Was sind MCP-Tools und wie nutzen KI-Modelle sie?

MCP-Tools sind Funktionen, die ein KI-Modell aufrufen kann, um eine Aufgabe außerhalb der Unterhaltung zu erledigen. Zum Beispiel deine Notizen durchsuchen oder eine Datenbank abfragen. Jedes Tool liegt auf einem MCP-Server (Model Context Protocol) und hat einen Namen und eine kurze Beschreibung, anhand derer das Modell entscheidet, wann es das Tool verwendet.

Der Begriff „MCP-Tool“ wird auch in anderen Bedeutungen verwendet. Im Alltag sagt man „MCP-Tools“, wenn eigentlich MCP-Server (die Anwendungen, die Tools anbieten) oder die Verzeichnisse gemeint sind, in denen diese Server aufgeführt werden. MCP Tools ist außerdem der Name eines Kommandozeilenprogramms, mit dem sich die Tools auf einem MCP-Server auflisten und aufrufen lassen.

In diesem Leitfaden geht es um die Funktionen des Protokolls, nicht um Server, Verzeichnisse oder Kommandozeilen. Er erklärt, woraus ein Tool besteht, welche Arten von Tools Server anbieten und wie sich Tools von Ressourcen, Prompts und Function Calling unterscheiden. Anschließend geht er die Schritte durch, die ein Modell bei der Nutzung eines Tools durchläuft, und schließt mit den häufigsten Problemen bei ihrer Verwendung.

Was sind MCP-Tools?

Ein MCP-Tool ist eine Funktion, mit der KI-Modelle Aufgaben in anderen Softwareanwendungen erledigen können. Meine KI-Agenten und Workflows nutzen MCP-Tools zum Beispiel, um E-Mail-Entwürfe in Gmail zu verfassen (create_draft), Trello-Karten zu erstellen (trelloWriteCard) und Live-Suchergebnisse von DataForSEO abzurufen (serp_organic_live_advanced), um nur einige zu nennen.

Softwareanwendungen bieten auf ihren MCP-Servern oft mehrere MCP-Tools an. Der Trello-MCP-Server bietet zum Beispiel derzeit 14 MCP-Tools, mit denen KI-Modelle Boards, Listen, Checklisten, Karten und mehr lesen und aktualisieren können.

Und weil MCP standardisiert, wie Tools beschrieben und angeboten werden, kann jede KI-App, die das Protokoll unterstützt, dasselbe MCP-Tool verwenden.

Woraus ein MCP-Tool besteht

Jedes MCP-Tool bringt drei Dinge mit:

• Name: Eine kurze Kennung, die das Modell beim Aufruf des Tools verwendet (z. B. get_event in Google Calendar).
• Beschreibung: Eine leicht verständliche Erklärung, was das Tool tut und wann es nützlich ist. Das große Sprachmodell (LLM) liest sie, um zu entscheiden, ob das Tool zu deiner Anfrage passt (z. B. „Returns a single event on the given calendar.“).
• Eingaben: Die Informationen, die das Tool zur Ausführung braucht, etwa einen Kundennamen und ein Datum für eine Notizsuche. Sie werden in JSON definiert, und Entwickler nennen diese Definition Eingabeschema (Input Schema), weil sie die Form jeder Eingabe festlegt (Text, Zahl oder Liste).

Vergrößern

Manche Tools enthalten zusätzliche Metadaten: einen Anzeigenamen, eine Beschreibung der zurückgegebenen Ergebnisse (ein Ausgabeschema) und Annotationen dazu, wie sich das Tool verhält.

Das KI-Modell sieht nie den Code hinter einem Tool. Es arbeitet nur mit dem, was das Tool über sich selbst aussagt. Ein vager Name oder eine unklare Beschreibung führt also dazu, dass das Modell das falsche Tool wählt.

Welche Arten von MCP-Tools es gibt

MCP-Tools lassen sich nach ihrer Funktion in vier Gruppen einteilen:

• Such- und Abfragetools: Informationen finden oder abrufen (z. B. Notizen durchsuchen, eine Datei lesen oder eine Datenbank abfragen).
• Aktionstools: In einer anderen App etwas erstellen oder ändern (z. B. eine Aufgabe hinzufügen, einen Kalendertermin erstellen, ein Support-Ticket eröffnen oder eine E-Mail senden).
• Datenverarbeitungstools: Daten umwandeln oder analysieren (z. B. eine Tabellendatei analysieren oder eine Berechnung ausführen).
• Systemtools: Mit dem lokalen System interagieren (z. B. einen Befehl in einem Terminal ausführen).

MCP-Tools vs. Ressourcen & Prompts

Neben MCP-Tools kann ein MCP-Server zwei weitere Arten von Bausteinen anbieten, die das Protokoll Primitive nennt: Ressourcen und Prompts.

Vergrößern

Der offizielle MCP-Server von GitHub bietet zum Beispiel:

• ein Tool namens issue_write, das Issues erstellt oder aktualisiert,
• eine Ressource namens repository_content, die Zugriff auf die Dateien in einem Repository gibt,
• einen Prompt namens issue_to_fix_workflow, der die Schritte vorbereitet, um ein Problem als Issue zu melden und vom Copilot Coding Agent von GitHub einen Pull Request zur Behebung erstellen zu lassen.

Der Unterschied liegt darin, was jeder dieser Bausteine tut und wer entscheidet, wann er verwendet wird: du, die KI-App, in der du arbeitest (z. B. Perplexity), oder das KI-Modell, das in dieser App läuft.

• Ein MCP-Tool führt Aktionen aus oder schlägt Informationen nach. Das KI-Modell entscheidet selbstständig, wann es ein Tool aufruft, und deine KI-App leitet den Aufruf an den Server weiter. Dein KI-Modell wählt die Tools aus; deine KI-App sollte dir jeden Aufruf anzeigen und dir die Möglichkeit geben, ihn abzulehnen.
• Eine Ressource ist ein auf dem MCP-Server verfügbarer Inhalt, etwa eine Datei oder eine Reihe von Datensätzen, jeweils mit einer eigenen Adresse (einer URI). Deine KI-App fragt den Server, welche Ressourcen er hat, liest die benötigte über ihre Adresse aus und fügt den Inhalt als Kontext zur Unterhaltung hinzu.
• Ein Prompt ist eine vorgefertigte Nachrichtenvorlage, die der Server bereitstellt, manchmal mit Lücken, die du ausfüllst. Deine KI-App zeigt dir die verfügbaren Prompts an, und du wählst einen aus, oft als Slash-Befehl.

Wie KI-Modelle MCP-Tools nutzen

Ein KI-Modell nutzt ein MCP-Tool in fünf Schritten: Erkennung, Tool-Auswahl, Aufruf, Ergebnisse und Fehlerbehandlung. Deine KI-App übermittelt alles zwischen dem Modell und dem Server.

Vergrößern

Angenommen, du bittest deine KI-App, deine Trello-Liste „Diese Woche“ zu prüfen und eine E-Mail mit einem Update an deinen Redakteur zu entwerfen. So läuft das Ganze von Anfang bis Ende ab:

1. Erkennung: Wenn sich deine KI-App über MCP-Clients mit einem MCP-Server verbindet, fragt sie die Liste der verfügbaren Tools des Servers ab (eine Anfrage namens tools/list). Das LLM sieht nur, was die App weitergibt: Name, Beschreibung und Eingaben jedes Tools.
2. Tool-Auswahl: Das KI-Modell vergleicht deine Anfrage mit diesen Beschreibungen und wählt die passenden Tools aus. In diesem Fall sind das trelloReadList von Trello, um die Liste zu lesen, und create_draft von Gmail, um die E-Mail zu schreiben. Außerdem füllt es die Eingaben aus, etwa welche Liste gelesen werden soll.
3. Aufruf: Das Modell antwortet mit einer strukturierten Anfrage zur Ausführung des Tools (ein Schritt, der „Function Calling“ heißt). Deine KI-App sendet diese Anfrage an den richtigen Server (eine tools/call-Anfrage). Sie sollte dir den Aufruf außerdem anzeigen und dir die Möglichkeit geben, ihn abzulehnen.
4. Ergebnisse: Der Server führt die Funktion aus und sendet das Ergebnis (result) zurück, in diesem Fall die Karten auf deiner Liste. Deine KI-App fügt das Ergebnis zur Unterhaltung hinzu, und das Modell entscheidet, wie es weitergeht: dir antworten oder ein weiteres Tool aufrufen, etwa create_draft mit einer E-Mail auf Grundlage dieser Karten.
5. Fehlerbehandlung: Wenn das Tool zwar ausgeführt wird, aber fehlschlägt, zum Beispiel weil die Liste nicht existiert, kommt der Fehler als Teil des Ergebnisses zurück. Das Modell kann ihn lesen und es mit anderen Eingaben erneut versuchen. Ist dagegen die Anfrage selbst fehlerhaft, zum Beispiel weil sie ein Tool aufruft, das der Server nicht hat, erhält die App stattdessen einen Protokollfehler. Davon erholt sich das Modell seltener.

Entscheidend ist: Das Modell wählt Tools allein anhand ihrer Beschreibungen aus, und deine KI-App übernimmt die gesamte Kommunikation mit den Servern.

Häufige Probleme mit MCP-Tools und wie du sie vermeidest

Probleme mit MCP-Tools lassen sich auf vier Faktoren zurückführen: wie viele Tools verbunden sind, wie sie benannt und beschrieben sind, wie viele Daten sie zurückgeben und von welchen Servern sie stammen.

Hier siehst du, woran du die einzelnen Probleme erkennst und was dagegen hilft:

Warum brauchen MCP-Tools deine Freigabe?

MCP-Tools brauchen deine Freigabe, weil das KI-Modell sonst Änderungen vornehmen könnte, die du nicht beabsichtigt hast, oder sensible Daten mit einem Server teilen könnte, den du nicht kontrollierst.

Eine falsch verstandene Anfrage oder ein vage beschriebenes Tool kann die falsche Aktion auslösen. Außerdem sendet jeder Aufruf einen Teil deiner Informationen an einen Server.

Deshalb erwartet das Protokoll, dass KI-Apps einen Menschen in den Ablauf einbinden, der jeden Tool-Aufruf ablehnen kann.

So kannst du Tools in der Praxis danach einordnen, wie viel Prüfung sie brauchen:

• Rein lesende Aktionen: Etwas nachzuschlagen, etwa eine Liste mit trelloReadList von Trello zu lesen, ändert nichts. Diese Aufrufe können ohne vorherige Rückfrage laufen, solange deine KI-App anzeigt, welches Tool ausgeführt wurde und was es nachgeschlagen hat.
• Aktionen, die du rückgängig machen kannst: Wenn du mit create_draft von Gmail einen E-Mail-Entwurf erstellst oder eine Trello-Karte hinzufügst, änderst du etwas, das sich rückgängig machen lässt. Prüfe die Eingaben, bevor der Aufruf ausgeführt wird.
• Aktionen, die du nicht rückgängig machen kannst: Das Senden einer E-Mail mit send_message von Gmail, das Löschen von Datensätzen oder alles, was Zahlungen oder sensible Daten betrifft, lässt sich nicht rückgängig machen. Erteile dafür jedes Mal ausdrücklich deine Erlaubnis.

MCP-Tools in Perplexity nutzen

Perplexity arbeitet in beide Richtungen mit MCP-Tools: Es kann Tools von MCP-Servern nutzen, die du verbindest, und bietet anderen KI-Apps seine eigenen Tools an.

• MCP-Server mit Perplexity verbinden: Mit den Tarifen Pro, Max und Enterprise kannst du Perplexity mit jedem externen Tool und jeder Datenquelle verbinden, die einen MCP-Server hat, und sie in Antworten und in agentischen Workflows von Perplexity Computer nutzen. In der Mac-App kannst du außerdem MCP-Server verbinden, die auf deinem Computer laufen
• Die Tools von Perplexity in anderen KI-Apps nutzen: Der MCP-Server von Perplexity bietet vier Tools (perplexity_search, perplexity_ask, perplexity_research und perplexity_reason) für jede KI-App an, die Remote-MCP-Server unterstützt, etwa Claude Code. Über einen separaten Server können andere KI-Apps mehrstufige Aufgaben an Perplexity Computer übergeben.

Häufige Fragen zu MCP-Tools

Ist MCP nur Tool Calling?

Nein, MCP ist nicht nur Tool Calling. Über Tool Calling fordert das Modell ein Tool an, und über MCP findet die KI-App Tools und leitet jeden Aufruf an den Server weiter, der ihn ausführt.

Tool Calling (auch Function Calling genannt) ist der Teil der Arbeit, den das KI-Modell übernimmt: Das Modell sieht eine Liste von Tools und antwortet mit einer Anfrage, eines davon auszuführen. Mit Tool Calling allein muss jede KI-App jedes Tool selbst definieren und ausführen.

Mit MCP können Tools auf Servern liegen, sodass jede KI-App, die MCP unterstützt, sie ihrem Modell anbieten und die Anfragen des Modells an den richtigen Server senden kann.

Wird MCP APIs ersetzen?

Nein, MCP wird APIs nicht ersetzen, denn MCP und APIs arbeiten zusammen. MCP-Tools setzen oft auf bestehenden APIs auf, und wenn das Modell ein Tool aufruft, stellt der MCP-Server in der Regel eine API-Anfrage.

Welche KI-Apps unterstützen MCP-Tools?

MCP-Tools funktionieren in KI-Assistenten wie Claude, ChatGPT und Perplexity sowie in Entwicklungstools wie Visual Studio Code und Cursor. Die MCP-Dokumentation nennt diese und weist darauf hin, dass auch viele andere Apps sie unterstützen.

Muss das KI-Modell selbst MCP unterstützen?

Nein. Das KI-Modell muss MCP nicht unterstützen, weil deine KI-App das Protokoll übernimmt. Sie verbindet sich mit Servern, gibt deren Tools an das Modell weiter und sendet die Tool-Anfragen des Modells an den richtigen Server zurück. Das Modell muss lediglich Function Calling unterstützen.

Ist MCP ein Auslaufmodell?

Nein, MCP wird weiterhin aktiv entwickelt. Die Maintainer haben im Juli 2026 eine neue Version der MCP-Spezifikation veröffentlicht und im August 2026 eine aktualisierte Roadmap vorgestellt, die unter anderem vorsieht, dass Server ihre Tools schrittweise offenlegen können, je konkreter eine Unterhaltung wird.