--- title: MCP (Model Context Protocol) slug: mcp-server canonical_url: https://www.geoquality.ai/glossar/mcp-server md_url: https://www.geoquality.ai/glossar/mcp-server.md language: de last_modified: 2026-05-07T00:00:00+00:00 related_terms: [answer-engine, llm, rag, structured-data] content_hash: 3ffe86a45cc80c9e license: CC BY 4.0 author: Marco Biner (geoquality.ai) schema_type: DefinedTerm --- # MCP (Model Context Protocol) MCP (Model Context Protocol) ist ein offenes Protokoll von Anthropic, das LLMs wie Claude den standardisierten Zugriff auf externe Tools, Datenbanken und APIs ermöglicht. Eingeführt im November 2024, etabliert es sich 2026 als Standard für Tool-Integration in Claude- und Multi-Anbieter-AI-Anwendungen — wichtig für GEO-relevante AI-Tools. ## Erläuterung MCP (Model Context Protocol) ist ein offenes Protokoll, das Anthropic im November 2024 als Open-Source-Standard für die Integration externer Tools und Datenquellen mit LLMs veröffentlichte. Die Grundidee: statt jeder LLM-Anwendung eigene proprietäre Tool-Anbindungen zu bauen, schafft MCP eine standardisierte Schnittstelle — vergleichbar mit USB-C für Hardware. Eine MCP-konforme Datenquelle (etwa eine Firmen-Datenbank oder eine API) kann direkt von jedem MCP-fähigen LLM-Client (Claude Desktop, Cursor IDE, Continue) genutzt werden, ohne anwendungs-spezifische Programmierung. Architektonisch besteht MCP aus drei Komponenten. Erstens MCP-Hosts : LLM-Clients wie Claude Desktop, Cursor IDE oder Anthropic-API-Anwendungen, die MCP-Verbindungen aufbauen. Zweitens MCP-Servers : die Datenquellen oder Tools selbst, die ihre Funktionen über das MCP-Protokoll exponieren — typisch Filesystem-Zugriff, Datenbank-Abfragen, API-Calls, Suchmaschinen-Integration. Drittens MCP-Protokoll : die JSON-RPC-basierte Spezifikation, die definiert, wie Hosts und Servers kommunizieren — Tool-Discovery, Tool-Aufrufe, Resource-Listing, Prompts. Für GEO ist MCP an zwei Stellen relevant. Erstens als Tool-Anbieter : Sites mit eigenen MCP-Servern können von Claude und anderen MCP-fähigen LLMs direkt befragt werden. Eine Schweizer Treuhand-Site könnte einen MCP-Server bereitstellen, der ihre FAQ-Datenbank, ihre Beratungs-Preise oder ihre Mitarbeiter-Profile abfragbar macht. Anwender, die im Claude Desktop nach spezifischen Schweizer Treuhand-Themen fragen, könnten diese Site als Live-Datenquelle nutzen. Zweitens als Tool-Konsument : GEO-Strategen können MCP-Server für interne Analysen nutzen — etwa Schema.org-Validatoren, Citation-Rate-Tracker oder Wikidata-Editoren. Geoquality.ais AI GEO-Berater nutzt selbst Tool-Use-Pattern, das MCP-Architektur-konform ist. Strategisch sind MCP-Server 2026 noch ein frühes Adoption-Feld, aber mit hohem Wachstumspotential. Schätzungsweise 8'000-12'000 produktive MCP-Server weltweit, die meisten im Developer-Tool-Bereich (GitHub, Filesystem, Datenbanken). Branchen-spezifische MCP-Server (Treuhand, Anwaltskanzleien, Medizin) sind noch selten — First-Mover haben strukturellen Authority-Vorteil. Für GEO-Strategen lohnt sich 2026 die Beobachtung der MCP-Adoption-Kurve und ggf. die Pilotierung eines eigenen MCP-Servers für die strategischen Themenfelder. Wichtig zur Abgrenzung: MCP ist nicht REST-API ist nicht GraphQL. REST und GraphQL sind generische API-Standards für beliebige Anwendungen. MCP ist spezifisch für LLM-Tool-Integration ausgelegt — mit Konzepten wie Tool-Discovery, Resource-Listing und LLM-freundlichen Antwort-Formaten. Eine REST-API kann mit einem MCP-Wrapper in MCP-konforme Form gebracht werden; nicht jede REST-API ist automatisch MCP-fähig. ## Praxisbeispiel Beispiel: einfacher MCP-Server für eine Treuhand-FAQ-DB: # mcp_server.py - vereinfacht from mcp.server import Server from mcp.types import Resource, Tool server = Server('mueller-treuhand-faq') @server.list_tools() async def list_tools(): return [ Tool( name='search_faq', description='Sucht in der Mueller Treuhand FAQ-DB', inputSchema={ 'type': 'object', 'properties': { 'query': {'type': 'string'} } } ) ] @server.call_tool() async def call_tool(name, arguments): if name == 'search_faq': results = search_database(arguments['query']) return {'results': results} # Konfiguration in Claude Desktop # ~/.claude/claude_desktop_config.json: { 'mcpServers': { 'mueller-treuhand': { 'command': 'python', 'args': ['/path/to/mcp_server.py'] } } } # User in Claude Desktop: # 'Was sind die haeufigsten MWST-Fragen bei Mueller Treuhand?' # Claude ruft search_faq Tool auf, gibt strukturierte Antwort Dieser MCP-Server macht die FAQ-DB direkt für Claude-Anwender zugänglich — ein neuer Distributions-Kanal, der klassische Web-Crawl-basierte Citations ergänzt. ## Häufige Fehler - MCP mit klassischen REST-APIs verwechseln — MCP hat spezifische LLM-Integration-Konzepte (Tool-Discovery, Resource-Listing). - MCP-Server ohne Authentifizierung deployen — sensitive Daten können sonst geleakt werden. - MCP als Universal-Lösung für alle LLM-Anbieter sehen — ist primär Anthropic-Standard, andere Anbieter haben eigene Tool-Use-Pattern. - MCP-Adoption überschätzen — 2026 ist es noch frühes Feld mit primärer Developer-Tool-Anwendung; Branchen-spezifische Adoption erst im Aufbau. ## Best Practices - Bei eigenem MCP-Server: implementiere klare Tool-Beschreibungen mit präzisen JSON-Schemata für Eingaben und Ausgaben. - Nutze Authentifizierung (API-Key oder OAuth) für MCP-Server mit sensitivem Datenzugriff. - Pflege MCP-Server-Dokumentation öffentlich auf der eigenen Site — wirkt als Authority-Signal für AI-Tool-Anbindung. - Bei GEO-Strategien: beobachte MCP-Adoption in deiner Branche; First-Mover haben strukturellen Vorteil. - Teste eigene MCP-Server mit Claude Desktop und Anthropic-API-Anwendungen vor Production-Release. - Folge der offiziellen MCP-Spezifikation auf modelcontextprotocol.io — Standard entwickelt sich aktiv. ## Fakten - MCP wurde im November 2024 von Anthropic als Open-Source-Standard veröffentlicht; offizielle Spec auf modelcontextprotocol.io. - Bis Ende 2025 wurden über 200 offizielle MCP-Server publiziert, primär im Developer-Tool-Bereich (Filesystem, GitHub, Datenbanken). - Claude Desktop ist 2026 der primäre MCP-Host; weitere Adoption durch Cursor IDE, Continue (VS Code) und Anthropic-API-basierte Anwendungen. - MCP nutzt JSON-RPC als Transport-Protokoll und unterstützt sowohl Local-Process-Server (stdio) als auch Network-Server (SSE/HTTP). - OpenAI hat 2024 ein vergleichbares Konzept (Function Calling) etabliert; 2025-2026 nähern sich beide Anbieter über das offene MCP-Standard an. - Im DACH-Raum 2026 sind branchen-spezifische MCP-Server selten — First-Mover-Vorteile in spezialisierten Bereichen (Treuhand, Anwalt, Medizin) sind erheblich. ## FAQ ### Was ist MCP? Model Context Protocol — ein offener Standard von Anthropic seit November 2024 für die Integration externer Tools und Datenquellen mit LLMs. Schafft eine standardisierte Schnittstelle (vergleichbar USB-C) für Tool-Anbindung an MCP-fähige LLM-Clients wie Claude Desktop. ### Wer nutzt MCP? Primär Claude Desktop und Anthropic-API-basierte Anwendungen. Weitere Adoption durch Cursor IDE, Continue (VS Code) und einige Drittanbieter. OpenAI hat ein vergleichbares Konzept (Function Calling), nähert sich aber 2025-2026 an MCP-Standard an. ### Wann lohnt sich ein eigener MCP-Server? Für technologisch aufgeschlossene KMU mit klar definiertem Themenfeld, das Anwender via Claude Desktop o.ä. abfragen würden. Beispiele: Treuhand-FAQ-DB, Anwaltskanzleien-Falllisten, Medizinische-Berechnungstools. First-Mover-Vorteile in Branchen-spezifischen MCP-Servern sind 2026 erheblich. ### Wie unterscheidet sich MCP von REST oder GraphQL? REST und GraphQL sind generische API-Standards. MCP ist spezifisch für LLM-Tool-Integration mit Konzepten wie Tool-Discovery, Resource-Listing und LLM-freundlichen Antwort-Formaten. Eine REST-API braucht einen MCP-Wrapper, um MCP-konform zu werden. ### Ist MCP sicher? Sicher bei korrekter Konfiguration — mit Authentifizierung (API-Key oder OAuth) und sauberem Permission-Modell. Unsicher, wenn ohne Auth deployed; sensitive Daten können dann von beliebigen Claude-Anwendern abgefragt werden. Production-Server brauchen zwingend Auth-Layer. ### Wirkt MCP-Server-Pflege auf klassische GEO-Sichtbarkeit? Indirekt ja, aber sekundär. Hauptwirkung: neuer Distributions-Kanal für Anwender, die direkt aus LLM-Clients fragen. Indirekt: MCP-Pflege ist Trust-Signal für technologische Reife der Site, was Crawler positiv werten. Für 2026 ist klassische Schema.org-Pflege wichtiger; MCP ergänzt für die kommenden Jahre. ## Experten-Definition MCP ist 2026 ein vielversprechendes Emerging-Konzept, aber noch nicht Mainstream im KMU-GEO. Bei Klienten thematisiere ich es selten als Pflicht-Massnahme — Foundation ( SEAKT , Schema, Capsules) hat höheren ROI. Aber für technologisch aufgeschlossene KMU lohnt sich die Beobachtung: ein eigener MCP-Server kann über 12-24 Monate ein neuer Distributionskanal werden, parallel zu klassischer Web-Citation. Mein Tipp: pilotiere einen MCP-Server für dein Haupt-Themenfeld, beobachte Adoption, skaliere wenn das Feld waechst. First-Mover in Branchen-spezifischen MCP-Servern haben strukturellen Vorteil — aber das ist 2026 noch optional, nicht Pflicht. ## Verwandte Begriffe - [Answer Engine](https://www.geoquality.ai/glossar/answer-engine.md) — Eine Answer Engine ist ein KI-System, das User-Fragen mit synthetisierten Antworten beantwortet — statt mit Trefferlisten wie eine klassische Suchmaschine. Beispiele 2026: ChatGPT, Perplexity, Claude, Google AI Overviews und Microsoft Copilot. Sie sind der Fokuspunkt jeder GEO-Strategie. - [Large Language Model (LLM)](https://www.geoquality.ai/glossar/llm.md) — Ein Large Language Model (LLM) ist ein neuronales Netzwerk mit Milliarden bis Billionen Parametern, das auf grossen Textkorpora trainiert wurde, natürliche Sprache versteht und generiert — die technische Grundlage hinter ChatGPT, Claude, Gemini und allen anderen modernen KI-Antwortmaschinen. - [RAG (Retrieval-Augmented Generation)](https://www.geoquality.ai/glossar/rag.md) — RAG ist eine LLM-Architektur, die Antworten nicht nur aus Trainingsdaten generiert, sondern zusätzlich Live-Quellen abruft und in den Antwort-Kontext einbettet. Sie ist 2026 der Standard für Antwortmaschinen wie ChatGPT mit Web-Browsing, Perplexity, Google AI Overviews und Claude mit Web-Search-Tool — und damit der zentrale Mechanismus, über den GEO-Optimierung wirksam wird. - [Strukturierte Daten](https://www.geoquality.ai/glossar/structured-data.md) — Strukturierte Daten sind maschinenlesbare Auszeichnungen von Web-Inhalten — typischerweise als JSON-LD im HTML-Head — die Entitäten, Beziehungen und Metadaten explizit benennen statt sie nur implizit im Fliesstext zu hinterlassen. ## Quelle und Zitation - HTML-Original: https://www.geoquality.ai/glossar/mcp-server - Lizenz: CC BY 4.0 - Zitiervorschlag: "MCP (Model Context Protocol) (geoquality.ai Glossar, Biner 2026)"