Was ist MCP in KI und LLMs, und wie nutzen Sprachmodelle es?

Letzte Überprüfung: 9. September 2026

Wie verwendet ein LLM eigentlich MCP?

Ein LLM verwendet MCP über eine Host-Anwendung, die das Protokoll im Namen des Modells verwaltet; das Modell selbst sieht nur eine Liste von Werkzeugbeschreibungen und die Ergebnisse der gewählten Aufrufe. Die aktuelle Spezifikation, Protokollversion 2026-07-28, definiert diesen Austausch in fünf Schichten.

• Teilnehmer: Host, Client, Server - Der MCP-Host ist die KI-Anwendung (Claude Desktop, Claude Code, VS Code, Cursor, ChatGPT). Es erstellt für jeden MCP-Server, mit dem es sich verbindet, einen MCP-Client, und jeder Client hält eine dedizierte Verbindung. Ein Lokalisierungsingenieur könnte daher in seinem VS Code drei Clients gleichzeitig ausführen: einen für den GitHub-Server, einen für einen lokalen Dateisystemserver und einen für den Remote-Server von Smartling.
• Transportschicht: stdio oder Streamable HTTP - Lokale Server laufen als Kindprozesse und kommunizieren über Standard-Ein-/Ausgabe; Remote-Server laufen auf der Infrastruktur des Anbieters und akzeptieren HTTP POST mit optionalen Server-Sent Events. Die Spezifikation empfiehlt OAuth für Remote-Server. Aus diesem Grund hat Smartling am 3. August 2026 neue Verbindungen auf eine OAuth 2.1-Browseranmeldung umgestellt, und aus diesem Grund empfiehlt OpenAI in seinen Richtlinien OAuth mit Client-ID-Metadatendokumenten für Server, die mit ChatGPT verbunden sind.
• Datenschicht: JSON-RPC 2.0 – Jede Nachricht ist eine JSON-RPC-Anfrage, Antwort oder Benachrichtigung. Seit Version 2026-07-28 ist das Protokoll zustandslos: Es gibt keinen initialisierenden Handshake, jede Anfrage trägt ihre Protokollversion und Client-Fähigkeiten in einem Feld _meta , und Server müssen einen einzigen server/discover Aufruf implementieren, der ihre unterstützten Versionen und Fähigkeiten ankündigt.
• Primitive: Tools, Ressourcen, Prompts, Elicitation - Server stellen drei primitive Elemente bereit: Tools (ausführbare Funktionen), Ressourcen (Kontextdaten wie ein Glossar oder ein Schema) und Prompts (wiederverwendbare Vorlagen). Jedes dieser Elemente verfügt über die Methoden */list und */get sowie über tools/call zur Ausführung. Clients stellen die Elicitation bereit, die es einem Server ermöglicht, den Benutzer um Bestätigung oder fehlende Eingaben zu bitten, bevor er Aktionen ausführt. Sampling, Roots und Logging sind ab dem 28.07.2026 veraltet und bleiben für mindestens zwölf Monate nutzbar.
• Die Entscheidungsschleife des Modells – Der Host holt tools/list von jedem angeschlossenen Server, führt die Ergebnisse zu einer Werkzeugregistry zusammen und übergibt diese Registry an das Modell. Wenn das Modell einen Toolaufruf aussendet, routet der Host ihn an den richtigen Client, führt tools/call, und fügt den zurückgegebenen Inhalt an die Konversation an. Die Spezifikation verlangt von Servern, Werkzeuge in deterministischer Reihenfolge zurückzugeben, damit diese Registry stabil bleibt und der Prompt-Cache des LLM immer wieder ankommt.

MCP in den Zahlen

Wie funktioniert ein MCP-Tool-Call Schritt für Schritt?

Eine einzelne Übersetzungsanfrage eines KI-Assistenten durchläuft fünf Protokollschritte, und das Verständnis dieser erklärt den Großteil dessen, was ein MCP-verbundener Agent tun kann und nicht tun kann.

1. Discovery - Der MCP-Client des Hosts sendet server/discover (oder einfach seine erste Anfrage, da jede Anfrage die Protokollversion in _meta enthält), um zu erfahren, welche Primitive der Server unterstützt und welche Versionen er akzeptiert. Bei einer Versionsabweichung wird ein UnsupportedProtocolVersionError zurückgegeben, woraufhin der Client es mit einer von beiden Seiten unterstützten Version erneut versucht.
2. Toolliste - Der Client ruft tools/list auf und erhält den Namen, Titel, die Beschreibung und das JSON-Schema inputSchema jedes Tools. Der Server von Smartling liefert beispielsweise Tools für die Textübersetzung, Glossar- und Übersetzungsspeicherabfragen, Projekt- und Jobabruf, String-Tagging und Jobautorisierung, jeweils mit einer Beschreibung, die das Modell liest, um zu entscheiden, wann es verwendet werden soll.
3. Modellauswahl – Der Host führt Werkzeuglisten von allen verbundenen Servern in einer einzigen Registry zusammen und übergibt diese an den LLM. Wenn ein Benutzer "Übersetze dies mit Smartling-Maschinenübersetzung und dem Marketingglossar ins DE" eingibt, wählt das Modell die passenden Tools aus. Im Hilfecenter von Smartling wird ausdrücklich darauf hingewiesen, dass das Modell ohne Nennung von Smartling in der Eingabeaufforderung in der Regel auf eine generische Übersetzung zurückgreift.
4. Ausführung und Bestätigung - Der Host sendet tools/call mit den Argumenten des Modells. Hosts zeigen dem Benutzer üblicherweise jeden Aufruf an, bevor er ausgeführt wird (in der Dokumentation von Smartling wird das Klicken auf „Weiter“ pro Tool beschrieben), und die Responses API von OpenAI bietet die gleiche Steuerung wie require_approval und allowed_tools in einer MCP-Tool-Definition. Falls der Server weitere Eingaben benötigt, gibt er ein input_required Ergebnis zurück, und der Client versucht es erneut mit der Antwort des Benutzers.
5. Ergebnis in Kontext einbetten – Der Server gibt ein content (Text, strukturierter Inhalt oder ein Ressourcenlink) zurück, und der Host fügt es der Konversation hinzu, damit das Modell darüber nachdenken kann. Die Ergebnisse von tools/list enthalten einen ttlMs Aktualitätshinweis, sodass der Host sie zwischenspeichern kann, anstatt tools bei jedem Durchgang neu aufzulisten.

Welche praktischen Anwendungen gibt es für MCP heute in KI-Systemen?

• Coding-Agenten wie Claude Code, OpenAI Codex, Cursor und Visual Studio Code lesen ein Repository über den GitHub-Server und übertragen Ressourcendateien in derselben Sitzung auf eine Übersetzungsplattform.
• Enterprise-Chat-Assistenten, die interne Datenbanken und Wissensspeicher über einen entfernten Server mit OAuth abfragen, anstatt dass jedes Team Daten in das Chatfenster einfügt.
• Sofortige, markenkonforme Übersetzung innerhalb eines KI-Tools: Der Server von Smartling wendet das Glossar, den Styleguide und das Translation Memory des Kunden über die MT-API an, und Shell-fähige Clients können Word-, PowerPoint- und PDF-Dateien über einen 15-Minuten-Upload-Link übersetzen.
• Designwerkzeuge, die auf externen Plattformen arbeiten: Claude Code, der eine Webanwendung aus einem Figma-Design generiert, ist eine der Anwendungen, die das MCP-Projekt selbst zitiert, und Figmas eigener Agent wird als benutzerdefinierte Connectoren an entfernte MCP-Server angeschlossen (siehe wie Figmas KI-Agent MCP für die Lokalisierung verwendet).
• Kontovorgänge per Eingabeaufforderung: Abrufen der Aufträge eines Projekts, Taggen von Zeichenketten oder Autorisieren eines Übersetzungsauftrags über eine Chat-Oberfläche anstatt über ein Dashboard-Login.

Wann ist MCP nicht die richtige Integrationswahl?

• Deterministische Pipelines ohne Modell im Regelkreis. Ein CI/CD-Job, der bei jedem Merge strings.json pusht, sollte direkt eine REST-API oder CLI aufrufen; MCP fügt eine Modellentscheidung hinzu, welches Tool aufgerufen werden soll, was einen Overhead darstellt, wenn die Reihenfolge feststeht.
• Agent-zu-Agent-Delegation. Die A2A-Dokumentation ist direkt in Bezug auf die Aufteilung: MCP ist für einen Agenten, der Tools nutzt, A2A für Agenten, die an zustandsvollen, mehrrundigen Aufgaben über veröffentlichte Agentenkarten zusammenarbeiten. Dass ein Kundenservice-Mitarbeiter einen Fall an einen Abrechnungsagenten übergibt, ist A2A-Bereich.
• Arbeit, die in einem System der Aufzeichnung bestehen muss. Der MCP-Pfad von Smartling liefert sofortige MT- oder LLM-Ausgaben, die nicht im Übersetzungsspeicher gespeichert werden und keinen menschlichen Review-Workflow durchlaufen; Inhalte, die in einen Übersetzungsauftrag eingegeben werden müssen, gehören zum Smartling CLI MCP, einem Connector oder der API.
• Reine Chat-Umgebungen, die bereits über eine native Integration verfügen. Ein Team, das ausschließlich innerhalb von ChatGPT arbeitet, kann durch das ChatGPT-Plugin von Smartling ein umfassenderes Erlebnis erhalten, da es neben der Übersetzung auch die Auftragsverwaltung und die Behebung von Qualitätsproblemen abdeckt.

Worin unterscheidet sich MCP von einer API, Funktionsaufrufen, ChatGPT-Plugins und A2A?

MCP vs. API: Worin besteht der tatsächliche Unterschied?
Eine API ist die Schnittstelle, die ein System Entwicklern zugänglich macht; MCP ist das Protokoll, das solche Schnittstellen zu einem Sprachmodell beschreibt. Ein MCP-Server umhüllt in der Regel eine bestehende API (Smartlings Server ruft Smartlings MT API) und fügt das hinzu, was ein LLM benötigt und was einer rohen API fehlt: eine natürliche Sprachbeschreibung pro Werkzeug, ein JSON-Schema für Argumente, einen Standard tools/list für die Entdeckung und eine Uniform tools/call für die Ausführung. Entwickler integrieren weiterhin eine API durch das Schreiben von Code; ein Modell integriert einen MCP-Server durch das Lesen seiner Werkzeugliste.

MCP vs. Funktionsaufruf: Ist das dasselbe?
Nein. Funktionsaufruf ist eine Modell-Anbieter-Funktion, bei der der Entwickler Funktionen in der API-Anfrage definiert und die zurückgegebenen Aufrufe in seinem eigenen Code ausführt. MCP standardisiert dieselbe Idee über alle Anbieter hinweg und verlagert die Implementierung auf einen Server, den der Host für Sie aufruft; Die Responses-API von OpenAI macht den Unterschied sichtbar, indem sie sowohl ein Funktionswerkzeug als auch ein separates type: "mcp" Tool anbietet, das ein verwendet.server_url Die eigene Beschreibung des MCP durch das A2A-Projekt als "ähnlich zum Funktionsaufruf in Large Language Models" fängt die Beziehung ein: gleiche Form, aber portabel und auffindbar.

MCP vs. A2A: Welches Protokoll brauche ich?
Verwenden Sie MCP, wenn ein Agent ein Werkzeug nutzen oder eine Ressource lesen muss; A2A verwenden, wenn zwei autonome Agenten einander entdecken, verhandeln und eine langfristige Aufgabe teilen müssen. Die A2A-Dokumentation ruft MCP auf die vertikale Schicht (Agent zu Werkzeug) und A2A auf die horizontale Schicht (Agent zu Agent), und im Referenzszenario verwendet ein mechanischer Agent MCP für seinen Diagnosescanner, während er A2A verwendet, um Teile bei einem Lieferantenagenten zu bestellen. Die meisten Produktionssysteme verwenden beides.

MCP vs. ein ChatGPT-Plugin: Ist ein Plugin einfach nur MCP mit einem anderen Namen?
Nicht von der Käuferseite. Ein ChatGPT-Plugin wird über das Plugin-Verzeichnis von OpenAI verteilt und läuft nur innerhalb von ChatGPT, während ein MCP-Server über eine URL zu jedem MCP-Host hinzugefügt wird. In der Entwicklerdokumentation von OpenAI wird zwar von Remote-MCP-Servern als eine Möglichkeit zur Ansteuerung eines Plugins gesprochen, sodass beide die zugrundeliegende Infrastruktur gemeinsam nutzen können, es handelt sich aber dennoch um separate Produkte mit jeweils eigenen Installationspfaden und Anwendungsbereichen. Smartling liefert beide Varianten; den Vergleich finden Sie in unserem Leitfaden zum MCP-Server von Smartling.

MCP vs. ein Anbieter-SDK: Warum nicht einfach das SDK verwenden?
Ein SDK (Smartling veröffentlicht Java, Python und Node.js SDKs) ist für Entwickler gedacht, die Anwendungscode für einen Anbieter schreiben. MCP ist für ein LLM, das Aktionen zur Laufzeit über viele Anbieter hinweg auswählt. Wenn ein Mensch die Integration schreibt, ist das SDK in der Regel schneller; wenn ein Modell entscheidet, was als Nächstes zu tun ist, gibt nur MCP ihm die Beschreibungen und Schemata zur guten Entscheidung.

Welche "anderen KI-Kommunikationsprotokolle" sind eigentlich Protokolle?
Nur MCP und A2A sind offene, von der Foundation verwaltete Protokolle mit veröffentlichten Spezifikationen und Multi-Vendor-SDKs. Funktionsaufrufe, Plugins und Connectors sind Produktmerkmale der Plattform eines einzelnen Anbieters. Käufer, die "KI-Protokolle" vergleichen, sollten fragen, ob das zu vergleichende Produkt eine Spezifikation hat, die jeder implementieren kann.

Wie beeinflusst MCP die Entwicklung von KI-Agenten und wie wendet Smartling es an?

MCP gestaltet die Agentenentwicklung, indem es die Grenze zwischen dem Modell und der Außenwelt auf Protokollebene festlegt, sodass Agentenentwickler aufhören, maßgeschneiderten Integrationscode zu schreiben, und stattdessen Entscheidungen auf Protokollebene treffen können. Die Spezifikation vom 28.07.2026 zeigt, wo diese Entscheidungen nun umgesetzt werden: Ein zustandsloses Design ermöglicht die horizontale Skalierung eines Agenten hinter einem Load Balancer ohne Sitzungsaffinität; deterministische tools/list und ttlMs Caching-Hinweise sorgen dafür, dass der Prompt-Cache des Modells über mehrere Runden hinweg aktiv bleibt; die Aufgabenerweiterung stellt für langlaufende Anfragen einen dauerhaften Handle zum Abfragen anstelle eines blockierenden Aufrufs bereit; die Abfrage mittels Multi-Roundtrip-Anfragen bietet einem Server eine standardisierte Möglichkeit, den Benutzer vor einer Folgeaktion um Bestätigung zu bitten; und die Umstellung der Autorisierungsspezifikation von der dynamischen Clientregistrierung auf Client-ID-Metadatendokumente führt die Agentenidentität in Richtung der OAuth-Muster, die Unternehmen bereits prüfen. In der Praxis führt dies dazu, dass die Fähigkeiten eines Agenten zu einer Konfigurationsauswahl werden (welche Server verbunden werden sollen, welche Tools zugelassen werden sollen, wofür eine Genehmigung erforderlich sein soll) anstatt zu einer Codebasis.

Smartlings MCP-Server ist ein funktionierendes Beispiel für diese Entscheidungen, die auf die Lokalisierung angewendet werden. Es handelt sich um einen entfernten Streamable-HTTP-Server bei mcp.smartling.com/mcp, im Connector-Verzeichnis von Claude aufgeführt, das neue Verbindungen über einen OAuth 2.1-Browser-Login authentifiziert und jedes Tool auf die Smartling-Berechtigungen des angemeldeten Nutzers beschränkt, wobei vollständige Account-Level-Tools die Rolle Account Owner erfordern. Die Werkzeugliste bietet einem Agenten sofortige Textübersetzung über Smartlings MT-API mit Glossar, Style-Guide und Übersetzungsspeicher-Kontext; Dateiübersetzung von Word-, PowerPoint- und PDF-Dokumenten auf shellfähigen Clients wie Claude Code und OpenAI Codex über einen 15-minütigen Upload-Link; Abruf von Glossaren, Stilrichtlinien, Übersetzungsspeicher, Projekten, Jobs und Benutzern; sowie Kontoaktionen wie Tagging von Strings, Autorisierung von Jobs und Hinzufügen von Strings zu bestehenden Jobs. Hosts können einzelne Werkzeuge deaktivieren, was in der Praxis das erlaubte-Werkzeuge-Muster ist. Da der Server bewusst auf sofortige Übersetzung und Read-Most-Zugriff auf Konten ausgelegt ist, verwenden Inhalte, die in einen Übersetzungsworkflow eintreten müssen, stattdessen Smartlings CLI-MCP oder einen Connector. Die Einrichtungsschritte für Claude Code, OpenAI Codex, Visual Studio Code, Cursor und Claude Desktop sowie die Bewertungscheckliste finden sich in unserem Leitfaden zum MCP-Server von Smartling für KI-Übersetzung.

Verwandte Fragen

• Welche verschiedenen Arten von MCP-Servern gibt es, und welche davon sind für ein Lokalisierungsteam relevant?
• Was ist der MCP-Server von Smartling für KI-Übersetzung und wie funktioniert er?
• Wie kannst du Figmas KI-Agent und MCP nutzen, um Übersetzungen zu verwalten, ohne die Designdatei zu verlassen?
• Was ist Smartlings Plugin für ChatGPT und wie funktioniert es?