Claude Code MCP: Model Context Protocol verstehen und einrichten

Claude Code MCP eröffnet Entwicklern eine völlig neue Dimension beim Arbeiten mit KI-Assistenten. Das Model Context Protocol verbindet Claude Code mit externen Datenquellen, APIs und Werkzeugen – und macht damit aus einem leistungsfähigen KI-Assistenten ein echtes Automatisierungszentrum für den Entwickleralltag.

In diesem Leitfaden erfahren Sie, was MCP genau ist, wie Sie MCP-Server installieren und konfigurieren, welche populären Server es gibt und wie Sie das Protokoll optimal für Ihren Workflow nutzen.

Was ist das Model Context Protocol (MCP)?

Das Model Context Protocol (MCP) ist ein offener Standard von Anthropic, der es KI-Modellen ermöglicht, auf strukturierte Weise mit externen Systemen zu kommunizieren. Stellen Sie sich MCP als eine Art universellen Adapter vor: So wie USB-C verschiedene Geräte verbindet, verbindet MCP KI-Modelle mit Datenquellen, Tools und Diensten.

Technisch gesehen definiert das Protokoll, wie ein MCP-Client – in diesem Fall Claude Code – mit einem MCP-Server spricht. Der Server stellt dabei Ressourcen, Prompts und ausführbare Tools bereit, die das Modell im Rahmen einer Konversation aufrufen kann. Das Ganze läuft über eine standardisierte JSON-Schnittstelle, wahlweise über stdio (lokale Prozesse) oder HTTP mit Server-Sent Events (SSE) für entfernte Dienste.

Warum MCP ein Paradigmenwechsel ist

Vor MCP musste jede KI-Integration individuell gebaut werden – jedes Unternehmen, jedes Tool hatte seinen eigenen Ansatz. MCP standardisiert diese Schnittstelle und schafft damit ein Ökosystem: Ein einmal gebauter MCP-Server funktioniert mit jedem kompatiblen MCP-Client, nicht nur mit Claude Code.

Für Entwickler bedeutet das: Weniger Integrationsarbeit, mehr Fokus auf das eigentliche Problem. Das context window von Claude wird nicht mehr mit endlosen Copy-Paste-Aktionen gefüllt, sondern gezielt mit den Informationen versorgt, die der Assistent gerade braucht.

MCP-Architektur auf einen Blick

Das Protokoll besteht aus drei Kernkomponenten, die zusammenspielen:

• MCP-Client: Die Anwendung, die Anfragen stellt – in unserem Fall Claude Code (oder auch Claude Desktop).
• MCP-Server: Ein eigenständiger Prozess, der Ressourcen und Tools bereitstellt und auf Anfragen des Clients reagiert.
• Transport-Schicht: Die Kommunikationsebene zwischen Client und Server, entweder über stdio für lokale Prozesse oder HTTP/SSE für entfernte Dienste.

Der MCP-Agent innerhalb von Claude kann so mehrere Server gleichzeitig nutzen und deren Fähigkeiten kombinieren – etwa den Filesystem-Server für lokale Dateizugriffe und einen Datenbankserver für Abfragen, alles innerhalb einer einzigen Unterhaltung.

Was Sie mit MCP in Claude Code tun können

Die Einsatzmöglichkeiten von MCP-Tools in Claude Code sind vielfältig und wachsen täglich. Das Protokoll erweitert Claude Code weit über reine Codegenerierung hinaus zu einem vollwertigen Entwicklungsassistenten mit direktem Zugriff auf Ihre Systeme.

Typische Anwendungsfälle

• Datenbankabfragen: Direkte SQL-Abfragen auf PostgreSQL, MySQL oder SQLite, ohne Credentials manuell einfügen zu müssen.
• GitHub-Integration: Pull Requests erstellen, Issues lesen und Branches verwalten, ohne den Editor zu verlassen.
• Browserautomatisierung: Websites aufrufen, Screenshots erstellen und Interaktionen durchführen – ideal für E2E-Tests.
• Slack und Kommunikation: Nachrichten lesen und senden, Channels durchsuchen und Benachrichtigungen auslösen.
• Dateisystem-Operationen: Strukturierten Zugriff auf lokale Verzeichnisse, mit kontrollierten Lese- und Schreibrechten.
• API-Integrationen: REST-APIs ansprechen, Daten transformieren und Ergebnisse direkt im Kontext weiterverarbeiten.

Wer tiefer in KI-gestützte Automatisierung einsteigen möchte, findet auf Automated KI – Workflow Automation weiterführende Ansätze, wie MCP-basierte Pipelines in größere Automatisierungsarchitekturen eingebettet werden können.

Beliebte MCP-Server im Überblick

Das MCP-Ökosystem wächst rasant. Anthropic selbst sowie die Community stellen eine Vielzahl fertiger Server bereit, die sich sofort verwenden lassen. Die folgende Tabelle gibt einen Überblick über die wichtigsten:

Neben den offiziellen Servern gibt es eine wachsende Community von Drittanbietern. Auf Plattformen wie npm und GitHub finden sich Server für Jira, Notion, Linear, Supabase und viele weitere Dienste.

MCP installieren: Schritt-für-Schritt-Anleitung

Das MCP installieren in Claude Code ist dank der integrierten CLI unkompliziert. Claude Code bringt den Befehl /mcp sowie das CLI-Tool claude mcp mit, über das Sie Server verwalten können. Im Folgenden gehen wir die wichtigsten Schritte durch.

Voraussetzungen prüfen

Stellen Sie zunächst sicher, dass Claude Code in der aktuellen Version installiert ist. Außerdem benötigen Sie je nach Server entweder Node.js (für npm-basierte Server) oder Python (für uvx-basierte Server):

node --version    # sollte v18 oder höher zeigen
python --version  # sollte Python 3.10 oder höher zeigen
npm --version     # für Node.js-basierte MCP-Server

Einen MCP-Server hinzufügen

Der einfachste Weg, einen MCP-Server zu Claude Code hinzuzufügen, ist der claude mcp add-Befehl. Das folgende Beispiel richtet den offiziellen Filesystem-Server ein:

claude mcp add filesystem -- npx -y @modelcontextprotocol/server-filesystem /home/user/projekte

Der Befehl registriert den Server mit dem Namen filesystem und startet ihn über npx. Das Pfadargument /home/user/projekte legt fest, auf welche Verzeichnisse der Server zugreifen darf. Sicherheit durch Einschränkung des Dateizugriffs ist hier eine wichtige Best Practice.

Einen GitHub-MCP-Server einrichten

Für den GitHub-Server benötigen Sie zusätzlich ein Personal Access Token. Dieses übergeben Sie als Umgebungsvariable:

claude mcp add github \
  -e GITHUB_PERSONAL_ACCESS_TOKEN=ghp_IhrTokenHier \
  -- npx -y @modelcontextprotocol/server-github

Nach dem Hinzufügen können Sie in Claude Code direkt mit natürlicher Sprache mit Ihren GitHub-Repositories interagieren: “Zeige mir die letzten 5 offenen Issues in meinem Repo” oder “Erstelle einen neuen Branch feature/login-fix”.

Server per JSON-Konfiguration einrichten

Alternativ zur CLI können Sie die JSON-Konfiguration direkt bearbeiten. Das ist besonders nützlich, wenn Sie viele Server auf einmal konfigurieren oder die Konfiguration versionieren möchten. Die Konfigurationsdatei liegt unter ~/.claude/claude_desktop_config.json (für globale Einstellungen) oder unter .claude/settings.json im Projektverzeichnis:

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/home/user/projekte"
      ]
    },
    "github": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-github"
      ],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_IhrTokenHier"
      }
    },
    "brave-search": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-brave-search"
      ],
      "env": {
        "BRAVE_API_KEY": "IhrBraveApiKey"
      }
    }
  }
}

Diese JSON-Konfiguration ist das Herzstück der MCP-Einrichtung. Mit ihr lassen sich beliebig viele Server deklarieren und reproducierbar in verschiedenen Umgebungen deployen.

Vorhandene Server anzeigen und verwalten

Mit wenigen Befehlen behalten Sie den Überblick über alle installierten MCP-Server:

# Alle konfigurierten Server anzeigen
claude mcp list

# Details zu einem bestimmten Server anzeigen
claude mcp get filesystem

# Einen Server entfernen
claude mcp remove filesystem

Innerhalb einer Claude-Code-Sitzung können Sie außerdem den Slash-Befehl /mcp verwenden, um eine interaktive Übersicht aller aktiven Server und ihrer verfügbaren Tools zu erhalten.

MCP-Installationsbereiche: Global vs. Projekt

Claude Code unterscheidet zwischen drei Geltungsbereichen für MCP-Server, die jeweils unterschiedliche Anwendungsfälle abdecken. Das Verständnis dieser Bereiche ist entscheidend für eine saubere Konfiguration.

Die drei Geltungsbereiche im Detail

• User (global): Der Server ist für alle Projekte dieses Benutzers verfügbar. Ideal für Tools, die Sie überall brauchen, wie Websearch oder ein Notiz-Tool.
• Project (lokal): Der Server ist nur im aktuellen Projektverzeichnis aktiv. Perfekt für projektspezifische Datenbanken oder APIs.
• Local (projekt-lokal, nicht committet): Wie “Project”, aber die Konfiguration wird nicht ins Repository committed. Nützlich für persönliche Credentials oder lokale Entwicklungssetups.

Um den Geltungsbereich beim Hinzufügen eines Servers festzulegen, verwenden Sie das Flag --scope:

# Global für alle Projekte
claude mcp add --scope user brave-search -- npx -y @modelcontextprotocol/server-brave-search

# Nur für das aktuelle Projekt
claude mcp add --scope project postgres -- npx -y @modelcontextprotocol/server-postgres postgresql://localhost/meindb

# Lokal, nicht committet
claude mcp add --scope local myserver -- npx -y my-private-server

Die Trennung zwischen “Project” (committet) und “Local” (nicht committet) ist besonders wichtig für Teams: Gemeinsame Server-Konfigurationen werden ins Repository eingecheckt, während persönliche Credentials lokal bleiben.

MCP-Tools und Ressourcen effektiv nutzen

Sobald ein MCP-Server konfiguriert ist, stellt er Claude Code verschiedene Typen von Fähigkeiten zur Verfügung. Das Verständnis dieser Typen hilft dabei, MCP-Tools gezielt und effizient einzusetzen.

Tools, Ressourcen und Prompts

MCP kennt drei grundlegende Capability-Typen, die ein Server bereitstellen kann:

• Tools: Ausführbare Funktionen, die Claude aufrufen kann – etwa eine Datenbankabfrage starten, eine Datei schreiben oder eine API-Anfrage senden. Tools sind der häufigste Typ.
• Resources: Lesbare Datenquellen wie Dateien, Datenbankeinträge oder API-Endpunkte. Claude kann Ressourcen lesen, aber nicht direkt ausführen.
• Prompts: Vordefinierte Prompt-Templates, die der Server bereitstellt und die Claude für bestimmte Aufgaben verwenden kann.

In der Praxis interagieren Sie mit diesen Fähigkeiten meist implizit: Sie stellen Claude eine Frage oder geben eine Aufgabe, und das Modell entscheidet eigenständig, welche MCP-Tools und Ressourcen es aufrufen muss, um die Aufgabe zu lösen.

Tool Use in der Praxis

Wenn Claude entscheidet, ein Tool aufzurufen, sehen Sie in der Ausgabe eine klare Anzeige: Der Tool-Name, die übergebenen Parameter und das zurückgegebene Ergebnis werden transparent dargestellt. Bei kritischen Aktionen – etwa dem Schreiben von Dateien oder dem Ausführen von Datenbankoperationen – können Sie in den Claude-Code-Einstellungen festlegen, dass eine Bestätigung erforderlich ist, bevor das Tool ausgeführt wird.

Ein typischer Workflow mit dem Postgres-Server könnte so aussehen: Sie fragen Claude “Wie viele aktive Nutzer hat unsere Datenbank?”, Claude formuliert die SQL-Abfrage, ruft das Tool query des Postgres-Servers auf und präsentiert Ihnen das Ergebnis – alles ohne manuelles SQL-Schreiben oder Datenbankverbindung aufbauen.

Das context window im Blick behalten

MCP-Server können große Datenmengen zurückgeben. Bei der Arbeit mit umfangreichen Repositories oder Datenbanken sollten Sie darauf achten, dass die Ergebnisse das context window nicht unnötig aufblähen. Viele Server unterstützen Parameter zur Einschränkung der zurückgegebenen Datenmenge – nutzen Sie diese aktiv, um effizient zu arbeiten.

MCP-Server selbst entwickeln und konfigurieren

Einer der größten Vorteile von MCP ist, dass Sie eigene Server bauen können. Ob Sie eine interne API anzapfen, ein proprietäres Tool integrieren oder spezifische Skills für Ihr Team bereitstellen möchten – der Aufwand ist überschaubar.

Einen einfachen Python-MCP-Server erstellen

Anthropic stellt SDKs für Python und TypeScript/JavaScript bereit. Ein minimaler Python-Server sieht so aus:

from mcp.server.fastmcp import FastMCP

# Server initialisieren
mcp = FastMCP("mein-custom-server")

@mcp.tool()
def berechne_steuer(betrag: float, steuersatz: float = 0.19) -> dict:
    """Berechnet die Mehrwertsteuer für einen Betrag."""
    steuer = betrag * steuersatz
    brutto = betrag + steuer
    return {
        "netto": betrag,
        "steuer": round(steuer, 2),
        "brutto": round(brutto, 2),
        "steuersatz_prozent": steuersatz * 100
    }

@mcp.resource("rechner://info")
def get_info() -> str:
    """Gibt Informationen über den Steuerrechner zurück."""
    return "Steuerrechner v1.0 – unterstützt Mehrwertsteuerberechnungen."

if __name__ == "__main__":
    mcp.run()

Das war schon der komplette Server. Installieren Sie zunächst das MCP-Paket und starten Sie dann den Server:

pip install mcp
python steuerrechner.py

Den eigenen Server in Claude Code einbinden

Der eigene Server wird genauso wie ein öffentlicher Server registriert – über die CLI oder direkt via JSON-Konfiguration:

claude mcp add steuerrechner -- python /pfad/zu/steuerrechner.py

Oder als JSON-Konfiguration:

{
  "mcpServers": {
    "steuerrechner": {
      "command": "python",
      "args": ["/pfad/zu/steuerrechner.py"]
    }
  }
}

Nach dem Neustart von Claude Code steht das Tool berechne_steuer direkt zur Verfügung. Claude kann es in jeder Konversation verwenden, wann immer eine Steuerberechnung relevant ist.

HTTP-basierte MCP-Server für Remote-Dienste

Für Dienste, die remote laufen, bietet MCP den HTTP/SSE-Transport. Das ist nützlich, wenn mehrere Teammitglieder denselben Server nutzen sollen oder wenn der Server auf einem dedizierten Host läuft:

{
  "mcpServers": {
    "remote-api": {
      "type": "sse",
      "url": "https://mein-mcp-server.example.com/sse",
      "headers": {
        "Authorization": "Bearer meinApiToken"
      }
    }
  }
}

Der type: "sse"-Eintrag weist Claude Code an, eine HTTP-Verbindung statt eines lokalen Prozesses zu verwenden. Die Authentifizierung erfolgt über den headers-Parameter.

Wer MCP in eine größere KI-Agentur-Infrastruktur einbetten möchte, findet bei Automated KI – KI Unterstützung praxisnahe Beratung zu Architektur und Implementierung.

MCP Agent: Mehrstufige Automatisierungen aufbauen

Das volle Potenzial von Claude Code MCP entfaltet sich beim Aufbau von MCP-Agenten – also Workflows, bei denen Claude selbstständig mehrere Tools kombiniert, um komplexe Aufgaben zu lösen. Ein MCP-Agent ist kein separates Konzept, sondern die natürliche Evolution des Tool-Use-Paradigmas.

Beispiel: Automatisierter Code-Review-Workflow

Stellen Sie sich folgenden Workflow vor: Claude soll täglich alle neuen Pull Requests aus GitHub analysieren, relevante Tests aus der Datenbank laden und einen strukturierten Report in Slack posten. Mit MCP lässt sich genau das umsetzen:

• GitHub-Server: Lädt alle offenen PRs des Tages.
• Postgres-Server: Fragt die Testabdeckung der geänderten Module ab.
• Filesystem-Server: Liest die Codedateien für eine inhaltliche Analyse.
• Slack-Server: Postet das Ergebnis in den #code-review-Channel.

Claude orchestriert diesen gesamten Ablauf eigenständig – der Entwickler gibt nur den übergeordneten Auftrag und erhält das fertige Ergebnis. Dieses Muster lässt sich für nahezu jeden wiederkehrenden Entwicklungs-Workflow adaptieren.

Skills und Prompts für konsistente Ergebnisse

Um wiederkehrende MCP-Workflows konsistent auszuführen, empfiehlt es sich, Prompt-Templates als Skills zu definieren. Claude Code unterstützt dabei sogenannte Slash Commands (Skills), die in .claude/commands/ abgelegt werden. In Kombination mit MCP-Servern entstehen so mächtige, wiederverwendbare Automatisierungsbausteine.

Für Teams, die eine umfassende KI-Strategie entwickeln wollen, bietet die AI Consulting von Automated KI einen strukturierten Einstieg in die Planung und Umsetzung solcher Architekturen.

Häufige Fehler und Troubleshooting bei MCP

Bei der Arbeit mit MCP-Servern treten immer wieder typische Probleme auf. Die meisten lassen sich schnell beheben, wenn man die richtigen Stellen kennt.

Server startet nicht

Wenn ein MCP-Server nicht startet, liegt das häufig an einem fehlenden Executable oder falschen Pfadangaben. Überprüfen Sie zuerst, ob der Befehl direkt im Terminal funktioniert:

# Testen, ob der Server-Befehl direkt ausführbar ist
npx -y @modelcontextprotocol/server-filesystem /tmp

# Für Python-basierte Server
python /pfad/zu/server.py

Wenn der Befehl im Terminal klappt, aber in Claude Code nicht, prüfen Sie die Umgebungsvariablen. Claude Code erbt nicht automatisch alle Shell-Variablen – stellen Sie sicher, dass alle benötigten Werte in der env-Sektion der JSON-Konfiguration stehen.

Tools werden nicht angezeigt

Manchmal ist ein Server gestartet, aber seine Tools erscheinen nicht in Claude Code. Das deutet meist auf einen Initialisierungsfehler hin. Aktivieren Sie das MCP-Debug-Logging:

claude --mcp-debug

Die Debug-Ausgabe zeigt den vollständigen Handshake zwischen Claude Code und dem Server, einschließlich der übertragenen Capability-Listen. Typische Ursachen sind Versionsinkompatibilitäten zwischen MCP-Client und MCP-Server oder fehlerhafte JSON-Antworten des Servers.

Authentifizierungsfehler bei API-basierten Servern

Bei Servern, die API-Keys benötigen (GitHub, Brave Search, Slack), sind abgelaufene oder fehlende Credentials eine häufige Fehlerquelle. Setzen Sie die Umgebungsvariable neu und starten Sie den Server neu:

# Server entfernen und neu hinzufügen mit aktuellem Token
claude mcp remove github
claude mcp add github \
  -e GITHUB_PERSONAL_ACCESS_TOKEN=neuerToken \
  -- npx -y @modelcontextprotocol/server-github

Performance-Probleme bei großen Datenmengen

Wenn MCP-Tools sehr große Datenmengen zurückgeben, kann das sowohl das context window belasten als auch die Antwortzeit verlängern. Implementieren Sie Pagination und Filtering direkt auf Server-Seite und kommunizieren Sie Claude die verfügbaren Einschränkungsparameter über aussagekräftige Tool-Beschreibungen.

Sicherheit und Best Practices bei MCP

MCP-Server haben potenziell weitreichende Rechte auf Ihrem System oder in Ihren Diensten. Ein paar grundlegende Sicherheitsprinzipien sollten Sie dabei im Kopf behalten.

Prinzip der minimalen Rechte

Geben Sie jedem MCP-Server nur die Rechte, die er tatsächlich braucht. Beim Filesystem-Server bedeutet das: Übergeben Sie nur die Verzeichnisse, auf die der Server zugreifen soll, und nicht das gesamte Home-Verzeichnis. Beim Datenbankserver verwenden Sie einen Read-Only-Datenbanknutzer, wenn nur Lesezugriffe benötigt werden.

Credentials niemals im Klartext committen

API-Keys und Datenbankpasswörter gehören in Umgebungsvariablen oder einen Secret-Manager, niemals direkt in die JSON-Konfiguration, die ins Repository committed wird. Nutzen Sie den --scope local-Bereich für alle Konfigurationen, die sensible Daten enthalten.

MCP-Server aus vertrauenswürdigen Quellen

Installieren Sie nur MCP-Server aus bekannten Quellen. Prüfen Sie bei Community-Servern den Quellcode, bevor Sie sie auf produktiven Systemen einsetzen. Ein kompromittierter MCP-Server hätte potenziell Zugriff auf alle Ressourcen, die Sie ihm gewährt haben.

FAQ: Häufige Fragen zu Claude Code MCP

Was kostet die Nutzung von MCP?

Das Model Context Protocol selbst ist kostenlos und Open Source. Die MCP-Server von Anthropic sind ebenfalls frei verfügbar. Kosten entstehen ausschließlich durch die Nutzung von Claude Code (API-Gebühren nach Tokenverbrauch) und durch etwaige Drittanbieter-APIs, die ein Server anbindet – etwa Brave Search oder GitHub Enterprise. Lokale Server wie der Filesystem- oder SQLite-Server verursachen keine zusätzlichen Kosten.

Welche MCP-Server sind am nützlichsten für Entwickler?

Die nützlichsten Server hängen vom Workflow ab, aber drei stechen heraus: Der GitHub-Server ist für nahezu jeden Entwickler relevant, da er Repository-Operationen direkt aus Claude Code heraus ermöglicht. Der Filesystem-Server ist unerlässlich für lokale Entwicklung. Der Postgres- oder SQLite-Server spart enormen Aufwand bei datenbankintensiver Arbeit. Für Teams mit viel Kommunikationsbedarf ist der Slack-Server ein starker Multiplikator.

Kann ich eigene MCP-Server bauen?

Ja, und das ist sogar einer der Hauptanwendungsfälle von MCP. Anthropic stellt offizielle SDKs für Python und TypeScript bereit. Mit dem Python-SDK (FastMCP) lässt sich ein funktionsfähiger Server in wenigen Dutzend Zeilen Code bauen. Sie definieren einfach Python-Funktionen und annotieren sie mit @mcp.tool() – der Rest wird automatisch gehandhabt. Für komplexere Use Cases wie OAuth-Flows oder Streaming gibt es entsprechende Erweiterungen im SDK.

Funktioniert MCP auch mit anderen KI-Modellen?

MCP ist ein offener Standard, der nicht auf Claude beschränkt ist. Verschiedene KI-Anbieter und Tools implementieren zunehmend MCP-Kompatibilität. Das bedeutet: Ein MCP-Server, den Sie für Claude Code bauen, kann prinzipiell auch von anderen MCP-kompatiblen Clients genutzt werden. Das schützt Ihre Investition in die Server-Entwicklung und fördert ein interoperables KI-Ökosystem.

Wie viele MCP-Server kann ich gleichzeitig aktivieren?

Es gibt kein hartes Limit für die Anzahl gleichzeitig aktiver MCP-Server. In der Praxis sollten Sie jedoch darauf achten, dass zu viele Server die Initialisierungszeit von Claude Code verlängern und das context window mit Tool-Beschreibungen füllen können. Eine pragmatische Empfehlung: Aktivieren Sie global nur die Server, die Sie täglich brauchen, und nutzen Sie projektspezifische Konfigurationen für spezialisierte Tools.

Was ist der Unterschied zwischen MCP-Server und MCP-Client?

Der MCP-Client ist die Anwendung, die Anfragen stellt – also Claude Code oder Claude Desktop. Der MCP-Server ist das Gegenstück: ein eigenständiger Prozess, der Daten und Tools bereitstellt. In der Praxis ist diese Unterscheidung wichtig, weil Client und Server unabhängig voneinander laufen. Ein Server kann abstürzen, ohne Claude Code zu beeinflussen – der Client zeigt dann lediglich an, dass der betreffende Server nicht erreichbar ist.

Kann MCP mein context window überlasten?

Ja, das ist eine reale Gefahr bei suboptimalem Einsatz. Wenn ein MCP-Server sehr große Datenmengen zurückgibt – etwa alle Zeilen einer großen Datenbanktabelle – füllt das schnell das verfügbare context window. Best Practice: Implementieren Sie Pagination und Filterung in Ihren Servern, instruieren Sie Claude mit klaren Aufgabenstellungen und nutzen Sie den --mcp-debug-Modus, um den tatsächlichen Tokenverbrauch der Tool-Aufrufe zu überprüfen.