MCP-Server Custom-Development für Engineering-Teams

Ich entwickle MCP-Server, die Ihre internen Systeme an Claude Code, Codex, Cursor oder eigene Agents anbinden. Tests, Deployment-Dokumentation und Teamübergabe gehören dazu.

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.

Claude, Codex und Cursor brauchen kontrollierten Zugriff auf Ihre internen Systeme. Manuelles Kopieren aus Jira, GitLab oder Datenbanken bremst die Arbeit und schafft neue Risiken.

Production-grade MCP-Server (TypeScript oder Python), inkl. Tests, CI-Pipeline, Deployment-Doku, Permission-Konfiguration und Übergabe-Session ans Team.

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 einen typisierten, getesteten und dokumentierten MCP-Server mit einem klaren Berechtigungsmodell. Ihr Team erhält das Wissen, um später selbst neue Tools hinzuzufügen.

Typische Ausgangslage

  • Engineers kopieren Ticket-Inhalte, Code-Reviews oder DB-Daten manuell in den AI-Chat
  • Bestehende MCP-Server-Quick-Hacks sind nicht versioniert, nicht getestet, nicht dokumentiert
  • Kein Permission-Modell: jeder Server hat Read-Write auf alles oder gar kein Schutz
  • Selbst geschriebene Server brechen bei MCP-Spec-Updates oder Tool-Version-Updates
  • Keine CI/CD-Pipeline für MCP-Server - Deployment ist manuelles Kopieren

Was ich liefere

  • MCP-Server in TypeScript oder Python, passend zu Ihrem Stack
  • Volle Test-Suite (Unit + Integration), CI-Pipeline (GitHub Actions, GitLab CI)
  • Deployment mit Docker, Lambda oder Ihrer vorhandenen Infrastruktur
  • Authentifizierung + Permission-Modell pro Tool/Resource
  • Übergabe mit Erweiterung, Fehlersuche und Deployment

Technischer Ansatz

  • MCP-Spec-konforme Implementierung mit offiziellem SDK (TypeScript / Python)
  • Tools, Resources und Prompts als sauber getrennte Module mit eigener Test-Coverage
  • Permission-Modell: token-basiert pro Tool, optional Scope-Tags pro Resource
  • Deployment via Docker (lokal / ECS / Fargate) oder Serverless (Lambda mit MCP-over-HTTP)
  • Beobachtbarkeit: strukturierte Logs, optional Tracing für jede Tool-Invocation

Ablauf

  • Discovery: welche internen Systeme, welche Use Cases, welcher Stack
  • Design: MCP-Tool/Resource-Spec, Permission-Modell, Deployment-Architektur
  • Implementation im vereinbarten Umfang
  • Übergabe: Team-Session mit Live-Debugging, Doku-Review, Erweiterungs-Playbook

Warum ich

  • Erfahrung mit Anthropic MCP-Spec (TypeScript + Python SDK)
  • AWS-Infrastruktur-Hintergrund: Deployment-Patterns für ECS, Lambda, Docker
  • Vendor-agnostisch: MCP-Server funktioniert in Claude Code, Codex, Cursor
  • Remote deutschlandweit, deutsche Verträge, deutsche Kommunikation

Häufige Fragen

Was ist MCP überhaupt?

Model Context Protocol ist ein offener Standard von Anthropic für die Kommunikation zwischen AI-Coding-Tools und externen Systemen. Ein MCP-Server kann dasselbe System für mehrere MCP-fähige Tools bereitstellen.

Warum kein Community-MCP-Server?

Für öffentliche APIs wie GitHub, Slack oder Notion gibt es oft brauchbare Community-Server. Eine eigene Entwicklung ist für interne APIs, Datenbanken oder ein spezifisches Datenmodell gedacht.

Wie sichern Sie den MCP-Server ab?

Der Server erhält ein explizites Berechtigungsmodell mit Authentifizierung und begrenzten Freigaben pro Tool oder Ressource. Ihr Security-Team kann die freigegebenen Tools vor der Übergabe prüfen.

Was kostet die Wartung pro Jahr?

Der Aufwand hängt von Änderungen am MCP-Standard und an Ihren Backends ab. Den Wartungsumfang kläre ich deshalb mit Ihnen im Erstgespräch.

Wie schnell ist der erste Server live?

Das hängt von den Systemen, Berechtigungen und dem Deployment ab. Nach dem Erstgespräch lässt sich der nächste sinnvolle Schritt belastbar einordnen.

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

MCP passt, wenn mehrere AI-Coding-Tools dieselbe Datenquelle brauchen oder Tool-Aufrufe kontrolliert werden müssen. Für einen einzelnen Anwendungsfall in einem einzelnen Tool kann eine REST-API einfacher sein.

Welche Programmiersprache empfehlen Sie für MCP-Server?

TypeScript passt häufig zu Teams, die bereits damit arbeiten. Python ist sinnvoll, wenn Ihr Backend und Ihre Datenmodelle dort liegen. Die Entscheidung fällt bei der Auftragsklärung.

Wie versionieren Sie den MCP-Server bei Änderungen am Standard?

Der Server verwendet semantische Versionierung und hält die unterstützte MCP-Version explizit fest. Notwendige Migrationen werden dokumentiert.

Können Sie den MCP-Server in unseren bestehenden CI/CD-Stack integrieren?

Ja. Die Integration richtet sich nach Ihrer vorhandenen Pipeline und dem vereinbarten Zielsystem, etwa einem Container oder einer Serverless-Laufzeit.

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.