MCP-Server, Tool-Nutzung und Agenten-Skills: Die Ebenen moderner KI-Entwicklung verstehen
Die KI-native Entwicklung beschleunigt sich, und immer mehr Entwickler integrieren Tools wie Claude, Cursor und VS Code KI-Erweiterungen in ihren Workflow. Doch es herrscht oft Verwirrung:
Dieser Artikel bietet eine klare, praxisnahe Erklärung der drei Konzepte, ihrer Abgrenzungen und wie sie die nächste Generation der Softwareentwicklung prägen.
MCP (Model Context Protocol), entwickelt von Anthropic, ist ein standardisierter Weg, wie KI-Modelle auf externe Quellen, APIs, Tools, Datenbanken oder interne Systeme zugreifen können.
Es gibt drei Kernelemente:
Und außerhalb von MCP, aber oft damit verwechselt:
Das Verständnis dieser Ebenen hilft dir dabei, bessere KI-Workflows zu entwerfen.
Bevor wir über MCP-Tools oder Claude-Code-Skills sprechen, hilft es zu verstehen, was „Tools“ in der KI-Welt grundsätzlich bedeuten.
In modernen LLM-Systemen sind Tools:
Externe Operationen, die ein KI-Modell aufrufen kann, um etwas in der realen Welt auszuführen, über die reine Textgenerierung hinaus.
Sie verleihen dem Modell Handlungsspielraum. Ein Tool kann nahezu alles sein:
Wenn das Modell entscheidet, ein Tool zu nutzen, verlässt es den reinen Sprachraum und führt eine Aktion mit realer Wirkung aus.
Tools existieren, weil rein Text-basierte Modelle sehr schnell an eine Grenze stoßen.
Ein Modell kann Dinge erklären, über ein Problem nachdenken oder Code entwerfen, aber es kann deine Systeme nicht berühren. Es weiß nicht, wie man deine Datenbank abfragt, eine Datei ändert, eine API aufruft, etwas in der Cloud bereitstellt oder einen langwierigen Vorgang mit mehreren Schritten ausführt.
Sobald du dem Modell eine Reihe von Tools zur Verfügung stellst, verschwinden diese Lücken. Das Modell erhält einen kontrollierten Weg, mit echter Infrastruktur zu interagieren, während du streng kontrollierst, was es tun darf und wie. Tools schaffen Struktur, Sicherheit und die Ausführungsebene, die reine Sprachmodelle grundsätzlich nicht besitzen.
Ein Tool ist durch einen Vertrag definiert:
Wenn das Modell diese Definition sieht, kann es:
Tools machen aus einem LLM faktisch einen Orchestrator.
Tools werden oft als mächtiger eingeschätzt, als sie sind. Sie sind keine Form von Intelligenz und enthalten keine Geschäftsregeln, Berechtigungen oder Workflow-Logik. Ein Tool ist einfach nur eine kleine, klar definierte Operation, die das Modell aufrufen kann. Das komplexe Verhalten wie mehrschrittige Workflows oder Entscheidungsfindung entsteht nicht durch das Tool selbst, sondern dadurch, dass das Modell mehrere Tools mittels eigenem Denken kombiniert.
Moderne Agenten-Frameworks: OpenAI Functions, Claude Tools, MCP, LangChain – sie basieren alle auf demselben Prinzip: Ein LLM wird erst dann richtig nützlich, wenn es handeln kann. Sprache allein genügt nicht; das Modell braucht einen Zugang zur echten Welt.
Tools sind die Ebene, die das möglich macht. Sie verbinden das Denkvermögen des Modells mit den tatsächlichen Fähigkeiten deines Systems – und das auf kontrollierte, berechtigte Weise. Mit dieser Brücke ist KI nicht mehr nur Generator für Text, sondern entwickelt sich zum Operator, der Daten holen, Dateien ändern, Workflows koordinieren oder Backend-Prozesse auslösen kann.
So wurde die Tool-Nutzung still und heimlich zum Rückgrat fast jeder ernsthaften KI-Anwendung – von IDE-Assistenten und Backend-Automatisierungen bis hin zu DevOps-Copiloten, IAM-Automatisierungen, Datenagenten und Enterprise-Workflow-Engines. MCP baut auf dieser Entwicklung auf, indem es ein konsistentes Protokoll zum Bereitstellen dieser Tools bietet und standardisiert, wie Modelle reale Systemfähigkeiten entdecken und nutzen.
Stell dir einen MCP-Server als Backend-Service vor, der KI-Assistenten gezielt abgegrenzte Fähigkeiten bereitstellt. Anstatt einem Modell uneingeschränkten Systemzugriff zu geben, kapselst du die Bereiche, die es nutzen darf: interne APIs, Authentifizierungslogik, Datenbankvorgänge, Geschäftsprozesse oder Berechtigungsprüfungen.
In der Praxis könnte eine IAM-Plattform wie Logto Aktionen anbieten wie:
Der Wert eines MCP-Servers liegt in der Struktur um diese Fähigkeiten.
Anstatt Integrationen auf viele Clients zu verteilen, befindet sich alles hinter einer klar definierten Schnittstelle. Das hat praktische Vorteile:
Deshalb passen MCP-Server hervorragend in Umgebungen, in denen Korrektheit und Zugriffskontrolle entscheidend sind: Identity-Systeme, Zahlungsverkehr, CRM, DevOps und interne Admin-Tools.
Im vorherigen Abschnitt sprachen wir über Tools. Tools sind keine Server; sie sind die einzelnen Aktionen innerhalb eines Servers.
Beispiel-Tools:
create_organizationinvite_memberlist_applicationsgenerate_backend_snippetinspect_user_accessTools sind:
Sie halten keinen Kontext und regeln keine Sicherheitsrichtlinien selbst. Sie sind lediglich die „Funktionen“, die über MCP verfügbar gemacht werden.
Claude-Code-Skills sind kein Teil von MCP.
Sie sind die eingebauten Fähigkeiten von Claude in Umgebungen wie:
Beispiele für Code-Skills:
Was Claude-Code nicht kann: Claude-Code-Skills können keine Organisations-Berechtigungen verwalten, keine Mandantendaten einsehen, keine sicheren Geschäftsvorgänge ausführen, nicht direkt auf deine interne Infrastruktur zugreifen und keine geschützten Produktivressourcen verändern. Genau deshalb gibt es MCP.
Vereinfacht gesagt:
Sie ergänzen sich gegenseitig, ersetzen sich aber nicht.
MCP-Server lösen eines der grundlegenden Probleme der KI-Entwicklung: Ein Modell versteht deine internen Systeme nicht, solange du sie ihm nicht strukturiert und sicher bereitstellst. Ohne diese Ebene bleibt das Modell beim Raten, Musterabgleichen oder dem Erzeugen von Anweisungen, die es selbst nicht ausführen kann.
Ein MCP-Server schafft diese Brücke. Er gibt dir einen kontrollierten Ort, an dem du interne Funktionen nach deinen Regeln bereitstellen kannst – mitsamt Wahrung der Sicherheitsgrenzen. Das Modell erhält echten Zugang zu den Fähigkeiten, ohne deine Infrastruktur oder dein Berechtigungssystem zu umgehen. In der Praxis kannst du mit einem MCP-Server:
Deshalb passen IAM-Plattformen wie Logto von Natur aus zu MCP.
Konzepte wie Berechtigungen, Tokens, Organisationen, Scopes und M2M-Flows lassen sich direkt auf die Sicherheitsgarantien eines MCP-Servers abbilden, sodass Identität zur Grundlage sicherer KI-Ausführung wird.
| Szenario | Beste Wahl |
|---|---|
| Codebearbeitung über mehrere Dateien | Claude-Code-Skill |
| Einfache Aktion ausführen | MCP-Tools |
| Sichere Unternehmens-Workflows bereitstellen | MCP-Server |
| Interne Backend-Fähigkeiten integrieren | MCP-Server |
| KI-gestütztes Produktfeature bauen | MCP-Server + Tools |
| Entwicklern Infrastrukturzugriff via IDE ermöglichen | Claude-Code-Skill + MCP-Server |
| Identitäts-/Zugriffskontrollen ausführen | MCP-Server |
Das stärkste KI-System kombiniert alle drei:
Gemeinsam ermöglichen sie:
Dieser Stack macht aus KI nicht nur „einen hilfreichen Chatbot“, sondern:
Für Plattformen wie Logto wird es zur natürlichen Verteilungsschicht für Identität und Autorisierung.
MCP-Server
Ein Backend-Service, der sichere Systemfähigkeiten für KI bereitstellt.
MCP-Tools
Atomare Aktionen, die vom Server bereitgestellt werden. Man kann sie sich als aufrufbare Funktionen vorstellen.
Claude-Code-Skill
IDE-Intelligenz, die Code versteht und anspruchsvolle Bearbeitungen ausführt – aber nicht selbst auf sichere Systeme zugreifen kann.
Gemeinsam gilt: Die KI versteht deinen Code (Claude-Code), führt präzise Aktionen aus (Tools) und realisiert sichere Workflows über deine internen Systeme (MCP-Server).
Das ist das Fundament der nächsten Generation KI-basierter Entwicklung.