MCP Tooling bauen

Erstelle eigene MCP-Server mit FastMCP und integriere diese in MeinGPT

Übersicht

Mit dem Model Context Protocol (MCP) kannst Du eigene Tools und Datenquellen für MeinGPT erstellen. FastMCP ist ein Python-Framework, mit dem sich MCP-Server schnell aufsetzen und über den HTTP Streamable Transport in MeinGPT einbinden lassen.

Was ist MCP?

Das Model Context Protocol (MCP) ist ein standardisiertes Protokoll für die Kommunikation zwischen LLMs und externen Tools. MCP-Server können:

  • Tools bereitstellen – Funktionen, die das LLM ausführen kann
  • Resources anbieten – Datenquellen, die das LLM lesen kann
  • Prompts definieren – Wiederverwendbare Vorlagen für Interaktionen

Einen MCP-Server mit FastMCP bauen

FastMCP nimmt Dir das Protokoll-Boilerplate ab. Ein minimaler Server sieht so aus:

pip install fastmcp uvicorn
from fastmcp import FastMCP
 
mcp = FastMCP("My MCP Server")
 
@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b
 
# Start with: uvicorn main:mcp --port 8000

Alles darüber hinaus — FastAPI-Integration, Authentifizierung, Resources, Fehlerbehandlung, Context/Progress-Reporting, Dependency Injection und Best Practices für Tool-Dokumentation und strukturierte Responses — ist mit vollständigen Codebeispielen in der FastMCP-Dokumentation beschrieben. Sie wird direkt vom FastMCP-Team gepflegt und ist damit aktueller als jede Kopie an dieser Stelle.

4. Antwortgröße begrenzen

Große Rückgabewerte (z. B. vollständige Datensätze aus einem CRM) zählen zum Kontextfenster des Chats und können bei einem einzigen Werkzeug-Aufruf die Fehlermeldung „Chat zu groß für das Modell" auslösen. Gib nur die Felder zurück, die die Anfrage tatsächlich braucht, paginiere große Listen und fasse sehr lange Texte zusammen, statt sie unverändert durchzureichen.

In MeinGPT einbinden

  1. Starte Deinen MCP-Server.
  2. Füge ihn als Custom MCP Server hinzu, entweder unter Einstellungen → Verbindungen → Eigene MCP-Server → MCP-Server hinzufügen, oder direkt im Assistenten-Editor über den Tab Tools → Custom MCP.
  3. Fülle das Formular aus:
    • Name: Dein Server-Name
    • URL: http://localhost:8000/mcp
    • Optional: Header für Authentifizierung
    • Optional: Autorisierung (OAuth) oder Signierte Nutzeridentität, falls Dein Server das braucht

Details zu den Feldern, OAuth-Vorrang und JWT Identity Forwarding findest Du unter Custom MCP Server. Ein durchgespieltes Beispiel mit n8n als Gegenstück: Verbindung zu n8n MCP. Für die Einordnung, wann ein Custom MCP Server gegenüber Connectors oder Data Pools die richtige Wahl ist: Data Integration Guide.

Deployment

Für Produktion empfiehlt sich Containerisierung:

FROM python:3.12-slim
 
WORKDIR /app
 
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
 
COPY . .
 
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]

Dein Server muss von MeinGPT aus erreichbar sein. Läuft er in Deinem eigenen Netz statt öffentlich, plane die Anbindung über Connections (Cloud/On-Prem).

Weiterführende Ressourcen

War diese Seite hilfreich?