Schritt-für-Schritt-Anleitung: Eigene MCP-Server bauen

Einen eigenen MCP-Server bauen: Ein Schritt-für-Schritt-Führer Die Macht des Model Context Protokolls (MCP) für KI-Anwendungen nutzen Haben Sie schon einmal gewünscht, benutzerdefinierte Tools – wie Wetter-APIs oder Drittanbieterdienste – nahtlos in Ihre KI-Anwendungen zu integrieren? Das Model Context Protokoll (MCP) ermöglicht dies, indem es Entwicklern modular, skalierbar und leicht wartbare KI-Tool-Integrationen erlaubt. In diesem Leitfaden lernen wir, wie man seinen eigenen MCP-Server erstellt, ihn mit einer KI-Anwendung integriert und den Kommunikationsfluss zwischen den MCP-Komponenten versteht. Was ist MCP? MCP ist ein Protokoll, das darauf abzielt, die Interaktionen zwischen KI-Modellen und externen Tools zu standardisieren. Es besteht aus drei Hauptkomponenten: - MCP-Server: Hostet die Tools (z.B. APIs, Datenbanken oder benutzerdefinierte Funktionen). - MCP-Client: Fungiert als Brücke zwischen der Anwendung und dem Server. - App (Host): Die Endbenutzeranwendung (z.B. Chatbot, Cloud-Dienst oder Desktop-Anwendung). Der entscheidende Vorteil? Diensteanbieter übernehmen die Verwaltung der Tools und Aktualisierungen, während Entwickler nur die MCP-Integration warten müssen – kein mehrmaliges Umschreiben von Code bei jeder API-Änderung! Schritt 1: Umgebung einrichten Bevor wir uns mit MCP befassen, benötigen wir eine Python-Umgebung. Wir verwenden UV, einen schnellen Paketmanager, zur Abhängigkeitsverwaltung. Umgebung einrichten: 1. Installieren Sie Python, falls es noch nicht installiert ist. Python ist eine weit verbreitete Programmiersprache, die sich hervorragend für die Entwicklung von KI-Anwendungen eignet. 2. Installieren Sie UV. UV vereinfacht die Verwaltung von Abhängigkeiten und bietet eine effiziente Möglichkeit, die Entwicklungsumgebung einzurichten. 3. Erstellen Sie ein neues Projektverzeichnis und navigieren Sie in dieses Verzeichnis. 4. Initialisieren Sie das UV-Projekt mit dem Befehl uv init. 5. Installieren Sie die erforderlichen Pakete, z.B. Flask für den MCP-Server, mit dem Befehl uv add flask. Schritt 2: MCP-Server erstellen Der MCP-Server ist der zentrale Teil, der externe Tools hostet und mit der Anwendung kommuniziert. Hier sind die wesentlichen Schritte: Erstellen des MCP-Servers: 1. Erstellen Sie eine neue Python-Datei, z.B. mcp_server.py. 2. Importieren Sie Flask und andere notwendige Module. 3. Definieren Sie die Endpunkte, die die verschiedenen Tools ansprechen können. 4. Implementieren Sie die Logik für die Verarbeitung der Anfragen an die Tools. 5. Starten Sie den Server mit dem Befehl flask run. Ein einfaches Beispiel für einen MCP-Server könnte so aussehen: ```python from flask import Flask, request, jsonify app = Flask(name) @app.route('/weather', methods=['GET']) def get_weather(): # Beispiel-Logik für das Abrufen von Wetterdaten city = request.args.get('city') if city == 'Berlin': return jsonify({'temperature': '15°C', 'condition': 'bewölkt'}) else: return jsonify({'error': 'Stadt nicht gefunden'}) if name == 'main': app.run(debug=True) ``` Schritt 3: MCP-Client erstellen Der MCP-Client dient als Verbindung zwischen der Anwendung und dem MCP-Server. Hier sind die wesentlichen Schritte: Erstellen des MCP-Clients: 1. Erstellen Sie eine neue Python-Datei, z.B. mcp_client.py. 2. Importieren Sie die notwendigen Module, z.B. requests für HTTP-Anfragen. 3. Implementieren Sie die Funktionen, die den Server anfragen und die Antworten verarbeiten. 4. Testen Sie den Client, um sicherzustellen, dass er korrekt mit dem Server kommuniziert. Ein einfaches Beispiel für einen MCP-Client könnte so aussehen: ```python import requests def get_weather(city): url = f'http://localhost:5000/weather?city={city}' response = requests.get(url) if response.status_code == 200: return response.json() else: return {'error': 'Fehler beim Abrufen der Daten'} Beispielaufruf print(get_weather('Berlin')) ``` Schritt 4: Anwendung integrieren Die letzte Phase besteht darin, den MCP-Client in die Endbenutzeranwendung zu integrieren. Hier sind einige Tipps: Integrieren der Anwendung: 1. Bestimmen Sie, wo und wann die KI-Tools in Ihrer Anwendung verwendet werden sollen. 2. Rufen Sie die entsprechenden Funktionen des MCP-Clients auf, um die Tools zu nutzen. 3. Verarbeiten Sie die Antworten des Servers und integrieren Sie sie in die Benutzeroberfläche oder die Businesslogik der Anwendung. 4. Testen Sie die Anwendung gründlich, um sicherzustellen, dass alle Komponenten richtig funktionieren. Ein Beispiel für die Integration in einen Chatbot könnte so aussehen: ```python def handle_user_input(user_input): if 'Wetter' in user_input: city = extract_city_from_input(user_input) weather_data = get_weather(city) if 'temperature' in weather_data: return f"Das aktuelle Wetter in {city} ist {weather_data['temperature']} und die Bedingungen sind {weather_data['condition']}." else: return "Entschuldigung, ich konnte die Wetterdaten für diese Stadt nicht finden." else: return "Ich kann Ihnen gerne das Wetter für eine Stadt sagen. Bitte geben Sie den Namen der Stadt an." Beispielaufruf print(handle_user_input("Wie ist das Wetter in Berlin?")) ``` Industrie-Innenbeurteilung und Firmenprofile: Das Model Context Protokoll (MCP) wird von vielen führenden Technologieunternehmen und Entwicklern positiv bewertet, da es die Integration externer Tools in KI-Anwendungen erheblich vereinfacht. Es fördert die Modularität und Scalability, was die Entwicklung von komplexen, aber robusten Anwendungen erleichtert. MCP ist besonders nützlich für Teams, die häufig ihre Tools aktualisieren müssen, ohne dabei die gesamte Anwendung überarbeiten zu müssen. Unternehmen wie Google und Microsoft haben ähnliche Protokolle entwickelt, aber MCP bietet eine offene, universelle Lösung, die leicht zu implementieren ist.