Schnittstellen nutzen: APIs & MCP
Wenn Software mit Modellen spricht, braucht jemand die Vokabeln — APIs und MCP machen das.
Du hast gesehen, was ein Sprachmodell kann, wenn du in ein Chatfenster tippst. Aber Software tippt nicht — sie sendet strukturierte Anfragen über eine API.
Dieser Artikel führt dich von deinem ersten API-Aufruf bis zum Protokoll, das standardisieren könnte, wie alle KI-Werkzeuge sich verbinden: MCP. Unterwegs erfährst du, was diese Aufrufe kosten, warum 50 individuelle Integrationen ein Problem sind und wie vier Bausteine aus einem einzelnen Modell einen handelnden Agenten machen.
Vom Chatfenster zum Code
Sobald du vom Chat-Interface zum Code wechselst, wird das Modell zu einem Dienst, den du aufrufst — wie jede andere Web-API auch.
Definition
LLM-API
Analogie
Definition
Wichtig: Du wählst dabei nicht die Zutaten aus — du hast keinen Zugriff auf die internen Abläufe des Modells.
Ein minimaler Python-Aufruf sieht so aus (den echten Key legst du in eine Umgebungsvariable, nie direkt in den Code):
from openai import OpenAI
client = OpenAI() # reads OPENAI_API_KEY from the environment
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "What is DNA?"}]
)
print(response.choices[0].message.content)Die Abrechnung erfolgt getrennt nach Input- und Output-Tokens.
Beispiel mit GPT-4o-Preisen (ein älteres Modell, das OpenAI am 14. Januar 2027 aus der API nimmt): 30 Input-Tokens × 2,50 USD pro Million = 0,000075 USD. 100 Output-Tokens × 10,00 USD pro Million = 0,001 USD. Gesamt: etwa 0,001 USD — rund ein Zehntel Cent.
Bei 1.000 Aufrufen pro Tag: circa 1,08 USD. Bei 100.000 Aufrufen pro Tag: circa 107,50 USD.
Pro Aufruf
~0,1 Cent
Kosten eines einzelnen GPT-4o-Aufrufs
Bei 100k Aufrufen/Tag
~107,5 USD
Tägliche Kosten bei hohem Volumen
Weniger Integrationen
70 %
Einsparung durch MCP bei 5 Apps und 10 Tools (N+M statt N×M)
Achtung
Häufiger Irrtum: APIs sind teuer
Einzelne kurze Aufrufe kosten oft nur Bruchteile eines Cents. Das Kostenrisiko liegt im Volumen und in langen Kontextfenstern — nicht im einzelnen Request. Denk an API-Kosten wie an eine Wasserrechnung: Der Literpreis ist winzig, aber den Hahn offen zu lassen, leert das Budget.
Interaktiv: Was passiert bei einem API-Aufruf?
Klicke auf Play und beobachte Schritt für Schritt, was hinter den Kulissen passiert, wenn dein Code eine API aufruft — vom Browser über DNS und TLS bis zur JSON-Antwort.
Diese Animation zeigt die sechs Stationen, die jeder API-Aufruf durchläuft — vom Klick im Browser bis zur JSON-Antwort.
Klicke auf "Abspielen", um den Ablauf Schritt für Schritt zu sehen.
Jeder API-Aufruf — ob an OpenAI, Claude oder eine eigene REST-API — durchläuft diese Schritte (DNS-Auflösung und Handshake meist nur beim ersten Aufruf, danach wird die Verbindung wiederverwendet). Wenn du verstehst, was passiert, kannst du Fehler (Timeouts, 404, CORS) schneller diagnostizieren.
Ein Stecker für alles — MCP
Du hast gerade gesehen, wie eine App mit einem Modell spricht. Stell dir jetzt fünf Apps vor, die jeweils zehn verschiedene Werkzeuge brauchen. Ohne Standard sind das 50 Integrationen. Das ist das N×M-Problem.
Definition
Model Context Protocol (MCP)
Analogie
Definition
5 Apps × 10 Tools = 50 individuelle Integrationen, die gebaut und gewartet werden müssen.
5 MCP-Clients + 10 MCP-Server = 15 Implementierungen. Das ist eine Reduktion um 70 %.
Wichtiger Unterschied: USB-C ist ein ausgereifter, universeller Standard. MCP ist jung (2024); ChatGPT, Gemini und Microsoft Copilot unterstützen es inzwischen, universell verbreitet ist es aber noch nicht.
Architektonisch bildet MCP ein Dreieck: Der MCP-Server bietet Werkzeuge an, der Client verwaltet die Verbindung, und das LLM entscheidet, wann welches Werkzeug sinnvoll ist. Konkretes Beispiel: Claude Desktop verbindet sich über drei MCP-Server mit Dateisystem, SQLite und GitHub — ein Protokoll, drei Fähigkeiten.
Achtung
Wichtig: MCP ist kein Universalersatz
MCP ersetzt nicht alle APIs. Direkte Anbindungen bleiben notwendig für spezialisierte SaaS-Dienste, bei denen noch kein MCP-Server existiert. MCP standardisiert, wie KI Werkzeuge entdeckt und aufruft — nicht wie das Werkzeug intern funktioniert.
Anatomie eines Agenten
Ein API-Aufruf ist eine Frage mit einer Antwort. Ein Agent ist eine Schleife — er plant, handelt, beobachtet und entscheidet, ob er weitermacht. Diese Schleife braucht vier Bausteine.
Stell dir einen Küchenchef beim Abendservice vor.
Das Gehirn des Chefs ist das LLM — er liest Bestellungen, entscheidet, was gekocht wird, und priorisiert. Seine Hände sind die Werkzeuge — Messer, Herd, Ofen, jedes mit einer spezifischen Funktion. Die Bestellzettel über der Durchreiche sind der Kontext — sie verfolgen, was bestellt, in Arbeit und fertig ist. Der Küchenablauf ist die Orchestrierung: Vorspeisen zuerst, dann Hauptgerichte, dann Desserts, Timing prüfen.
Wie ein echter Chef kann auch ein Agent Fehler machen — das falsche Werkzeug wählen oder eine Bestellung falsch lesen.
- 1. Aufgabe empfangen
- 2. PlanenLLM wählt Werkzeug
- 3. AusführenTool läuft
- 4. BeobachtenErgebnis zurück
- 5. Entscheidenweiter oder stopp
Beispiel: Ein Reisebuchungs-Agent
Schritt 1: Der Nutzer sagt: Buche mir einen Flug nach Berlin nächsten Dienstag. Schritt 2: Das LLM liest den Kalender (Kontext) — Dienstag ist der 24. März. Schritt 3: Das LLM ruft die Flugsuche auf — drei Optionen gefunden. Schritt 4: Das LLM vergleicht Preise und Zeiten, wählt den günstigsten Morgenflug. Schritt 5: Das LLM bittet den Nutzer um Bestätigung (Sicherheitstor). Schritt 6: Nutzer bestätigt. Schritt 7: Das LLM ruft das Buchungstool auf. Schritt 8: Die Orchestrierung prüft das Ergebnis — Buchung bestätigt — Schleife endet.
Achtung
Häufiger Irrtum: Agenten sind frei improvisierende KI
Heutige Agenten sind nur so leistungsfähig wie ihre Werkzeuge, Berechtigungen und Sicherheitsgrenzen. Sie improvisieren nicht — sie folgen einer Plan-Ausführen-Beobachten-Schleife innerhalb definierter Leitplanken. Ein Agent ohne Werkzeuge ist ein Chatbot. Ein Agent ohne Leitplanken ist ein Risiko.
LangChain: Breites Integrationsökosystem — viele Konnektoren, viele Möglichkeiten.
LlamaIndex: RAG-fokussiert — Dokumentenverarbeitung und Wissensabfrage als Kernstärke.
CrewAI: Multi-Agent-Kollaboration — Agenten mit definierten Rollen arbeiten zusammen.
Claude Agent SDK: Die Agentenschleife und Werkzeuge von Claude Code als Bibliothek, mit eingebauter MCP-Anbindung.
Diese Übersicht ist ein Wegweiser, kein Vergleichstest. Jedes Framework hat seinen Schwerpunkt.
Merke
Das Wichtigste
- Ein API-Aufruf ist ein HTTP-POST mit JSON — dasselbe Denkmodell, das du aus der Webentwicklung kennst, angewandt auf Sprachmodelle.
- MCP verwandelt das Integrationschaos von N×M (viele KI-Apps mal viele Tools) in eine handhabbare N+M-Struktur, indem es standardisiert, wie Werkzeuge ihre Fähigkeiten bereitstellen.
- Ein Agent ist keine Magie — er ist eine Schleife aus vier Komponenten (LLM, Tools, Kontext, Orchestrierung), die sich wiederholt, bis eine Abbruchbedingung erfüllt ist.
Prüfen
Wissenscheck: APIs & MCP
Was ist die Hauptaufgabe eines API-Keys beim Aufruf einer LLM-API?
Wähle eine Antwort
1. Was ist die Hauptaufgabe eines API-Keys beim Aufruf einer LLM-API?
2. Welche Aussage beschreibt am besten, was MCP standardisiert?
3. Ein Startup führt 50.000 API-Aufrufe pro Tag durch. Jeder Aufruf nutzt 200 Input-Tokens und 500 Output-Tokens. Der Anbieter berechnet 3,00 USD pro Million Input-Tokens und 15,00 USD pro Million Output-Tokens. Wie hoch sind die ungefähren täglichen Kosten?
4. Ein Unternehmen hat 3 KI-Anwendungen, die jeweils mit 8 verschiedenen Tools arbeiten müssen. Wie viele Integrationen braucht man ohne MCP — und wie viele mit MCP?
5. Ein KI-Agent soll ein 200-seitiges PDF zusammenfassen, produziert aber immer unvollständige Zusammenfassungen. Welche Komponente der Agentenarchitektur kommt als Ursache in Frage?
6. Ein Entwickler argumentiert: Wir brauchen kein MCP — direkte API-Integrationen reichen. In welchem Szenario ist dieses Argument am stärksten?
Prüfen
Selbstcheck: APIs & MCP
Kannst du das in eigenen Worten erklären? Hake ab, was sitzt.
0 von 3 sitzen