Große Sprachmodelle (LLMs) stützen sich zunehmend auf externe Tools, um komplexe und realitätsnahe Aufgaben zu bewältigen. Dennoch bleibt ihre Fähigkeit, die rasant wachsende Ökosystem der Model Contextual Protocol (MCP) effektiv zu nutzen, weiterhin eingeschränkt. Bestehende Forschungsarbeiten zu MCP berücksichtigen nur wenige Server, setzen auf kostspielige manuelle Kuratierung und verfügen über keinen Support für das Training – ein Hindernis für die praktische Anwendung in der Realwelt. Um diese Grenzen zu überwinden, stellen wir MCP-Flow vor, eine automatisierte, durch Web-Agenten gesteuerte Pipeline zur großskaligen Server-Entdeckung, Datensynthese und Modelltrainierung. MCP-Flow sammelt und filtert Daten aus 1166 Servern und 11.536 Tools und generiert dabei 68.733 hochwertige Paare aus Anweisung und Funktionsaufruf sowie 6439 Handlungsabläufe – dies übertrifft die Skalierbarkeit und Vielfalt vorangegangener Arbeiten deutlich. Umfangreiche Experimente belegen die Wirksamkeit von MCP-Flow bei der Verbesserung der Auswahl von MCP-Tools, der Generierung von Funktionsaufrufen sowie der Steigerung der agentialen Aufgabenleistung. MCP-Flow liefert somit eine skalierbare Grundlage für die Weiterentwicklung der Kompetenz von LLM-Agenten in realen MCP-Umgebungen.