Schulung · Model Context Protocol (MCP) · Kubernetes & Microservices

Model Context Protocol (MCP) für Kubernetes- und Microservice-Teams

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

Dauer
2 Tage (14 Std.)
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 Kubernetes & Microservices. 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 zweitägigen 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.

Kubernetes ist zur Standardplattform für Microservices geworden – und mit ihr eine Flut an YAML-Manifesten, Helm-Charts, Kustomize-Overlays, Operatoren, Service-Mesh-Konfigurationen und GitOps-Repositories. Hinzu kommen verteilte Fehlerbilder, die sich über Dutzende Services erstrecken. KI-Coding-Assistenten und Agenten nehmen hier viel Komplexität heraus: Sie erzeugen Helm-Charts mit sinnvollen Defaults, diagnostizieren CrashLoopBackOff- und OOMKilled-Fehler aus Events und Logs, schreiben NetworkPolicies und RBAC-Regeln nach dem Least-Privilege-Prinzip und helfen beim Schnitt von Service-Grenzen. Gleichzeitig gilt: Ein Agent mit Cluster-Zugriff braucht klare Grenzen. Im Kurs lernen Sie, KI für Manifeste, Troubleshooting und Architekturarbeit einzusetzen, ohne die Kontrolle über Ihre Cluster abzugeben.

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?

  • Plattform-Engineers und Kubernetes-Administrator:innen
  • Entwickler:innen, die Microservices auf Kubernetes betreiben
  • Site Reliability Engineers mit Cluster-Verantwortung
  • Software-Architekt:innen für verteilte Systeme
  • DevOps-Teams, die GitOps einführen oder ausbauen

Typische Herausforderungen, die wir adressieren

  • Unübersichtliche Mengen an YAML, Helm-Werten und Overlays über viele Umgebungen
  • Schwierige Fehlersuche bei verteilten Problemen zwischen Services, Netzwerk und Ressourcenlimits
  • Sicherheitslücken durch zu weit gefasste RBAC-Rechte, fehlende NetworkPolicies und privilegierte Container
  • Unklare Service-Grenzen und enge Kopplung in wachsenden Microservice-Landschaften

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 erstellen und prüfen Helm-Charts, Overlays und Policies effizient mit KI-Agenten.
  • Sie diagnostizieren Fehler in Clustern und Microservices schneller mit strukturierter KI-Unterstützung.
  • Sie begrenzen Cluster-Zugriffe von Agenten und verankern Sicherheits- und Architekturregeln verbindlich.

Inhalte & Ablauf

Tag 1

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

Tag 2

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: Kubernetes & Microservices
  • Helm-Charts und Kustomize erstellen
  • Pods und Deployments debuggen
  • RBAC und NetworkPolicies
  • Microservice-Schnitt und Kommunikation
  • Observability einrichten
  • GitOps-Repositories pflegen
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • Kubeconfigs, Service-Account-Tokens und Secrets dürfen nie in Prompts landen; Agenten sollten nur mit lesenden oder eng begrenzten Rechten in Nicht-Produktionsclustern arbeiten. Prüfen Sie Container-Images und Charts auf Herkunft, Signaturen und Schwachstellen und berücksichtigen Sie die Anforderungen von NIS2 und Cyber Resilience Act an Lieferkettensicherheit und SBOMs.
  • 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

Helm-Charts und Kustomize erstellen

Der Agent erzeugt Helm-Charts oder Kustomize-Overlays mit Probes, Ressourcenanforderungen, Pod Disruption Budgets und Security Contexts, validiert sie mit helm lint und kubeconform und dokumentiert alle Werte.

Pods und Deployments debuggen

Aus kubectl-Ausgaben, Events und Container-Logs grenzt die KI Ursachen für CrashLoopBackOff, OOMKilled, ImagePullBackOff oder fehlschlagende Readiness-Probes ein und schlägt konkrete Korrekturen vor. Das Team prüft die Vorschläge vor der Umsetzung.

RBAC und NetworkPolicies

Die KI analysiert bestehende Rollen und Kommunikationsbeziehungen, formuliert RBAC-Regeln nach dem Least-Privilege-Prinzip und erstellt NetworkPolicies, die nur notwendigen Verkehr zwischen Services zulassen. Änderungen werden vorab in einem Testcluster geprüft.

Microservice-Schnitt und Kommunikation

Der Assistent hilft, Service-Grenzen entlang fachlicher Domänen zu definieren, synchrone und asynchrone Kommunikation abzuwägen und Muster wie Outbox, Circuit Breaker oder Saga sauber umzusetzen. Die Entscheidung bleibt beim Team.

Observability einrichten

Für Services entstehen OpenTelemetry-Instrumentierung, Prometheus-Metriken, ServiceMonitors und Alert-Regeln sowie Dashboards, die Latenz, Fehlerrate und Sättigung sichtbar machen. Alerts werden an Service Level Objectives ausgerichtet, damit nur relevante Störungen eskalieren.

GitOps-Repositories pflegen

Die KI strukturiert Repositories für Argo CD oder Flux, trennt Umgebungen sauber, automatisiert Image-Updates und erklärt Sync-Fehler anhand von Status und Diffs. Drift zwischen Repository und Cluster wird sichtbar.

Mögliche Praxisprojekte im Kurs

Manifest-Linter mit Regelwerk

Ein Tool, das Kubernetes-Manifeste auf fehlende Limits, Probes, Labels und unsichere Einstellungen prüft und einen Bericht für Pull Requests erzeugt.

Microservice-Demo mit Tracing

Zwei bis drei kleine Services mit OpenTelemetry, deployt per Helm in einen lokalen Cluster, inklusive Dashboard für verteilte Traces. Ideal, um verteilte Fehlersuche mit KI zu üben.

Cluster-Hygiene-Bericht

Ein CLI, das ungenutzte ConfigMaps, verwaiste PersistentVolumes und Deployments ohne Ressourcenangaben findet und Aufräumvorschläge macht. Gelöscht wird erst nach menschlicher Prüfung und Freigabe.

Voraussetzungen

Solide Programmierkenntnisse in TypeScript/JavaScript oder Python sowie Grundverständnis von HTTP-APIs und JSON. Erste Erfahrung mit KI-Assistenten im Entwicklungsalltag ist hilfreich. Praktische Erfahrung mit Containern, kubectl und Kubernetes-Grundobjekten sowie Grundkenntnisse in Helm, YAML und Git.

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

Kubeconfigs, Service-Account-Tokens und Secrets dürfen nie in Prompts landen; Agenten sollten nur mit lesenden oder eng begrenzten Rechten in Nicht-Produktionsclustern arbeiten. Prüfen Sie Container-Images und Charts auf Herkunft, Signaturen und Schwachstellen und berücksichtigen Sie die Anforderungen von NIS2 und Cyber Resilience Act an Lieferkettensicherheit und SBOMs.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Mi, 25. November 2026 – Do, 26. November 2026 Online Anfragen
  • Di, 8. Dezember 2026 – Mi, 9. Dezember 2026 Salzburg Anfragen
  • Do, 17. Dezember 2026 – Fr, 18. Dezember 2026 Online Anfragen
  • Mi, 13. Januar 2027 – Do, 14. Januar 2027 Bremen Anfragen
  • Do, 28. Januar 2027 – Fr, 29. Januar 2027 Online Anfragen
  • Do, 4. Februar 2027 – Fr, 5. Februar 2027 Augsburg 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.

Sollte ein KI-Agent direkten Zugriff auf meinen Cluster haben?

Nur kontrolliert. Für Analyse und Troubleshooting genügen meist lesende Rechte in ausgewählten Namespaces, Änderungen sollten über GitOps-Repositories und Reviews laufen. Im Kurs richten Sie dafür eigene Service Accounts, lokale Testcluster und Freigabeprozesse ein, sodass der Agent nützlich ist, ohne Produktionsrisiken zu erzeugen.

Hilft der Kurs auch bei Architekturfragen zu Microservices?

Ja. Neben Manifesten und Betrieb behandeln wir, wie KI beim Schnitt von Service-Grenzen, beim Abwägen von Kommunikationsmustern und beim Bewerten von Architekturvarianten unterstützen kann. Die KI liefert dabei Optionen und Argumente, die Entscheidung bleibt beim Team und wird nachvollziehbar dokumentiert.

Was kostet die Schulung „Model Context Protocol (MCP) für Kubernetes- und Microservice-Teams“?

Die Schulung kostet pauschal 949 € zzgl. gesetzl. MwSt. pro Teilnehmer:in – unabhängig davon, ob sie online oder vor Ort stattfindet. Enthalten sind 2 Trainingstag(e) mit Live-Trainer:in, Kursunterlagen, Übungsumgebung und Teilnahmebescheinigung.

Kann ich einen eigenen Wunschtermin angeben?

Ja. Unsere Terminvorschläge sind eine Orientierung. Im Anfrageformular können Sie jederzeit einen Wunschtermin oder Zeitraum im Freitext angeben – wir prüfen die Verfügbarkeit und bestätigen 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 oder Kaiserslautern. Auf Wunsch führen wir das Training auch exklusiv für Ihr Team durch.

Weitere Kurse für Kubernetes- und Microservice-Teams

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