MCP Server von Grund auf:
Der vollständige Entwickler-Guide

Schmerzpunkte: Jeder LLM-Anbieter liefert ein eigenes Function-Calling-Format. Modellwechsel bedeutet Integrations-Neubau. LangChain-Tools bleiben im Framework und wandern nicht zwischen IDEs.

• Evolution: Function Calling (anbieterspezifisch) → ChatGPT Plugins (Plattform-Lock-in) → MCP (offener Standard). Anthropic open-sourcete MCP im November 2024, um AI-System-Kommunikation per JSON-RPC zu vereinheitlichen.
• Rollen: Der MCP Client sitzt auf der AI-Seite (Claude Desktop, Cursor). Der MCP Server ist Ihre Entwicklungsaufgabe. Er exponiert Tools (aufrufbare Funktionen), Resources (lesbare Daten) und Prompts (wiederverwendbare Vorlagen).
• Transport: JSON-RPC 2.0 über stdio (lokal, geringe Latenz) oder HTTP + SSE / Streamable HTTP (remote, Multi-Client). Lebenszyklus: Handshake → Capability-Negotiation → Requests → Shutdown.

Ein MCP Server schreiben — Cursor, Claude Desktop und VS Code können ihn nutzen. Das ist der USB-C-Moment für AI-Tooling.

Sprachwahl: Python mit dem offiziellen mcp-Paket und FastMCP (ideal für Einsteiger). TypeScript mit @modelcontextprotocol/sdk für Full-Stack-Teams. Beispiele unten in Python.

python -m venv .venv
source .venv/bin/activate
pip install mcp

npm init -y
npm install @modelcontextprotocol/sdk

Projektstruktur: server.py, tools/, resources/, prompts/, tests/, pyproject.toml.

Debug-Stack: Offizieller MCP Inspector (npx @modelcontextprotocol/inspector), Claude Desktop via claude_desktop_config.json, Cursor unter Einstellungen → MCP.

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("my-first-server")

@mcp.tool()
def say_hello(name: str) -> str:
    """Begrüßt eine Person beim Namen."""
    return f"Hallo, {name}! Das ist Ihr erstes MCP-Tool."

if __name__ == "__main__":
    mcp.run()

Starten Sie python server.py oder npx @modelcontextprotocol/inspector python server.py. Nach Cursor- oder Claude-Desktop-Konfiguration sollte das Tool im AI-Kontext erscheinen.

Funktionssignaturen werden zu JSON Schema für das Modell. Nutzen Sie snake_case-Verb-Namen wie search_web. Komplexe Inputs mappen sauber über Pydantic BaseModel mit Field(description=...).

Fünf Starter-Tools: Rechner (sicheres Expression-Parsing), Datei-Lesen/Schreiben (Verzeichnis-Allowlist), HTTP-Client (Timeouts und Größenlimits), Read-only-SQL (parametrisierte Queries) und Zeitzonen-Hilfen.

Async IO: async def mit httpx.AsyncClient für Netzwerkaufrufe. Strukturierte Error-Dicts statt roher Exceptions zurückgeben. Timeouts und Berechtigungsprüfungen für Produktionspfade — besonders wenn Tools personenbezogene Daten verarbeiten (DSGVO Art. 5/32).

Resource vs Tool: Resources liefern Daten; Tools führen Aktionen aus. Adressieren Sie Resources per URI: file://, http://, custom://. Statische Resources nutzen feste URIs; dynamische akzeptieren Parameter wie user://{user_id}/profile.

Unterstützen Sie Text, JSON, Binär und Streaming-Payloads. Ein Filesystem-Resource-Server kann Verzeichnisse listen, Dateien lesen und Änderungs-Events abonnieren.

Prompts liefern vorgefertigte Nachrichtenvorlagen mit injizierten Parametern — ideal für Code-Review, Interview-Simulation oder Debug-Assistenten. Multi-Turn-Vorlagen können user- und assistant-Rollen mischen.

Remote-Beispiel: FastMCP("remote-server", transport="streamable-http") hinter uvicorn auf Port 8000. Absichern mit Bearer-Tokens, API-Key-Middleware, CORS-Allowlists und Rate Limits. Bei EU-Datenflüssen: Auftragsverarbeitung und Logging-Pfade DSGVO-konform dokumentieren.

Testen mit MCP Inspector und pytest via mcp.client.stdio. Häufige Fehler: falscher Config-Pfad (Tool unsichtbar), nicht serialisierbare Rückgabetypen, blockierende Calls mit Timeouts.

Shippen mit Docker (Python 3.12-slim), Railway/Render für Hobby-Projekte, Lambda/Cloud Run serverless oder Nginx auf einem VPS. Strukturierte Logs, Prometheus-Metriken, Sentry-Alerts und ein /health-Endpoint ergänzen. MCP-Protokollversionen deklarieren und Tool-Upgrades rückwärtskompatibel halten.

Capstone: Ein persönlicher Wissensdatenbank-MCP-Server, der Markdown-Notizen semantisch durchsucht, Einträge anlegt und Dateien mit ChromaDB/Qdrant, text-embedding-3-small und watchfiles überwacht. Fragen Sie Cursor: „Was habe ich letzte Woche über MCP geschrieben?" — der Agent ruft Ihr Search-Tool auf.

Referenz-Server 2026: mcp-server-filesystem, mcp-server-github, mcp-server-brave-search, mcp-server-postgres, mcp-server-slack. Große Clients liefern native MCP-Unterstützung; Enterprise-Security-Baselines und Marktplätze reifen.

• Protokoll: Anthropic open-sourcete MCP im November 2024 (JSON-RPC 2.0); Governance wechselte 2026 zur Linux Foundation AAIF.
• Ökosystem: Öffentliche MCP-Server überschreiten 10.000; Python- und TypeScript-SDKs sind der offizielle Pfad — Versionen nach Release auf GitHub prüfen.
• Transport: Streamable HTTP ersetzt reines SSE für stateless Load Balancing in Cloud-Deployments.

Offizielle Docs und SDKs (Links nach Upstream-Releases erneut prüfen):

https://modelcontextprotocol.io

https://github.com/modelcontextprotocol/python-sdk

https://github.com/modelcontextprotocol/typescript-sdk

https://github.com/modelcontextprotocol/inspector

1. Sprache und Transport wählen: Python + stdio für Solo-Dev; HTTP für Team-Sharing.
2. Module scaffolden: Tools, Resources, Prompts trennen; MCP Inspector installieren.
3. Hello World shippen: Sichtbarkeit in Cursor oder Claude Desktop verifizieren.
4. Fünf Tools plus Resources: Read-only starten, dann Writes und externe APIs.
5. Tests und Docker automatisieren: stdio-Integrationstests in CI.
6. 24/7 deployen: Laptop-Sleep killt MCP-Sessions; ein reiner Linux-VPS fehlt macOS-Sandbox und Xcode. Für stabile MCP-Infrastruktur, geteilte Agenten und iOS-CI ist CALMVPS Bare-Metal-Mac-Miete meist die bessere Wahl: dediziertes M4/M4 Pro, ca. 120 Sekunden Bereitstellung, flexible Abrechnung — auch unter DSGVO-Nachvollziehbarkeitsanforderungen. Siehe Mietpreise und Hilfezentrum.

MCP ist der Standard für AI-Tooling. Beherrschen Sie ihn, und Sie erweitern jedes LLM um reale Fähigkeiten — beginnend mit dem Hello World von heute.