MCP vs. API: Was ist der Unterschied?

Eine API ist die Schnittstelle, die ein einzelner Dienst anderen Programmen anbietet, mit eigenen Endpunkten, Datenformaten und Regeln für die Anmeldung. MCP (Model Context Protocol) ist ein gemeinsames Protokoll, über das KI-Anwendungen Tools und Daten aus vielen Diensten auf dieselbe Weise finden und nutzen. In der Praxis arbeiten beide zusammen: Ein MCP-Server sitzt meist vor der API eines Dienstes und stellt sie in einer Form bereit, die jeder MCP-kompatible KI-Client nutzen kann.

Was eine API ist

Eine Programmierschnittstelle (Application Programming Interface) ist ein Vertrag, den ein einzelner Dienst veröffentlicht. Ein Wetterdienst, ein Zahlungsanbieter oder ein Projekt-Tracker dokumentiert jeweils seine eigenen Endpunkte, Parameter und Authentifizierung. Entwickler lesen diese Dokumentation und schreiben ihren Code passend dazu. Die API jedes Dienstes ist anders, deshalb wird jede Integration einzeln geschrieben.

Was MCP ergänzt

MCP ist ein offener Standard, um KI-Anwendungen mit externen Systemen zu verbinden. Die Dokumentation vergleicht ihn mit einem USB-C-Anschluss: ein einheitlicher Stecker statt eines eigenen Kabels für jedes Gerät. Als Anthropic MCP im November 2024 vorstellte, war das genannte Problem, dass jede neue Datenquelle eine eigene, maßgeschneiderte Integration brauchte. Dadurch ließen sich vernetzte KI-Systeme nur schwer skalieren.

MCP definiert:

• Rollen. Ein Host (die KI-Anwendung, etwa Claude Desktop oder VS Code) erstellt pro Server einen Client; jeder Server bietet Funktionen an.
• Ein Nachrichtenformat. Alle Nachrichten nutzen JSON-RPC 2.0.
• Transporte. stdio für einen Server auf deinem Rechner und Streamable HTTP für einen Server im Netz.
• Bausteine. Tools (Aktionen, die das Modell aufrufen kann), Ressourcen (Daten, die die Anwendung lesen kann) und Prompts (Vorlagen, die ein Nutzer auswählen kann).
• Discovery. Ein Client fragt einen Server, was er anbietet, zum Beispiel mit tools/list, und erhält für jedes Tool Namen, Beschreibung und Eingabeschema im Format JSON Schema. Danach ruft er ein Tool mit tools/call auf.

Entscheidend ist die automatische Erkennung (Discovery) zur Laufzeit. Eine KI-Anwendung braucht keinen Code, der vorab für jeden Dienst geschrieben wurde. Sie verbindet sich, liest die Liste der Tools und überlässt es dem Modell, welche es für die aktuelle Anfrage nutzt.

Direkter Vergleich

So arbeiten MCP und APIs zusammen

Die meisten MCP-Server sind dünne Schichten über bestehenden APIs. Das Beispiel aus der MCP-Dokumentation selbst ist der Sentry-Server, der auf der Plattform von Sentry läuft und über Streamable HTTP erreichbar ist. Dahinter erledigen die Systeme von Sentry die eigentliche Arbeit. Zu den ersten Open-Source-Servern, die Anthropic 2024 veröffentlichte, gehörten Server für GitHub und Slack, und solche Server folgen demselben Muster: Die API des Dienstes bleibt, wo sie ist, und der Server übersetzt zwischen ihr und der KI-Anwendung.

Manche MCP-Server hängen überhaupt nicht an einer Remote-API. Ein Dateisystem-Server arbeitet direkt mit Ordnern auf deinem Rechner, und ein Server für Browser-Automatisierung steuert einen lokalen Browser. Sie decken allgemeine Aufgaben wie Dateisystem und Browser-Automatisierung ab statt eines einzelnen Dienstes.

MCP und Function Calling

Schon die APIs der Modellanbieter lassen ein Modell Funktionen aufrufen. In der Claude API listest du zum Beispiel Tools in deiner Anfrage auf, jedes mit Namen, Beschreibung und Eingabeschema. Claude antwortet mit einer strukturierten Anfrage, eines davon zu nutzen, dein Code führt es aus, und du schickst das Ergebnis zurück.

Innerhalb einer einzelnen Anwendung funktioniert das gut. MCP verlagert die Tool-Definitionen und den Code, der sie ausführt, in einen separaten Server. So können Claude Desktop, Cursor, VS Code, ChatGPT und andere Clients dieselben Tools nutzen, ohne dass sie neu geschrieben werden müssen. Die Claude API bietet außerdem einen MCP-Connector, der Remote-MCP-Server direkt aus einer Anfrage heraus erreicht.

Die Schichten sehen also so aus:

1. Die API des Dienstes erledigt die eigentliche Arbeit.
2. Der MCP-Server verpackt sie in eine standardisierte Beschreibung von Tools und Daten.
3. Der KI-Client verbindet sich mit dem Server und bietet dem Modell dessen Tools an.
4. Das Modell wählt per Function Calling ein Tool, und der Client führt es über MCP aus.

Wann du was nutzt

Rufe eine API direkt auf, wenn:

• du ein normales Programm mit fester Abfolge von Schritten schreibst;
• kein Modell entscheidet, was als Nächstes passiert;
• du einen Endpunkt oder eine Option brauchst, die kein MCP-Server bereitstellt.

Nutze oder baue einen MCP-Server, wenn:

• ein KI-Assistent im Gespräch mit dem Dienst arbeiten soll;
• du dieselbe Integration in mehreren KI-Clients nutzen willst;
• das Modell eine klare, beschriebene Liste erlaubter Aktionen sehen soll.

Wenn du selbst einen baust, erklärt unsere Anleitung So baust du einen MCP-Server SDKs, Transporte und Tests.

Sicherheitshinweis

Eine API in MCP zu verpacken, macht sie nicht sicherer. Ein MCP-Tool kann alles tun, was der API-Key oder das Konto dahinter erlaubt, und das Modell entscheidet, wann es aufgerufen wird. Die MCP-Spezifikation verlangt von Hosts, vor dem Ausführen von Tools die Zustimmung des Nutzers einzuholen und Tool-Beschreibungen als nicht vertrauenswürdig zu behandeln, sofern der Server nicht vertrauenswürdig ist. Prüfe vor der Installation eines Servers, welche Aktionen er bereitstellt, und gib ihm den am engsten gefassten Key, den du bekommen kannst. Unsere Sicherheitsfragen zu MCP zeigen, worauf du achten solltest.

Server für deine Dienste finden

Kitbay listet MCP-Server nach Tool. So siehst du, ob es für einen Dienst einen Server gibt, wer ihn veröffentlicht und ob er Daten ändern kann. Wenn das Thema neu für dich ist, starte mit Was ist ein MCP-Server?, oder stöbere in Aufgaben wie Websuche.