MCP-Tutorial für Anfänger

MCP steht für Model Context Protocol, ein offenes Standardprotokoll, das verwendet wird, um zu standardisieren, wie KI-Anwendungen eine Verbindung zu externen Tools und Datenquellen herstellen.

MCP ist wie USB-C: Es ermöglicht verschiedenen Geräten, sich über dieselbe Schnittstelle zu verbinden.

Bevor es MCP gab, musste jedes Mal, wenn ein neues Tool (wie GitHub, Slack oder eine Datenbank) integriert wurde, jede KI-Anwendung ihren eigenen Satz Integrationscode schreiben, was zumN × M-Integrationsproblemführte (N KI-Anwendungen × M Tools = N×M Code-Sätze).

Mit MCP muss der Tool-Anbieter nur einen einzigen MCP-Server nach dem Standard erstellen, und jede KI-Anwendung, die MCP unterstützt, kann ihn direkt nutzen – das wird zu1 Server + kompatibel mit allen Hosts。

Das folgende Diagramm zeigt intuitiv den Unterschied zwischen traditioneller N×M-Integration und MCP-standardisierter Integration:

Im Dezember 2025 wurde MCP von Anthropic an die Agentic AI Foundation (AAIF) unter der Linux Foundation gespendet und wurde damit ein offener Standard, der von der Branche gemeinsam genutzt wird. Anbieter wie OpenAI und Block beteiligen sich gemeinsam an seiner Governance.

Entwicklungszeitleiste

Kernarchitektur: Host / Client / Server

MCP orientiert sich am Designansatz von LSP (Language Server Protocol, ein Protokoll, das Editoren eine einheitliche Unterstützung für Programmiersprachen bietet) und definiert drei Rollen:

Die Beziehung der Dreischichtenarchitektur ist im folgenden Diagramm dargestellt:

Die zugrunde liegende Kommunikation verwendet einheitlich dasJSON-RPC 2.0Nachrichtenformat, wodurch eine standardisierte Interaktion zwischen verschiedenen Rollen gewährleistet wird.

Detaillierte Erläuterung des MCP-Kommunikationsablaufs

Am Beispiel "der Nutzer bittet die KI, das Wetter zu prüfen" läuft ein vollständiger Tool-Aufrufprozess wie folgt ab:

Der Prozess ist in sieben Schritte unterteilt:

1. Nutzer stellt eine Frage: Der Nutzer gibt "Prüfe das Wetter in Peking für mich" im Host (z. B. Claude Code) ein.
2. Modell entscheidet: Das im Host integrierte große Sprachmodell analysiert die Frage, stellt fest, dass das Wetterabfrage-Tool aufgerufen werden muss, und sendet die Aufrufabsicht an den Client.
3. Protokollübersetzung: Der Client wandelt die Tool-Aufrufanforderung in eine Nachricht im JSON-RPC 2.0-Format um und sendet sie an den entsprechenden Server.
4. Server führt aus: Nach Erhalt der Anfrage führt der Server die eigentliche Operation aus (z. B. Aufrufen einer Wetter-API oder Abfragen einer Datenbank).
5. Ergebnis zurückgeben: Der Server gibt das Ergebnis im JSON-RPC-Format an den Client zurück.
6. Zurück an das Modell übergeben: Der Client übergibt das Ergebnis zurück an den Host, damit das Modell es in seine Antwort einbezieht.
7. Dem Benutzer antworten: Das Modell integriert die vom Tool zurückgegebenen Daten in natürliche Sprache und gibt die endgültige Antwort aus.

Während des gesamten Prozesses ist dem Server die Existenz des großen Sprachmodells völlig unbekannt—er verarbeitet nur JSON-RPC-Nachrichten. Dies ist das entscheidende Design, das MCP modellunabhängig macht.

Drei zentrale Primitive

Ein MCP-Server kann drei Arten von Fähigkeiten nach außen bereitstellen, die als „Primitives“ bezeichnet werden:

Darüber hinaus gibt es zwei fortgeschrittene Mechanismen:

• Sampling: Der Server kann wiederum das Modell des Hosts bitten, Inhalte für ihn zu generieren, wodurch eine Rollenumkehr erreicht wird.
• Elicitation: Wenn der Server mitten in der Ausführung feststellt, dass Informationen unzureichend sind, kann er den Benutzer proaktiv um Klärung bitten, zum Beispiel: "Nach welchem Datum soll ich filtern?"

Wenn du gerade anfängst, kannst du dich zunächst auf Tools und Resources konzentrieren. Es ist nicht zu spät, später mehr über Prompts, Sampling und Elicitation zu lernen, wenn du sie brauchst.

Transportmethoden

MCP unterstützt zwei Transportmethoden, die für unterschiedliche Szenarien geeignet sind:

Für persönliches Lernen und lokale Entwicklung ist die Verwendung vonstdioausreichend.

Für Unternehmensszenarien, die eine gemeinsame Nutzung durch mehrere Benutzer erfordern, verwenden SieStreamable HTTP。

Alle Demonstrationsfälle in diesem Tutorial verwenden die stdio-Methode.

Sicherheitshinweise

MCP verleiht der KI die Fähigkeit, Code auszuführen und auf reale Systeme zuzugreifen, daher sind Sicherheitsrichtlinien besonders wichtig:

• Tool-Beschreibungen selbst sind nicht vertrauenswürdig: Sofern sie nicht von einem vertrauenswürdigen Server stammen, können Funktionsbeschreibungen böswillig manipuliert werden (Prompt-Injection-Risiko). Der Host sollte in Bezug auf Tool-Beschreibungen wachsam bleiben.
• Ausdrückliche Benutzereinwilligung muss eingeholt werden: Sensible Vorgänge dürfen nicht stillschweigend ausgeführt werden; jeder Tool-Aufruf sollte vom Benutzer bestätigt werden.
• Schutz in Produktionsumgebungen verstärken: Der Server sollte als OAuth-Ressourcenserver bereitgestellt werden, kombiniert mit TLS-Verschlüsselung, Zugriffskontrolle und Protokollauditierung.
• Drittanbieter-Server müssen überprüft werden: Bestätigen Sie vor der Verwendung, dass die Quelle vertrauenswürdig ist, und verwenden Sie bei Bedarf Sandbox-Isolierung.

Praktische Demo: Claude Code mit einem MCP-Server verbinden

Nachfolgend finden Sie zwei vollständige Beispiele, die zeigen, wie man einen MCP-Server schreibt und ihn mit Claude Code verbindet.

Das erste Beispiel verwendet Python, um einen Wetterabfragedienst zu schreiben, und das zweite verwendet Node.js/TypeScript, um eine Todo-Listen-Verwaltung zu schreiben.

Fall 1: Python-Wetterabfrage-Server

Ziel: Einen MCP-Server schreiben, der ein Wetterabfrage-Tool bereitstellt, das über Claude Code aufgerufen wird.

Umgebungsvorbereitung

pip install mcp httpx

Zwei Python-Pakete müssen installiert werden:mcpIst das offizielle MCP Python SDK,httpxWird verwendet, um HTTP-Anfragen zum Aufrufen der Wetter-API zu stellen.

Schreiben des Servercodes

Erstellen Sie die Dateiweather_server.py：

Code-Erklärung:

• @mcp.tool(): Registriert die Funktion als Tool; der Docstring wird dem LLM automatisch als Tool-Beschreibung bereitgestellt, wodurch das Modell entscheiden kann, wann es sie aufrufen soll.
• @mcp.resource(): Registriert die Funktion als Resource, die das Modell bei Bedarf lesen kann; dabei geht es nicht um "Ausführung", sondern nur um "Nachschlagen".
• mcp.run(transport="stdio"): Kommuniziert mit dem Host über Standardeingabe/-ausgabe, die gebräuchlichste Methode für lokale Tools.

Lokales Debugging (optional, aber empfohlen)

Bevor Sie eine Verbindung zu Claude Code herstellen, verwenden Sie das offizielle MCP Inspector-Tool, um den Server zu debuggen und zu bestätigen, dass er ordnungsgemäß funktioniert:

npx @modelcontextprotocol/inspector python weather_server.py

Nach der Ausführung öffnet sich automatisch eine Web-Debugging-Oberfläche, in der Sie sehen können, welche Tools und Resources der Server bereitstellt, und sie zum Testen manuell aufrufen können.

Es wird empfohlen, jedes Mal den Inspector-Debugging-Prozess zu durchlaufen, um Codeprobleme zu beheben, bevor Sie eine Verbindung zu einem echten KI-Assistenten herstellen, was viel Debugging-Zeit sparen kann.

Konfigurieren des MCP-Servers in Claude Code

Methode 1: Es direkt von der KI hinzufügen lassen

Wir können Claude direkt starten:

claude

Geben Sie die folgenden Informationen ein und lassen Sie Claude sie für uns konfigurieren und hinzufügen:

添加 @weather_server.py 这个 MCP 服务

Dies ist die einfachste Variante; nach Eingabe des Prompts werden Konfiguration und Abhängigkeiten automatisch abgeschlossen.

Sie können sehen, dass die Konfigurationsinformationen automatisch in der Datei .mcp.json im aktuellen Verzeichnis generiert wurden:

Nach Abschluss der Konfiguration fragen Sie direkt in Claude Code:

Help me check the current weather in Beijing

Wenn Sie lieber selbst herumexperimentieren möchten, können Sie auch das Hinzufügen per Befehlszeile und die Dateikonfiguration verwenden.

Methode 2: Hinzufügen über die Befehlszeile

Beachten Sie, dass der Befehl und die Dateipfade von Ihnen selbst geändert werden müssen:

claude mcp add weather python /Users/example/example-test/weather_server.py

Die Bedeutung dieses Befehls:

• claude mcp add: Der MCP-Verwaltungsunterbefehl von Claude Code.
• weather: Geben Sie diesem MCP-Server einen Namen für die spätere Verwendung.claude mcp listSo können Sie es sehen.
• python: Der Befehl zum Starten des Servers.
• /Users/.../weather_server.py: Der absolute Pfad zum Server-Skript.

Nach erfolgreichem Hinzufügen können Sie den folgenden Befehl verwenden, um die verbundenen MCP-Server anzuzeigen:

claude mcp list

Beispielausgabe:

NAME      STATUS   COMMAND
weather   active   python /Users/example/example-test/weather_server.py

Zum Entfernen eines Servers:

$ claude mcp remove weather

Methode 3: Konfigurationsdatei (geeignet für Team-Sharing)

Erstellen Sie sie im Projektstammverzeichnis als.mcp.jsonDatei:

{
  "mcpServers": {
    "weather": {
      "command": "python",
      "args": ["/Users/example/example-test/weather_server.py"]
    }
  }
}

Nach dem Speichern starten Sie Claude Code neu (oder öffnen Sie das Projekt erneut), und die Konfiguration wird wirksam.

Der Vorteil des Konfigurationsdatei-Ansatzes besteht darin, dass er im Git-Repository committet werden kann und Teammitglieder nach dem Klonen des Projekts automatisch dieselbe MCP-Server-Konfiguration erhalten.

Wenn ein MCP-Server auf Benutzerebene konfiguriert ist (gespeichert in ~/.claude/mcp.json), gilt er für alle Projekte. Die projektweite .mcp.json gilt nur für das aktuelle Projekt.

Tatsächliche Verwendung

Nach Abschluss der Konfiguration fragen Sie direkt in Claude Code:

> Help me check the current weather in Beijing

Claude Code wird automatisch:

1. Erkennen, dass das get_weather-Tool des Wetter-Servers aufgerufen werden muss.
2. Einen Autorisierungsbestätigungsdialog einblenden, in dem gefragt wird, ob der Aufruf erlaubt werden soll.
3. Nachdem Sie auf Zustimmen geklickt haben, ruft es den Server auf, um die Wetterdaten abzurufen.
4. Integriere die Ergebnisse in eine Antwort in natürlicher Sprache.

Dies ist der vollständige geschlossene Kreislauf vom Modell zu realen Daten.

Fall 2: Node.js/TypeScript Todo-Server

Wenn du mit dem JavaScript/TypeScript-Ökosystem besser vertraut bist, findest du hier ein MCP-Server-Beispiel in Node.js.

Umgebungsvorbereitung

npm install @modelcontextprotocol/sdk zod

Schreiben des Servercodes

Erstelle die Dateitodo_server.ts：

Die Verbindung zu Claude Code funktioniert genauso wie in der Python-Version.

Wir können Claude direkt starten:

claude

Geben Sie die folgenden Informationen ein und lassen Sie Claude sie für uns konfigurieren und hinzufügen:

添加 @todo_server.ts 这个 MCP 服务

Sage dann in der Unterhaltung "Füge für mich ein Todo hinzu: kaufe das Beispiel-Tutorial", und Claude Code ruft das Tool add_todo auf.

Bestehendes Ökosystem: Du musst nicht alles selbst schreiben

Seit der Veröffentlichung von MCP hat die Community über 500 öffentliche Server veröffentlicht, die die überwiegende Mehrheit der gängigen Szenarien abdecken:

Das offizielle SDK deckt die folgenden Programmiersprachen ab: TypeScript, Python, C#, Java, Swift.

In der tatsächlichen Entwicklung können Sie für die meisten Szenarien einfach einen vorhandenen Server finden und verwenden. Nur wenn Sie eine Verbindung zu internen Unternehmenssystemen oder privaten Datenbanken herstellen, müssen Sie Ihren eigenen MCP Server schreiben.

FAQ

Referenzen

• Offizielle Dokumentation:https://modelcontextprotocol.io
• Offizielle Spezifikation:https://modelcontextprotocol.io/specification
• Offizielles GitHub (enthält SDKs und Referenzimplementierungen in verschiedenen Sprachen):https://github.com/modelcontextprotocol
• MCP-Protokoll:https://www.example.com/np/mcp-protocol.html
• Debugging-Tool Inspector:npx @modelcontextprotocol/inspector