, rät außerdem dazu, es in Sachen MCP nicht zu übertreiben: „Wenn der Modellkontext mit zu vielen MCP-Tools überlastet wird, kann das die Agenten-Performance beeinträchtigen – auch mit Blick auf das Reasoning.“



Separate MCP-Server für Finanzabteilung, Personalwesen, Kunden-Support und IT aufzusetzen, kann es zudem vereinfachen, Zugriffsregeln aufzusetzen, Anomalien zu identifizieren sowie Richtlinien für das Lifecycle Management zu definieren.



2. Integrations-Governance etablieren



Welche Art von Ressourcen über einen MCP-Server verbunden werden sollen – daran scheiden sich die Geister. So rät Gloria Ramchandani, SVP of Product bei Copado, dazu, Daten, Einstellungen und Kontext von einem MCP-Server abzurufen, anstatt eigene Kopien zu speichern: „Den MCP-Server als einzige Quelle für KI-Agenten zu nutzen, sorgt für Konsistenz, reduziert Fehler und gestaltet Automatisierung reibungsloser, wenn Teams wachsen.“



Im Gegensatz dazu ist James Urquhart, Field CTO und Developer Evangelist bei Kamiwaza, kein Freund davon, sich in Sachen Data Retrieval auf MCP-Server zu verlassen. „RAG-Ansätze, um Live-Daten in die Antwortgenerierung einzubinden, bieten immer noch mehr Sicherheit und Performance als eine MCP-Integration.“



KI-Agenten mit MCP-Connection und Zugriff auf eine Datenbank als generische, risikoarme APIs zu behandeln, ist laut Rahul Pradhan, VP Product and Strategy of AI and Data bei Couchbase, ebenfalls kein gangbarer Weg. Der Experte schlägt stattdessen vor:




jedes Tool, das Daten lesen oder schreiben kann, als hochprivilegiert zu behandeln: „Setzen Sie auf das Least-Privilege-Prinzip, separieren Sie Read- und Write-Pfade und stellen Sie beim Zugriff auf die jeweilige Sensitivität der Daten ab.“



Prompts so zu entwerfen, dass Agenten zunächst Schema-Introspektions-Tools aufrufen: „Das ermöglicht der KI, Scopes, Collections und Felder zu verstehen, bevor Operationen ausgeführt werden.“



Agenten auf geprüfte, parametrisierte Queries oder gespeicherte Prozesse zu begrenzen und sämtliche Calls zu protokollieren: „Das mindert das Risiko von Datenexfiltration und -korruption sowie von Compliance-Verstößen.“




3. Sicherheitsmaßnahmen implementieren



Viele Organisationen, die LLMs ausgerollt haben, haben dafür KI-Governance-Richtlinien aufgesetzt – und diese dann für KI-Agenten aktualisiert. MCP-Server bereitzustellen, erfordert allerdings neue, unverzichtbare Security-Maßnahmen in Bezug auf Konfiguration, Deployment und Monitoring.



Ian Beaver, Chief Data Scientist bei Verint, erklärt, warum: „Die über einen MCP-Server bereitgestellten Tools können sich verändern und bieten möglicherweise nicht das erwartete Maß an Datensicherheit. Sowohl bei den Tool-Antworten als auch bei den Benutzereingaben bestehen Risiken durch Prompt Injection. Dadurch wird es zum primären Schwachpunkt für ansonsten statische Basismodelle, diese Tools zu nutzen.“



Der Experte rät deshalb dazu, sämtliche MCP-Tools als nicht vertrauenswürdige Quellen zu behandeln und grundsätzlich sämtliche In- und Outputs zu protokollieren, um die Interaktionen von KI-Agenten auditierbar zu halten. Essenziell ist in diesem Zusammenhang auch, Identitäten, Authentifizierung und Autorisierung für KI-Agenten zu definieren. Meir Wahnon, Mitbegründer von Descope, warnt davor, KI-Agenten uneingeschränkten Zugriff zu gewähren, wenn diese mit MCP-Servern verbunden sind: „Auch wenn MCP Integrationen standardisiert, verfügen viele Server immer noch nicht über eine angemessene Authentifizierung oder verwenden zu weit gefasste Berechtigungen. Dagegen hilft das Least-Privilege-Prinzip – und menschliche Expertise bei sensiblen Aktionen einzubinden.“



4. Datenverantwortung nicht delegieren



MCP-Server bieten zwar Konnektivität, überprüfen aber nicht die Daten, die dabei übertragen werden. Sie sollten deshalb nicht davon ausgehen, dass Model Context Protocol grundlegende Datenqualitätsprobleme lösen kann. Dieser Ansicht ist auch Sonny Patel, Chief Product und Technology Officer bei Socotra: „KI-Agenten sind nur so effektiv wie die Daten, auf die sie zugreifen. Wenn unvollständige, inkonsistente oder isolierte Informationen einfließen, liefern selbst Agenten mit perfekter MCP-Connection unzuverlässige Ergebnisse.“



Darüber hinaus tun Developer auch gut daran, Prompts und andere Inputs, die über MCP-Server an ihre KI-Agenten gesendet werden, kritisch unter die Lupe zu nehmen – und sich in punkto Upstream Validation nicht auf Annahmen zu verlassen. Matthew Barker, Head of AI Research and Development bei Trustwise, empfiehlt deshalb: „Implementieren Sie stets eine Laufzeitüberwachung, um MCP-Inputs zu validieren, bevor diese die Reasoning Engine erreichen. Ein einziger kompromittierter Agent reicht unter Umständen bereits, um das gesamte KI-Ökosystem zu verseuchen.“



5. Agenten-Experience richtig managen



Angesichts der wachsenden Zahl von KI-Agenten und MCP-Servern macht es zudem Sinn, Prinzipien rund um die Endbenutzer- und Betriebs-Experience festzulegen. Or Oxenberg, Senior Full-Stack-Datenwissenschaftler bei Lasso Security, rät vor allem dazu, umfassende Observability über vertrauenswürdige MCP-Server zu verankern: „Wenn Sie ein MCP-Gateway verwenden, überwacht dieses lediglich den ein- und ausgehenden Traffic des MCP-Servers. Um vollständige Transparenz zu gewährleisten, muss jede Interaktion und jede Benutzereingabe erfasst, sowie die Planung und Aktionen des Agenten gemappt und überwacht werden. Ohne diese Grundlagen können Sie nicht erkennen, wenn Agenten von ihrem beabsichtigten Verhalten abweichen – und auch Sicherheitsvorfälle nicht zurückverfolgen.“



„Als Integrator gestalten Sie ein Produkterlebnis für Agenten-Personas und sollten das modulierte Toolkit mit derselben Produktdisziplin behandeln, die auch mit Blick auf die Entwickler-UX zur Anwendung kommt: Klarheit, Alignment und Mehrwert“, fasst Edgar Kussberg, Group Product Manager AI bei Sonar, zusammen.