Was ist MCP überhaupt?

Model Context Protocol ist ein offener Standard (von Anthropic veröffentlicht, mittlerweile breit unterstützt) für die Kommunikation zwischen AI-Coding-Tools und externen Systemen. Ein MCP-Server für euer Jira funktioniert in Claude Code, Codex, Cursor und allen anderen MCP-fähigen Tools.

Warum kein Community-MCP-Server?

Für Public-APIs (GitHub, Slack, Notion, …) gibt es oft brauchbare Community-Server — die nutze ich auch. Custom-Development ist für eure internen Systeme: eigene APIs, interne DBs, custom-deployed Tools mit eurem spezifischen Datenmodell.

Wie wird die Sicherheit gewährleistet?

Jeder MCP-Server bekommt ein explizites Permission-Modell: token-basierte Auth pro Tool, Scope-Tags pro Resource, Audit-Log pro Invocation. Was nicht freigeschaltet ist, kann der Server nicht. Code-Review der Tool-Liste durch euer Security-Team ist Teil der Übergabe.

Was kostet die Wartung pro Jahr?

Hängt von der MCP-Spec-Stabilität und euren Backend-Änderungen ab. Erfahrungswerte: 5-10 Engineer-Tage pro Jahr pro Server für Spec-Updates und Bug-Fixes. Optional übernehme ich Wartung über einen LLM-Office-Hours-Retainer.

Wie schnell ist der erste Server live?

Einfacher MCP-Server (1 internes System, 5-10 Tools, Standard-Auth): 2-3 Wochen inkl. Tests + Deployment. Komplexer Server (mehrere Systeme, RBAC, eigenes Deployment): 4-6 Wochen.

Wann ist MCP besser als eine eigene REST-Wrapper-API?

MCP ist besser, wenn (a) mehrere AI-Coding-Tools dieselbe Datenquelle brauchen (REST-Wrapper musst Du jedem Tool extra anlernen), (b) der Vendor-Mix sich aendern koennte (heute Claude, morgen evtl. Codex), oder (c) Du Tool-Aufrufe mit Permission-Boundaries kontrollieren willst. Fuer einen einzigen Use-Case in einem einzigen Tool ist eine REST-API oft schneller.

Welche Programmiersprache empfehlt ihr fuer MCP-Server?

TypeScript ist meine Default-Empfehlung — beste SDK-Reife, gute Typsicherheit, gleiche Sprache wie viele Anthropic-Beispiele. Python ist sinnvoll, wenn euer Backend in Python ist (Code-Sharing, Datenmodelle), oder wenn LangChain-Integration eine Rolle spielt. Beide SDKs sind production-ready.

Wie versioniert ihr den MCP-Server bei Spec-Aenderungen?

Semver mit explizitem Spec-Version-Field. Bei Breaking-Changes der MCP-Spec gibt es ein Major-Update mit Migration-Skript fuer eure bestehenden Tool-Calls. Bei Minor-Updates der Spec backporten wir Features in die letzte Major-Version, sodass eure Tools nicht alle gleichzeitig upgraden muessen.

Koennt ihr den MCP-Server in unseren bestehenden CI/CD-Stack integrieren?

Ja. Default-Setup: GitHub Actions oder GitLab CI mit Build + Test + Deploy in einem Pipeline-File. Optional: AWS CodePipeline oder Azure DevOps Pipelines. Deployment-Target ist flexibel — Docker-Image im ECR/GHCR, Lambda (HTTP-MCP), oder selbst-gehosteter Container auf eurem Cluster.

Wie testen wir den MCP-Server lokal?

Im Setup kommt ein Dev-Container (Docker Compose) mit Mock-Backends fuer die integrierten Systeme (z.B. einem leeren Jira-Stub). Plus eine Claude Code Test-Konfiguration, die gegen den lokalen Server laeuft. Engineers koennen damit neue Tools entwickeln, testen und ohne Production-Risiko iterieren.

MCP-Server Custom-Development für Engineering-Teams

MCP ist der offene Standard für AI-Coding-Tools, mit eigenen Systemen zu sprechen. Statt jede Integration in jedem Tool neu zu bauen, baue ich einen MCP-Server pro System — der überall funktioniert.

Die wertvollsten AI-Coding-Workflows brauchen Zugriff auf interne Systeme: das Jira-Ticket zur User-Story, der GitLab-MR zur Diskussion, die DB-Spalte zum Modell, der S3-Bucket mit den Logs. Ohne MCP-Server wird das zu Copy-Paste im Chat oder zu fragilen Skripten. Mit ad-hoc-MCP-Servern (gestrickte Prototypen ohne Tests, Doku oder Auth) entsteht technische Schuld, die niemand wartet.

Ich baue MCP-Server, die ihr im Team produktiv betreiben könnt: typisiert, getestet, dokumentiert, deploybar, mit klarem Permission-Modell. Übergabe an euer Team, sodass ihr neue Tools selbst hinzufügen könnt.

MCP-Server in eigenen Projekten im Einsatz

Erfahrung mit Anthropic MCP-Spec (TypeScript + Python SDK)

Zur Leistungen-Uebersicht
MCP-Server + AWS Bedrock: Wie Engineering-Teams interne KI-Workflows mit AI-Coding-Tools verbinden
MCP-Server selbst entwickeln: Der Leitfaden für Engineering-Teams
Der .claude/-Ordner erklärt: So wird Claude Code zum Teamwerkzeug
Claude Cowork vs. Code vs. Dispatch vs. Computer Use: Alle Anthropic-Tools im Vergleich
Amazon Bedrock AgentCore + OpenClaw: KI-Assistenten sicher im Unternehmen betreiben
MCP-Server fuer Jira + GitLab Integration