MCP oder Agent Skills: Was sind die Unterschiede?

In kaum einem anderen Bereich der IT kommen und gehen neue Konzepte so schnell wie in der AI. Gefühlt erscheinen jeden Tag neue Large Language Models (LLMs), und es werden neue Konzepte veröffentlicht, um deren Einsatzmöglichkeiten weiter zu verbessern.

Von RAG zu MCP: Wie sich AI-Integrationen verändert haben

2023 war Retrival Agumented Generation (RAG) der große Hype. Zum ersten Mal war es möglich, ein LLM mit den eigenen Daten zu erweitern, ohne es neu zu trainieren. Stattdessen wurde ein kleineres LLM (das Embedding-LLM) genutzt, um den Inhalt der Daten in Zahlenvektoren zu konvertieren. Diese Vektoren werden zusammen mit dem Inhalt in für den Use Case optimierten (SQL-)Datenbanken – den sogenannten Vektordatenbanken – gespeichert. Soll später wieder auf diese Daten zugegriffen werden, wird die Anfrage des Nutzers einfach durch dasselbe Embedding-LLM geschickt und die entstehenden Zahlenvektoren werden mit den zuvor gespeicherten Vektoren verglichen. Die Daten der nächstliegenden Vektoren werden anschließend dem großen LLM zur Verfügung gestellt, das daraus eine Antwort für den Nutzer generiert.

Obwohl RAG einige große Vorteile hat, bringt es auch Nachteile mit sich. Einerseits muss zusätzlich zu den eigentlichen Daten eine weitere Kopie angelegt und die Daten „embedded“ werden, um sie für das LLM zugänglich zu machen. Andererseits fokussiert sich das Verfahren beim Vergleich der Vektoren weniger auf Zahlen und Fakten als auf den generellen Inhalt. Beides führt zu zusätzlichem Aufwand, und oft sind weitere Ansätze erforderlich, um das Ergebnis zu verbessern.

Warum MCP zum Standard geworden ist

2024 hat dann Anthropic (das Unternehmen hinter den bekannten Claude-Modellen) einen anderen Ansatz etabliert: das Model Context Protocol (MCP). Im Vergleich zu RAG müssen Daten dafür nicht zunächst in Vektoren übersetzt werden. Stattdessen basiert MCP auf einem Client-Server-Ansatz. Dabei integriert sich der Client in das AI-Framework und bringt dem LLM bei, wie es mit bestehenden Datenquellen oder Anwendungen arbeiten kann. Anthropic selbst hat MCP an die Linux Foundation übergeben, damit sich das Protokoll industrieweit als offener Standard verbreiten kann.

Im Laufe der Jahre 2025 und 2026 sind fast alle Softwarehersteller auf MCP aufgesprungen. Von Datenbanken über Browser bis hin zu Enterprise-Software und wahrscheinlich bald Windows selbst. Fast alle bieten heute einen MCP-Server an und ermöglichen so eine einfache Integration in AI-Frameworks. Das gilt nicht nur für die Anwendungsseite, auch unterstützen fast alle AI-Frameworks heute MCP.

Für uns bei NetApp ist es dementsprechend wichtig, für unsere Anwendungen einen breiten MCP-Support anzubieten. Vom Harvest MCP-Server um Log-Dateien auszuwerten, über den DataOps Toolkit MCP-Server, um die Funktionen des DataOps Toolkit AI Agenten zur Verfügung zu stellen, bis hin zu unserem generellen ONTAP MCP-Server, arbeiten wir an einem breiten MCP-Portfolio. In unserem NetApp-MCP-Repository aktualisieren wir regelmäßig alle verfügbaren MCP-Server.

Die Herausforderungen heutiger MCP-Implementierungen

Wenn MCP so viele Vorteile hat, warum sollten wir uns dann noch andere Technologien anschauen? Der Grund dafür liegt in den Details. Ursprünglich sollten MCP-Server so gestaltet werden, dass sie optimal auf die Arbeitsweise der AI zugeschnitten sind und LLMs optimal dabei unterstützen, ihre Aufgaben zu erfüllen. Um das sicherzustellen, ist allerdings ein gewisser Zeitaufwand erforderlich, um die Arbeitsabläufe der AI-Agenten optimal zu verstehen. Die Realität sieht im Jahr 2026 aber leider anders aus, die meisten MCP-Server sind schlicht Wrapper für die REST-APIs von Anwendungen, welche den LLMs zur Verfügung gestellt werden. Es ließe sich an dieser Stelle argumentieren, dass dieser Ansatz mit großen State-of-the-Art-LLMs wie Anthropics Claude Opus oder OpenAIs GPT 5.6 Sol erstaunlich gut funktioniert. Spätestens beim Einsatz kleinerer LLMs kommt es jedoch häufig zu Problemen.

Eine weitere Herausforderung ergibt sich daraus, wie die meisten AI-Frameworks mit MCP-Servern arbeiten. In der Regel werden alle MCP-Server beim Start in den Kontext der LLMs geladen. Da viele MCP-Server wenig optimiert sind, blockieren sie noch bevor sie wirklich benutzt werden über 10.000 Token im Kontext. Da in den wenigsten Fällen nur ein einzelner MCP-Server verwendet wird, ergeben sich oft Szenarien, in denen allein die MCP-Server 15-30% des gesamten Kontexts eines LLMs blockieren. Wichtig ist dabei auch, dass dieser Kontext nicht nur blockiert wird, sondern die Input-Token auch bei jeder Interkation bezahlt werden müssen.

Agent Skills: Ein anderer Ansatz

Agent Skills gehen an dieser Stelle einen anderen Weg. Anstelle des Client-Server-Ansatzes sind Agent Skills im Prinzip nur einfache Textdateien, die dem AI-Agenten beziehungsweise dem LLM beibringen, wie verschiedene Schnittstellen oder Anwendungen verwendet werden; quasi Kochbücher für die AI. Eine Besonderheit von Agent Skills ist dabei, dass sie so ausgelegt sind, dass sie „progressiv“ in den Kontext des LLMs geladen werden. Das bedeutet, dass beim Start einer neuen Session mit einem AI-Agenten nur der Titel und eine kurze Beschreibung in den Kontext des LLMs geladen wird. Der AI-Agent selbst entscheidet dann, welches Agent Skill wirklich benötigt wird. In diesem Fall lädt er dann das gesamte Agent Skill (bzw. den relevanten Teil des Agent Skills) in den Kontext des LLMs. Durch diese Architektur lassen sich deutlich mehr Anwendungen und Datenquellen in einen AI-Agenten einbinden, ohne dass Einschränkungen durch Kontextfenster oder unnötig hohe Kosten zum Problem werden.

Die Zukunft liegt im Zusammenspiel

Aber bedeutet das, das Agent Skills das Model Context Protocol ablösen werden? Nein, Agent Skills sollten eher als leichtgewichtige Ergänzung zum MCP betrachtet werden. Vor allem, wenn es um das Hinzufügen externer Datenquellen geht, können Agent Skills ihre Stärken gegenüber MCP ausspielen. Ein weiterer Use Case für Agent Skills ist ihre Nutzung als Anleitung für MCP-Server. In dieser Rolle können ausführliche Erklärungen und Anwendungsbeispiele für den MCP-Server im Agent Skill hinterlegt und der MCP-Server so tokeneffizient gestaltet werden. Erfahren Sie mehr in dieser Kundenstudie.