Um wirklich nützlich zu sein, müssen große Sprachmodelle oft mit externen Datenquellen, Diensten und Tools interagieren. Bis vor kurzem geschah dies in der Regel über Application Programming Interfaces (APIs). Doch im späten 2024 führte Anthropic ein neues offenes Standardprotokoll ein: das Model Context Protocol (MCP). Dieses Protokoll hat bereits für Aufsehen gesorgt, da es standardisiert, wie Anwendungen Kontext für große Sprachmodelle (LLMs) bereitstellen. Lass uns die beiden Begriffe MCP und API definieren und einen Blick auf ihre Gemeinsamkeiten und Unterschiede werfen:
Was ist MCP?
Ein gutes Beispiel für MCP ist, dass es wie ein USB-C-Anschluss für deine KI-Anwendungen funktioniert. Es standardisiert die Verbindungen zwischen KI-Anwendungen, LLMs und externen Datenquellen. Stell dir deinen Laptop vor, der wahrscheinlich mehrere USB-C-Anschlüsse hat. In diese Anschlüsse kannst du verschiedene Kabel stecken, die alle den USB-C-Standard verwenden, um mit verschiedenen Peripheriegeräten zu kommunizieren, wie Monitoren, externen Festplatten und Netzteilen. MCP funktioniert ähnlich.
Die Architektur von MCP
MCP besteht aus einem MCP-Host, der mehrere MCP-Clients ausführt. Jeder Client öffnet eine JSON RPC 2.0-Sitzung unter Verwendung des MCP-Protokolls und verbindet sich mit externen MCP-Servern. Diese Server stellen Fähigkeiten bereit, wie z.B. Zugriff auf eine Datenbank, ein Code-Repository oder einen E-Mail-Server.nn####
Fähigkeiten von MCP
MCP adressiert zwei Hauptbedürfnisse von LLM-Anwendungen, insbesondere KI-Agenten:
Kontext bereitstellen:
MCP ermöglicht es KI-Agenten, externe Kontextdaten wie Dokumente, Wissensdatenbank-Einträge und Datenbank-Records abzurufen..
Tools ermöglichen:
MCP ermöglicht es KI-Agenten, Aktionen oder Tools auszuführen, wie z.B. eine Websuche durchzuführen oder einen externen Dienst aufzurufen.
Primitives von MCP
Tools:
Diskrete Aktionen oder Funktionen, die die KI aufrufen kann, wie z.B. ein Wetterdienst, der eine Wetterabfrage bereitstellt.
Ressourcen:
Schreibgeschützte Datenobjekte oder Dokumente, die der Server bereitstellen kann, wie z.B. Textdateien oder Datenbankschemata.
Prompt-Vorlagen:
Vorgefertigte Vorlagen, die vorgeschlagene Prompts bereitstellen.
Was sind APIs?
APIs sind eine andere Methode, um einem System den Zugriff auf die Funktionalität oder Daten eines anderen Systems zu ermöglichen. Eine API ist ein Satz von Regeln oder Protokollen, die beschreiben, wie Informationen oder Dienste angefordert werden können. Entwickler können mit APIs Funktionalitäten von externen Systemen integrieren, anstatt alles von Grund auf neu zu erstellen.
Gemeinsamkeiten und Unterschiede
Sowohl MCP als auch APIs sind Client-Server-Architekturen, die eine Abstraktionsebene bieten, sodass ein System die internen Details eines anderen Systems nicht kennen muss. Beide vereinfachen die Integration und ermöglichen es Entwicklern, Systeme miteinander zu verbinden.
Zweck:
MCP wurde speziell entwickelt, um LLM-Anwendungen mit externen Daten und Tools zu integrieren, während APIs allgemeiner sind und nicht speziell für KI entwickelt wurden.
Dynamische Entdeckung:
MCP unterstützt die dynamische Entdeckung von Fähigkeiten, während traditionelle REST-APIs dies in der Regel nicht tun.
Standardisierung:
Jeder MCP-Server spricht das gleiche Protokoll, während jede API einzigartig ist.
Zusammenarbeit von MCP und APIs
Viele MCP-Server verwenden tatsächlich traditionelle APIs, um ihre Arbeit zu erledigen. MCP und APIs sind keine Gegensätze, sondern Schichten in einem KI-Stack. MCP kann APIs unter der Haube verwenden, während es eine KI-freundlichere Schnittstelle bereitstellt.
Heute gibt es MCP-Dienste für Dateisysteme, Google Maps, Docker, Spotify und eine wachsende Liste von Unternehmensdatenquellen. Dank MCP können diese Dienste nun besser in KI-Agenten integriert werden.
MCP und APIs sind beide wichtige Werkzeuge in der Welt der KI-Integration, und ihre Zusammenarbeit ermöglicht es uns, leistungsfähigere und flexiblere KI-Agenten zu erstellen.