MCP im Vergleich zu APIs: Worin besteht der Unterschied?

MCP (Model Context Protocol) und APIs (Application Programming Interfaces) fungieren als digitale Bridges, die eine Verbindung zwischen separaten Systemen ermöglichen. MCP-Funktionen bauen auf APIs auf, und ohne APIs würde es MCP nicht geben. 

Die Technologien unterscheiden sich in ihrer Funktionsweise und ihrem Zweck:

• MCP verbindet Sprachmodelle mit externen Tools und Daten und ermöglicht so Workflows, die sich in Echtzeit anpassen und improvisieren lassen. 
• Traditionelle API-Workflows folgen einem festen Satz von Regeln. Sobald 2 Systeme miteinander verbunden sind, sind die Interaktionen auf bestimmte, vom Entwicklungsteam programmierte Aktionen beschränkt.

Ist MCP oder eine API besser für mich geeignet?

Wenn Ihre Anwendung kein LLM (Large Language Model) verwendet, sollten Sie sich für eine API entscheiden, da das die schnellere und einfachere Lösung ist. Wenn Sie ein LLM mit einem von Ihnen kontrollierten Service verbinden, können Sie auch eine API mit dem nativen Function Calling des LLM verwenden (ein integriertes Feature von LLMs, das die Ausgabe des Modells in einen ausführbaren Befehl umwandelt). 

Entscheiden Sie sich für MCP, wenn dasselbe Tool in mehreren KI-Anwendungen eingesetzt werden muss, wenn Sie Tools verwenden, die Sie nicht entwickelt haben, oder wenn Sie möchten, dass ein Modell zur Runtime neue Funktionen erkennt. 

Mehr über Red Hat AI erfahren

MCP ist ein Open Source-Protokoll, das die Verbindung von KI-Anwendungen mit externen Tools und Daten standardisiert. Sie können sich das wie ein USB-C-Kabel vorstellen, das Geräte mit Zubehör verbindet und die Datenübertragung ermöglicht.

Bevor es MCP gab, mussten Entwicklungsteams für bestimmte Use Cases benutzerdefinierte API-Integrationen erstellen. Das bedeutete, dass sie dieselben Integrationen viele Male auf unterschiedliche Weise neu schreiben mussten. Die einzelnen Verbindungen zwischen KI-Anwendungen und externen Services wurden auf Bestellung hergestellt, was äußerst zeitaufwendig war.

Mehr über MCP erfahren 

APIs ermöglichen die Kommunikation Ihres Produkts oder Services mit anderen Produkten und Services, ohne dass Sie wissen müssen, wie diese implementiert wurden. APIs werden zuweilen als Verträge mit Dokumenten angesehen, die eine Vereinbarung zwischen Parteien repräsentieren: Wenn Partei 1 eine in einer bestimmten Weise strukturierte Remote-Anfrage sendet, antwortet die Software von Partei 2 entsprechend.

Mehr über APIs erfahren

Sehen wir uns einen realen Use Case an: Die Vereinbarung eines Arzttermins über eine Website. 

In diesem Szenario gehen wir davon aus, dass eine Nutzerin oder ein Nutzer versucht, einen Termin für Donnerstagnachmittag um 14:00 Uhr bei Dr. Wong zu vereinbaren. Dr. Wong ist um 14:00 Uhr bereits ausgebucht, aber sie hat noch einen Termin um 14:30 Uhr frei. Alternativ ist noch ein Termin um 14:00 Uhr bei Dr. Johnson frei. 

Mit einem traditionellen API-Workflow würde das Software-Entwicklungsteam ein Skript schreiben, das eine direkte Verbindung zur API der Klinik herstellt. Wenn die Nutzerin oder der Nutzer versucht, einen Termin um 14:00 Uhr bei Dr. Wong zu vereinbaren, erstellt die Anwendung einen API-Aufruf, um die Verfügbarkeit von Dr. Wong um 14:00 Uhr zu prüfen. 

In der Datenbank der Klinik wird der Termin um 14:00 Uhr als nicht verfügbar angezeigt. Sie gibt einen Fehler zurück und zeigt eine Meldung wie „Ausgewähltes Zeitfenster ist nicht verfügbar“ an.

Der nächste Schritt liegt bei der Nutzerin oder dem Nutzer. Da das Programm nicht angepasst werden kann, muss die Nutzerin oder der Nutzer den Prozess von vorne beginnen und versuchen, eine neue Terminanfrage für einen anderen Zeitpunkt oder einen anderen Arzt zu übermitteln. 

Mit einem MCP-Workflowstellt eine KI-Anwendung eine Verbindung zum MCP-Server der Klinik her und überprüft die Verfügbarkeit von Dr. Wong um 14:00 Uhr. Da die anfragende KI-Anwendung über ein LLM verfügt, kann sie die Alternativen auswerten und mit der Nutzerin oder dem Nutzer interagieren. 

Sie könnte beispielsweise die Meldung anzeigen: „Es ist kein Termin um 14:00 Uhr bei Dr. Wong verfügbar. Der nächste verfügbare Termin bei Dr. Wong ist um 14:30 Uhr. Wenn Sie einen Arzttermin um 14:00 Uhr möchten, dann ist Dr. Johnson während dieser Zeit verfügbar. Welche Option bevorzugen Sie?“

Die Nutzerin oder der Nutzer überprüft ihren/seinen Kalender und antwortet: „14:00 Uhr bei Dr. Johnson.” Anschließend startet die Anwendung eine neue Buchungsanfrage für 14:00 Uhr bei Dr. Johnson, die die Nutzerin oder der Nutzer anschließend bestätigen muss. 

Mit MCP können KI-Modelle dynamisch ermitteln, welches Tool sie verwenden, wann sie es verwenden und wie das Ergebnis zu interpretieren ist. Entscheiden Sie sich unter folgenden Voraussetzungen für MCP:

• Ihre Anwendung basiert auf LLMs oder agentischen Workflows. Ein LLM kann weder APIs aufrufen noch selbständig Code ausführen. Die Anwendung, die das Modell ausführt, löst dieses Problem durch Aufrufen des Tools. MCP standardisiert die Beschreibung und Bereitstellung dieser Tools und ermöglicht so den Einsatz desselben Tools in verschiedenen KI-Anwendungen. 
• Ihr Workflow umfasst komplexe Aufgaben mit mehreren Schritten. Wenn ein Programm eine Datenbank abfragt, die Ausgabe zusammenfasst und eine Drittanbieteranwendung aktualisiert, kann ein KI-Agent diese Schritte mit MCP verketten.
• Ein wenig Improvisation stellt kein Problem für Sie dar. MCP-fähige Anwendungen können Alternativen auswerten, unerwartete Hindernisse bewältigen und ihre Strategie anpassen. 
• Sie benötigen portierbare Tools. Ein einzelner MCP-Server kann mit beliebigen MCP-konformen KI-Anwendungen kommunizieren. Das heißt, Sie können sie einmal erstellen und je nach Kompatibilität dann auf vielen verschiedenen Clients wiederverwenden.
• Sie möchten Funktionen in Echtzeit hinzufügen. Mit MCP können Funktionen hinzugefügt werden, während die Anwendung ausgeführt wird. So entfällt die Notwendigkeit, alle möglichen Features im Voraus zu programmieren. 

APIs bleiben der Standard, wenn sich Computercode schnell und vorhersehbar mit Computercode verbinden muss. Entscheiden Sie sich unter folgenden Voraussetzungen für eine API:

• Ihre Aufgabe verfolgt einen einzigen Zweck und ist unkompliziert. Das Abrufen einer Zahl aus einer Datenbank ist eine einfache Aufgabe, für die kein MCP erforderlich ist.
• Es sind keine LLMs beteiligt. Wenn Ihre Software auf klassischem Machine Learning oder standardmäßigem Nicht-KI-Backend-Code basiert, können Rohdaten mit traditionellen APIs problemlos verarbeitet werden. 
• Geschwindigkeit und Effizienz haben höchste Priorität. Traditionelle APIs können innerhalb von Millisekunden reagieren. Der Aufruf eines MCP-Tools ist vergleichbar schnell, und auch Workflows sind schnell. Der dazugehörige Workflow umfasst jedoch Modellinferenz, wodurch sich die Reaktionszeit auf mehrere Sekunden erhöht. 
• Sie möchten die vollständige Kontrolle über alle Entscheidungen, die das System trifft. Traditionelle APIs folgen den genauen Anweisungen zu 100 %. 

Es ist technisch möglich, ein LLM mit benutzerdefiniertem Code direkt mit einer traditionellen API zu verbinden, aber der Aufwand lohnt sich wahrscheinlich nicht. Die Verbindung einer API mit einem LLM zwingt Entwicklungsteams dazu, benutzerdefinierten Code für jede einzelne KI-Anwendung zu schreiben, die sie unterstützen möchten. Da APIs auf einer festen Logik basieren („Wenn A passiert, B ausführen“) ist kein Platz für die Flexibilität, die moderne agentische KI benötigt, um Aufgaben in Echtzeit abzuarbeiten.

MCP wurde entwickelt, um ein leistungsstarkes Feature von KI-Agenten zu unterstützen: die dynamische Erkennung. Damit ist die Fähigkeit eines KI-Agenten gemeint, sich mit einem Server zu verbinden, die vorhandenen Funktionen abzufragen und diese Funktionen sofort und ohne menschliches Eingreifen zu nutzen. 

Eine dynamische Erkennung ist dank Serverfunktionen und einem maschinenlesbaren Schema möglich. Das heißt, dass ein LLM aufgrund des strukturierten Schemas (geschrieben in Standard-JSON) die Namen der Tools, Parameteranforderungen und Datentypen eigenständig ermitteln kann, anstatt dass ein menschliches Entwicklungsteam ein Webhandbuch lesen muss. MCP kategorisiert diese Serverfunktionen dann in 3 Bereiche: 

• Tools, mit denen der Agent Aktionen ausführen kann
• Ressourcen, die Kontext für den Agenten bereitstellen
• Prompts, die als Anweisungsvorlagen dienen

Mit der zunehmenden Popularität von MCP steigt auch die Anzahl der vorgefertigten Integrationen, oder genauer gesagt, der sofort einsatzbereiten MCP-Server für gängige Plattformen wie GitHub, Slack und Google Drive. Wenn maschinenlesbare Schemata, Echtzeiterkennung und vorgefertigte Tools zusammenkommen, bieten sie den Agenten genügend Informationen, um wirklich kontextbezogene KI-Workflows zu erstellen. Hierbei handelt es sich um einen Prozess, bei dem Agenten kontinuierlich eine Echtzeitumgebung bewerten, Kontext aus den MCP-Ressourcen beziehen, das geeignete Tool für den jeweiligen Zeitpunkt auswählen und ihr Reasoning auf der Grundlage von realem Feedback anpassen. 

Mehr über MCP-Server für Red Hat OpenShift® AI erfahren

Die Sicherung von MCP-Servern erfordert mehr als nur eine Basisauthentifizierung. Sie benötigen konkrete Regeln für jede Aktion, digitale Schlüssel mit strengen Grenzen und ein System, das mit den verschiedenen Sicherheitssprachen umgehen kann, die diese Tools „sprechen“.

Mehr erfahren: Authentifizierung und Autorisierung für das MCP-Gateway

Ist MCP ein Ersatz für APIs?

Nein, MCP ist kein universeller Ersatz für APIs. MCP wurde entwickelt, um KI-Modellen die Kommunikation mit Tools zu erleichtern. Wenn Ihre Anwendung kein Sprachmodell verwendet, benötigen Sie MCP nicht. 

In Unternehmen wird nicht mehr darüber diskutiert, ob MCP eingeführt werden soll, sondern wie MCP sicher eingeführt werden kann. MCP-Server können KI-Agenten Zugriff auf eine Vielzahl von Tools und Daten gewähren. Ohne eine Governance-Schicht gibt es jedoch keine konsistente Methode zur Kontrolle, wer auf was zugreift, zur Durchsetzung von Ratenlimits oder zur Anwendung von Sicherheitsrichtlinien. 

Mehr über das MCP-Gateway für Red Hat OpenShift erfahren

Was ist ein MCP-Gateway?

Ein MCP-Gateway befindet sich zwischen KI-Agenten und den MCP-Servern, mit denen sie verbunden sind. Es übernimmt die Kontrolle des Datenverkehrs auf der Infrastrukturebene und leitet die Aufrufe der Tools zwischen Ihren KI-Agenten und den von ihnen verwendeten MCP-Servern über einen einzelnen gemanagten Checkpoint weiter. 

Das Ziel eines MCP-Gateways besteht darin, MCP-Serververbindungen in großem Umfang zu sichern. Insbesondere bietet es Unterstützung in folgenden Bereichen:

• Sicherheit: Unternehmen können Role-based Access Control (RBAC) durchsetzen. Dadurch werden Sicherheitsleitplanken eingerichtet, und es wird dafür gesorgt, dass Marketing-Agenten beispielsweise auf den Social Media-MCP-Server zugreifen können, nicht aber auf den Server mit Gehaltsdaten.
• Beobachtbarkeit: Gateways erstellen ein zentralisiertes Auditprotokoll, in dem Informationen erfasst werden, beispielsweise welcher Nutzende den Agenten gestartet hat, welches MCP-Tool verwendet wurde und was für eine Antwort zurückgegeben wurde. 
• Kosten: Gateways setzen Ratenlimits für den Token-Verbrauch pro Agent durch und helfen Teams dabei, die Ausgaben der Nutzung pro Tool zuzuordnen. 
• Zuverlässigkeit: Gateways können eine Tool-Anforderung automatisch an einen neuen Endpunkt weiterleiten, wenn ein Service ausfällt. 

Red Hat® AI ist mit seinem vLLM-basierten Server für schnelle, flexible und effiziente Inferenz konzipiert. Die Lösung verknüpft die Modelle zuverlässig mit Ihren Daten, um die Anpassung und Entwicklung spezialisierter Agenten auf einer einzelnen Plattform zu vereinheitlichen. Unsere Produkte basieren auf Open Source und bieten Ihnen die vollständige End-to-End-Kontrolle über KI-Workflows in beliebigem Umfang. 

Das Portfolio von Red Hat AI beinhaltet jetzt Red Hat AI Enterprise: eine Plattform zum Bereitstellen, Verwalten und Skalieren von KI-Inferenz, agentischen KI-Workflows und KI-gestützten Anwendungen auf beliebigen Infrastrukturen.

Mehr über Red Hat AI erfahren