MCP lokal betreiben

Was dieser Artikel über lokales MCP behandelt

• Wie MCP im eigenen Netzwerk aufgesetzt wird.
• Welche Komponenten Server, Client und Transport bilden.
• Wie man Tools lokal bereitstellt.
• Sicherheitsaspekte und Architektur für lokale Agenten.
• Typische Stolpersteine und praktische Beispiele.

Einleitung: MCP lokal betreiben

Das Model Context Protocol ermöglicht es KI-Agenten, externe Tools und Datenquellen zu nutzen. Wer MCP lokal betreibt, schafft eine Infrastruktur, bei der Agenten und Tools im eigenen Netzwerk kommunizieren. Das erhöht die Kontrolle, schützt sensible Daten und reduziert Abhängigkeiten von Cloud-Diensten.

Lokales MCP ist besonders für Self-Hosting, interne Datenquellen und sensible Workflows interessant. Agenten können dann beispielsweise lokale Datenbanken, Dateisysteme oder APIs nutzen, ohne dass Informationen das Unternehmen verlassen.

Warum MCP lokal?

• Datenschutz: Daten bleiben im eigenen Netzwerk.
• Kontrolle: Man entscheidet, welche Tools verfügbar sind.
• Sicherheit: Tools laufen in der eigenen Sandbox.
• Offline: Agenten funktionieren ohne Internet.
• Anpassung: Eigene Tools einfach integrieren.

Architektur eines lokalen MCP-Setups

Ein typisches Setup besteht aus:

• Client: Agentenanwendung wie Claude Desktop, LangChain oder eigene Software.
• MCP-Server: Programm, das Tools und Daten bereitstellt.
• Transport: stdio für lokale Prozesse oder SSE für Netzwerk.
• Tools: Konkrete Funktionen, die der Agent aufrufen kann.
• LLM: Lokales Sprachmodell für die Entscheidung, welche Tools genutzt werden.

Server lokal starten

Ein MCP-Server ist ein Programm, das das MCP-Protokoll spricht. Man kann ihn als eigenen Prozess starten. Beispiel mit Python:

python mein_server.py

Oder als Docker-Container:

docker run --rm -p 3000:3000 mein-mcp-server

Transport wählen

• stdio: Geeignet, wenn Server und Client auf demselben Rechner laufen. Einfach und schnell.
• SSE: Geeignet für Netzwerkverbindungen. Server läuft auf einem anderen Host.

Für reines lokales Testen ist stdio oft ausreichend. Für verteilte Setups oder produktive Umgebungen ist SSE flexibler.

Client konfigurieren

In Claude Desktop oder einem eigenen Agenten trägt man den Server ein. Beispielkonfiguration für stdio:

{
  "mcpServers": {
    "mein_server": {
      "command": "python",
      "args": ["/pfad/zu/mein_server.py"]
    }
  }
}

Für SSE wird stattdessen eine URL eingetragen.

Lokale Tools bereitstellen

MCP-Server können viele lokale Tools anbieten:

• Dateisystem: Dateien lesen, schreiben, suchen.
• Datenbank: SQL-Abfragen ausführen.
• API-Client: Interne Dienste ansprechen.
• Shell: Befehle ausführen, nur mit hoher Vorsicht.
• Monitoring: Systemmetriken abrufen.
• Git: Repositories verwalten.

Sicherheit bei lokalem MCP

• Sandbox: Tools in isolierten Umgebungen laufen lassen.
• Berechtigungen: Nur bestimmte Pfade, Befehle und Daten erlauben.
• Netzwerk: MCP-Server nicht unnötig öffentlich erreichbar machen.
• Audit: Jede Tool-Ausführung protokollieren.
• Menschliche Freigabe: Kritische Aktionen bestätigen lassen.
• Secrets: API-Schlüssel und Zugangsdaten sicher verwalten.

MCP mit lokalen LLMs

Ein lokal betriebener MCP-Client kann mit Ollama, llama.cpp oder vLLM verbunden werden. Wichtig ist, dass das Modell Tool-Calling unterstützt oder dass der Client Tool-Aufrufe über Prompts und Parsing simuliert.

Typische Stolpersteine

• Fehlende Tool-Beschreibungen: Modell weiß nicht, wann es ein Tool nutzen soll.
• Transport nicht erreichbar: stdio-Prozess startet nicht oder SSE-Port blockiert.
• Berechtigungsfehler: Tool darf auf Datei oder Datenbank nicht zugreifen.
• Zirkuläre Aufrufe: Tool ruft sich selbst oder andere Tools endlos.
• Falsches Protokollversion: Client und Server verwenden unterschiedliche MCP-Versionen.
• Keine Fehlerbehandlung: Abstürze im Server stoppen den Agenten.

Weiterführende Links und Infos

• BotServ.de MCP-Grundlagen
• BotServ.de MCP-Server
• BotServ.de MCP-Client
• Model Context Protocol

FAQ: MCP lokal

Brauche ich Cloud-Dienste für MCP? Nein, MCP-Server und Client können vollständig lokal laufen.

Kann ich MCP mit Ollama nutzen? Ja, wenn der Client Tool-Calling unterstützt oder simuliert.

Wie viele Tools kann ein MCP-Server haben? Theoretisch beliebig viele. Praktisch sollten nur relevante Tools registriert sein.

Ist stdio oder SSE besser? stdio ist einfacher für lokale Tests, SSE besser für Netzwerk und Skalierung.

Kann ich mehrere MCP-Server gleichzeitig nutzen? Ja, der Client kann mehrere Server verbinden und alle Tools dem Modell bereitstellen.

Quellen und weiterführende Literatur

• Model Context Protocol: https://modelcontextprotocol.io/
• MCP SDK Python: https://github.com/modelcontextprotocol/python-sdk
• MCP SDK TypeScript: https://github.com/modelcontextprotocol/typescript-sdk

Zusammenfassung: MCP lokal betreiben

Lokales MCP verbindet KI-Agenten mit eigenen Tools, ohne Daten ins Internet zu senden. Server werden als eigene Prozesse oder Container betrieben, Clients binden sie per stdio oder SSE ein. Wichtig sind Sicherheit, Berechtigungen, saubere Tool-Beschreibungen und stabile Fehlerbehandlung. Wer MCP lokal aufbaut, bekommt eine flexible, datenschutzkonforme Grundlage für Agenten-Workflows.