Schulung – Model Context Protocol (MCP) – AI Engineering & LLM-Anwendungen

Model Context Protocol (MCP) für AI Engineers

MCP-Server entwickeln und sicher anbinden: Tools, Resources und Prompts für Claude Code, Cursor, Copilot und eigene KI-Agenten.

Dauer
6 Stunden, ein Termin
Format
Online oder vor Ort
Sprache
Deutsch oder Englisch
Teilnehmende
offene Termine oder exklusiv für Ihr Team
Abschluss
Teilnahmebescheinigung

Überblick

In diesem Kurs verbinden wir Model Context Protocol (MCP) mit den typischen Abläufen im Bereich AI Engineering & LLM-Anwendungen. Die Teilnehmenden arbeiten an realistischen Szenarien und nehmen sofort einsetzbare Prompts, Workflows und Checklisten mit.

Das Model Context Protocol ist ein offener Standard, über den KI-Anwendungen einheitlich auf externe Werkzeuge, Datenquellen und Workflows zugreifen. Statt für jeden Assistenten eigene Integrationen zu bauen, implementieren Sie einen MCP-Server einmal und nutzen ihn in Claude Code, Claude Desktop, Cursor, GitHub Copilot, VS Code und eigenen Agenten. In dieser kompakten Schulung lernen Sie die Architektur aus Host, Client und Server, die drei zentralen Bausteine Tools, Resources und Prompts sowie die Transportwege stdio und Streamable HTTP kennen – und setzen sie direkt in eigenem Code um.

Am ersten Tag bauen Sie mit den offiziellen SDKs für TypeScript oder Python einen eigenen MCP-Server, der interne APIs, Datenbanken oder Dateien kontrolliert für KI-Assistenten verfügbar macht, und testen ihn mit dem MCP Inspector. Der zweite Tag widmet sich Remote-Servern, Authentifizierung über OAuth, Sicherheitsrisiken wie Prompt Injection und Tool Poisoning sowie Betrieb, Logging und Governance im Unternehmen. Sie lernen, Tool-Beschreibungen so zu gestalten, dass Modelle sie zuverlässig nutzen, und wissen am Ende, wie Sie MCP-Server sicher in Ihre Entwicklungs- und Agenten-Landschaft integrieren.

AI Engineering ist die Disziplin, aus Sprachmodellen verlässliche Produkte zu machen: Chat-Assistenten, Dokumentenanalyse, Retrieval-Augmented Generation, Agenten mit Werkzeugzugriff und KI-Funktionen in bestehenden Anwendungen. Der Code rund um das Modell ist dabei oft anspruchsvoller als der Modellaufruf selbst, denn Prompt-Versionierung, strukturierte Ausgaben, Evaluierung, Kostenkontrolle, Latenz, Observability und Schutz vor Prompt Injection entscheiden über den Erfolg in Produktion. KI-Coding-Assistenten und Agenten beschleunigen genau diese Arbeit, vom Aufbau von Evaluierungs-Pipelines über Tool-Definitionen und MCP-Server bis zur Fehleranalyse in Traces. Im Kurs lernen Sie, LLM-Anwendungen mit KI-Unterstützung systematisch zu entwickeln, ihre Qualität messbar zu machen und sie sicher, kosteneffizient und regelkonform zu betreiben.

Das Training findet live statt – wahlweise online im virtuellen Klassenraum oder vor Ort in unseren Trainingsräumen in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart und Kaiserslautern. Auf Wunsch kommen wir auch exklusiv für Ihr Team zusammen.

Für wen ist das Training?

  • Softwareentwickler:innen, die LLM-Funktionen in Produkte integrieren
  • AI Engineers und Machine-Learning-Engineers
  • Data Scientists mit Fokus auf generative KI
  • Backend- und Platform-Teams, die KI-Infrastruktur bereitstellen
  • Technische Produktverantwortliche für KI-Features

Typische Herausforderungen, die wir adressieren

  • Prototypen funktionieren in Demos, liefern in Produktion aber schwankende Qualität
  • Fehlende systematische Evaluierung macht Änderungen an Prompts und Modellen riskant
  • Kosten, Latenz und Ratenlimits geraten bei steigender Nutzung außer Kontrolle
  • Neue Sicherheitsrisiken durch Prompt Injection, Datenabfluss und Agenten mit weitreichenden Rechten

Das können Sie nach dem Training

  • Sie erklären die MCP-Architektur und wählen für jeden Anwendungsfall zwischen Tools, Resources und Prompts.
  • Sie entwickeln einen eigenen MCP-Server in TypeScript oder Python und testen ihn systematisch.
  • Sie binden MCP-Server in Claude Code, Cursor, Copilot und eigene Agenten ein.
  • Sie betreiben Remote-Server mit Streamable HTTP und OAuth-basierter Autorisierung.
  • Sie entwickeln RAG-Anwendungen, Agenten und LLM-Funktionen mit KI-Coding-Werkzeugen systematisch und produktionsreif.
  • Sie machen die Qualität von LLM-Anwendungen mit automatisierten Evaluierungen messbar und steuerbar.
  • Sie betreiben LLM-Anwendungen sicher und kosteneffizient, mit Observability, Schutz vor Prompt Injection und klaren Berechtigungen.

Inhalte & Ablauf

Modul 1 Architektur und Grundkonzepte
  • Rollen von Host, Client und Server und der Lebenszyklus einer Verbindung
  • JSON-RPC-Nachrichten, Capability-Aushandlung und Benachrichtigungen
  • Tools, Resources und Prompts: wann welcher Baustein passt
  • Client-Funktionen wie Sampling, Roots und Elicitation im Überblick
Modul 2 Eigenen MCP-Server bauen
  • Server mit dem offiziellen TypeScript- oder Python-SDK aufsetzen
  • Tools mit JSON-Schema für Ein- und Ausgaben sauber definieren
  • Resources und Resource-Templates für Dokumente, Datensätze und Konfigurationen bereitstellen
  • Testen und Debuggen mit dem MCP Inspector und aussagekräftigen Fehlermeldungen
Modul 3 Anbindung an Claude Code, Cursor, Copilot und Agenten
  • Lokale stdio-Server und Remote-Server in Clients konfigurieren
  • Projekt- und nutzerbezogene Konfiguration, Freigaben und Berechtigungen
  • Tool-Beschreibungen formulieren, die Modelle zuverlässig richtig auswählen
  • MCP-Server in eigene Agenten mit Claude Agent SDK oder OpenAI Agents SDK einbinden
Modul 4 Transport, Authentifizierung und Betrieb
  • Streamable HTTP, Sitzungsverwaltung und zustandslose Server
  • Autorisierung mit OAuth, Token-Validierung und Anbindung an bestehende Identity Provider
  • Deployment als Container, auf Serverless-Plattformen oder hinter einem Gateway
  • Logging, Monitoring, Rate Limiting und Versionierung von Tool-Schnittstellen
Modul 5 Sicherheit und Governance
  • Bedrohungen: Prompt Injection über Tool-Ergebnisse, Tool Poisoning, Confused Deputy
  • Prinzip der minimalen Rechte, Bestätigungspflichten und Sandboxing
  • Prüfung und Freigabe von Drittanbieter-Servern im Unternehmen
  • Datenschutz, Protokollierung personenbezogener Daten und Anforderungen aus DSGVO und EU AI Act
Modul 6 Praxislabor: AI Engineering & LLM-Anwendungen
  • RAG-Pipelines aufbauen
  • Evaluierung automatisieren
  • Agenten und Tools entwickeln
  • Strukturierte Ausgaben absichern
  • Observability und Kosten
  • Prompt Injection abwehren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • LLM-Anwendungen verarbeiten häufig personenbezogene und vertrauliche Daten: Sie lernen, Anforderungen des EU AI Act an Transparenz und Risikoklassen einzuordnen, DSGVO-konforme Datenflüsse mit Auftragsverarbeitung und Löschkonzepten zu gestalten, API-Schlüssel sicher zu verwalten und Lizenzbedingungen von Modellen und Datensätzen zu beachten.
  • Spielregeln für den sicheren KI-Einsatz im Team
  • Ergebnisse prüfen: Fakten, Quellen, Tests und Vier-Augen-Prinzip
  • Persönlicher Umsetzungsplan für die nächsten 30 Tage
  • Offene Fragen, Ausblick und Ressourcen zum Weiterlernen

Praxisszenarien aus Ihrem Bereich

RAG-Pipelines aufbauen

Ingestion, Chunking, Embeddings, Vektorsuche, hybrides Retrieval und Reranking implementieren und Antworten mit Quellenangaben erzeugen, wobei Berechtigungen der Originaldokumente beim Abruf berücksichtigt werden. Die Qualität wird laufend gemessen.

Evaluierung automatisieren

Testdatensätze mit erwarteten Antworten erstellen, Metriken für Relevanz, Faktentreue und Format definieren, LLM-as-a-Judge-Bewertungen kalibrieren und Evaluierungen bei jeder Prompt- oder Modelländerung in der CI ausführen.

Agenten und Tools entwickeln

Tool-Definitionen und MCP-Server entwerfen, Agentenschleifen mit Planung, Werkzeugaufrufen und Abbruchbedingungen umsetzen und Berechtigungen sowie menschliche Freigaben für folgenreiche Aktionen einbauen. Abbrüche und Fehlschläge werden dabei sauber behandelt und protokolliert.

Strukturierte Ausgaben absichern

JSON-Schemas für Modellantworten definieren, Ausgaben validieren, Wiederholungsstrategien bei Fehlern implementieren und Extraktionsaufgaben wie Rechnungs- oder Vertragsdaten robust gestalten. Fehlerhafte Antworten werden so automatisch erkannt, bevor sie nachgelagerte Systeme oder Datenbanken erreichen.

Observability und Kosten

Traces, Token-Verbrauch, Latenzen und Fehlerraten erfassen, problematische Konversationen analysieren und Kosten durch Caching, Modell-Routing und Kontextreduktion gezielt senken. Budgets und Warnschwellen pro Funktion verhindern dabei unangenehme Überraschungen auf der monatlichen Rechnung.

Prompt Injection abwehren

Angriffsszenarien über manipulierte Dokumente, Webseiten oder Tool-Ergebnisse testen, Eingaben und Ausgaben filtern, Rechte von Agenten begrenzen und Red-Teaming-Tests als festen Bestandteil der Pipeline etablieren. Funde fließen in Regressionstests ein.

Mögliche Praxisprojekte im Kurs

Wissensassistent mit Quellen

Ein RAG-Chat über interne Dokumente mit Zitaten, Feedback-Buttons und einer Evaluierungsseite, die Antwortqualität über Testfragen verfolgt. Berechtigungen der Quelldokumente werden beim Abruf berücksichtigt.

Evaluierungs-Harness

Ein Kommandozeilenwerkzeug, das Prompt-Varianten gegen einen Testdatensatz ausführt, Ergebnisse bewertet und Unterschiede zwischen Versionen übersichtlich darstellt. Es lässt sich als Qualitätsschranke in die CI einbinden.

Dokumenten-Extraktor

Ein Dienst, der PDFs entgegennimmt, strukturierte Daten nach einem JSON-Schema extrahiert, validiert und unsichere Fälle zur manuellen Prüfung markiert. Korrekturen fließen in Testdaten ein.

Voraussetzungen

Solide Programmierkenntnisse in TypeScript/JavaScript oder Python sowie Grundverständnis von HTTP-APIs und JSON. Erste Erfahrung mit KI-Assistenten im Entwicklungsalltag ist hilfreich. Sie haben solide Programmierkenntnisse, idealerweise in Python oder TypeScript, und Erfahrung mit APIs; erste Berührung mit LLM-APIs ist hilfreich, aber nicht erforderlich.

Technische Voraussetzungen

Laptop mit Node.js oder Python, Git und einem Code-Editor; Zugang zu mindestens einem MCP-fähigen Client wie Claude Code, Claude Desktop, Cursor oder VS Code mit Copilot.

Datenschutz & Compliance

LLM-Anwendungen verarbeiten häufig personenbezogene und vertrauliche Daten: Sie lernen, Anforderungen des EU AI Act an Transparenz und Risikoklassen einzuordnen, DSGVO-konforme Datenflüsse mit Auftragsverarbeitung und Löschkonzepten zu gestalten, API-Schlüssel sicher zu verwalten und Lizenzbedingungen von Modellen und Datensätzen zu beachten.

Termine & Standorte

Pro Standort schlagen wir Ihnen einen Termin in rund vier Wochen vor. Ihr Wunschtermin ist jederzeit möglich.

  • München Do, 10. Dezember 2026 6 Std. Anfragen
  • Salzburg Fr, 11. Dezember 2026 6 Std. Anfragen
  • Berlin Mi, 16. Dezember 2026 6 Std. Anfragen
  • Augsburg Mo, 14. Dezember 2026 6 Std. Anfragen
  • Hannover Di, 15. Dezember 2026 6 Std. Anfragen
  • Bremen Mo, 14. Dezember 2026 6 Std. Anfragen
  • Stuttgart Di, 15. Dezember 2026 6 Std. Anfragen
  • Kaiserslautern Mo, 14. Dezember 2026 6 Std. Anfragen
  • Online Mo, 14. Dezember 2026 6 Std. Anfragen

Häufige Fragen

Wofür brauche ich einen eigenen MCP-Server?

Immer dann, wenn KI-Assistenten auf interne Systeme zugreifen sollen, etwa auf Ticketsysteme, Datenbanken, Dokumentation oder Fachanwendungen. Ein eigener Server legt genau fest, welche Aktionen und Daten verfügbar sind, und lässt sich anschließend in mehreren Clients wiederverwenden. So vermeiden Sie Insellösungen und behalten die Kontrolle über Zugriffe.

Welche Programmiersprache wird im Kurs verwendet?

Sie können wahlweise mit TypeScript oder Python arbeiten, für beide gibt es offizielle SDKs. Die Konzepte sind identisch, die Übungen liegen in beiden Varianten vor. Wer in einer anderen Sprache entwickelt, profitiert trotzdem, da das Protokoll sprachunabhängig ist und SDKs für weitere Sprachen ähnlich aufgebaut sind.

Wie sicher ist MCP im Unternehmenseinsatz?

Das Protokoll selbst bietet Mechanismen für Autorisierung und Berechtigungen, die Sicherheit hängt aber von Implementierung und Betrieb ab. Risiken wie Prompt Injection über Tool-Ergebnisse oder überprivilegierte Server sind real. Wir behandeln konkrete Gegenmaßnahmen, Freigabeprozesse für Drittanbieter-Server und den Umgang mit personenbezogenen Daten.

Worin unterscheidet sich AI Engineering von klassischem Machine Learning?

Beim klassischen Machine Learning trainieren Sie eigene Modelle auf eigenen Daten. Im AI Engineering nutzen Sie meist vortrainierte Sprachmodelle über APIs oder selbst betriebene Modelle und konzentrieren sich auf Kontext, Retrieval, Werkzeuge, Evaluierung und Betrieb. Statistik- und Trainingswissen ist weniger zentral, Software-Engineering-Kompetenz dafür umso wichtiger. Der Kurs setzt genau dort an.

Wie messen wir, ob unsere LLM-Anwendung gut genug ist?

Mit einem Evaluierungsdatensatz aus realistischen Fragen und erwarteten Ergebnissen, kombinierten Metriken aus regelbasierten Prüfungen, LLM-as-a-Judge und menschlicher Stichprobe sowie Monitoring im Betrieb. Wichtig ist, Evaluierungen bei jeder Änderung automatisch laufen zu lassen. Im Kurs bauen Sie ein solches Setup auf und lernen, Bewertungsmodelle zu kalibrieren.

Was kostet die Schulung „Model Context Protocol (MCP) für AI Engineers“?

Die Schulung kostet pauschal 949 € zzgl. gesetzl. MwSt. pro Teilnehmer:in – unabhängig davon, ob sie online oder vor Ort stattfindet. Enthalten sind 6 Stunden Live-Training mit Trainer:in, Kursunterlagen, Übungsumgebung und Teilnahmebescheinigung.

Kann ich einen eigenen Wunschtermin angeben?

Ja. Für jeden Standort schlagen wir Ihnen einen Termin in rund vier Wochen vor. Im Anfrageformular können Sie aber jederzeit einen Wunschtermin oder Zeitraum im Freitext angeben – wir prüfen die Verfügbarkeit und melden uns innerhalb eines Werktags.

Findet der Kurs online oder vor Ort statt?

Beides ist möglich: live online im virtuellen Klassenraum oder vor Ort in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart und Kaiserslautern. Auf Wunsch führen wir das Training auch exklusiv für Ihr Team durch.

Kann der Kurs auf unser Team zugeschnitten werden?

Ja. Maßgeschneiderte Kurse kosten ca. 4.500 € mehr, je nach Thema und nach Absprache. Wir stimmen Inhalte, Beispiele und Übungen vorab mit Ihnen ab.

Weitere Kurse für AI Engineers

Weitere Kurse zu Model Context Protocol (MCP)

Alle 29 Kurse zu Model Context Protocol (MCP)

Model Context Protocol (MCP) – MünchenModel Context Protocol (MCP) – SalzburgModel Context Protocol (MCP) – BerlinModel Context Protocol (MCP) – AugsburgModel Context Protocol (MCP) – HannoverModel Context Protocol (MCP) – BremenModel Context Protocol (MCP) – StuttgartModel Context Protocol (MCP) – KaiserslauternModel Context Protocol (MCP) – Online