Production-Ready MCP-Server bauen
Verstehe, warum MCP existiert, wie seine Primitive zusammenspielen und wie du einen FastMCP-Server baust und deployst, den dein Team remote nutzen kann.
Dein Modell ist schlau. Und blind. Frag es nach euren offenen Support-Tickets, eurer Git-History oder den Rechnungen von letzter Woche — und du bekommst dasselbe Achselzucken: „Auf dieses System habe ich keinen Zugriff." Also baut jedes Team seinen eigenen Klebstoff, um die Lücke zu schließen — eigener Datenzugriff, eigene Tool-Schemas, eigene Auth — und baut ihn für die nächste KI-App wieder neu. Genau diesen Wildwuchs beendet MCP.
Ein kostenloser, praxisnaher Kurs. Die erste Lektion ist offen — melde dich an und tritt der kostenlosen Community bei, um den Rest freizuschalten.
Was MCP wirklich ist#
MCP — das Model Context Protocol — ist der Standard, mit dem du einer KI-Anwendung den Kontext und die Aktionen gibst, die sie braucht. Denk an USB-C für KI-Apps: eine Steckerform, viele Geräte. Ein Client spricht MCP; ein Server stellt genau ein System bereit — deine Datenbank, deine Docs, dein Git-Repo — hinter demselben Protokoll. Bau den Port einmal, und jeder MCP-fähige Client kann sich einstecken.
Warum es zählt#
Wiederverwendung. Bau einen Support-Daten-Server, und Claude Desktop, dein interner Agent und das Workflow-Tool vom nächsten Quartal nutzen ihn alle — ohne Rewrite. MCP ist ein offener Standard, getragen von den großen KI-Anbietern. Das ist keine Wette auf ein einzelnes Framework, sondern die Richtung, in die die Integrationsschicht läuft.
Der Haken: Ein Server ist eine echte Grenze. Vermassle das Tool-Design, und du gibst dem Modell eine geladene Waffe in die Hand. In diesem Kurs geht es darum, es richtig zu machen.
Was du baust#
Keine Folien. Einen laufenden Server. Du baust einen MCP-Server für „Acme" — eine fiktive SaaS-Firma, deren Support-Team in Tickets ertrinkt — mit FastMCP, dem führenden Python-Framework, das dir den Protokoll-Boilerplate abnimmt. Du stellst echte Tools bereit (die Ticket-Datenbank abfragen, nicht „schreib mir mal SQL"), verdrahtest Resources und Prompts und siehst zu, wie ein Assistent einen Support-Workflow wirklich löst. Jede Lektion endet mit etwas, das läuft.
Ab in die Produktion#
Ein Server auf deinem Laptop hilft niemandem. In der letzten Lektion packst du ihn in einen Docker-Container und deployst ihn auf Google Cloud Run — damit das ganze Team einen entfernten MCP-Server nutzt, statt dass jeder ihn lokal klont und startet. Das ist der Unterschied zwischen einer Demo und etwas, worauf sich deine Kollegen verlassen.