MCP (Model Context Protocol) und ACP (Agent Communication Protocol)

Goose

Goose habe ich in diesem Blog vorgestellt:

Vor einigen Tagen habe ich ein Video von der [All Things Open Konferenz] gesehen. Diese findet jeweils Research im Triangle Park (RTP) statt, welcher sich in North Carolina, USA, befindet. Er liegt zentral zwischen den drei Universitätsstädten, die ihm den Namen (Research Triangle) geben: Raleigh, Durham, Chapel Hill. Diese Gegend hatte ich mal vor 40 Jahren auf einem Roadtrip von New York nach Florida besucht. Lange ist es her, tja.

Zuerst lasse ich Gemini die Begriffe erläutern. Das lokale gpt-oss Modell hat hier auch mit Websuche kein brauchbares Resultat geliefert.

Begriffe

Die Abkürzungen MCP und ACP beziehen sich im Zusammenhang mit KI-Modellen, insbesondere Large Language Models (LLMs) und KI-Agenten, auf wichtige Kommunikationsprotokolle, die deren Interaktion mit der Aussenwelt und untereinander standardisieren.

🤖 MCP (Model Context Protocol)

Das Model Context Protocol (MCP) ist ein offenes Protokoll, das hauptsächlich dafür entwickelt wurde, KI-Modelle wie LLMs auf standardisierte und sichere Weise mit externen Datenquellen und Tools zu verbinden. Es wird oft als der "USB-C-Anschluss für KI" beschrieben, da es eine universelle Schnittstelle für die Integration schafft.

• Zweck: Es ermöglicht KI-Modellen, auf aktuelle und kontextrelevante Informationen zuzugreifen, die nicht Teil ihrer ursprünglichen Trainingsdaten sind (z. B. Unternehmensdatenbanken, E-Mail-Dienste, Kalender oder proprietäre APIs).
• Funktion: Ein KI-Modell (der Client oder Host) kommuniziert über das MCP mit einem MCP-Server, der die Verbindung zur eigentlichen externen Ressource (Tool, Datenbank) herstellt. Dadurch kann das Modell Aktionen ausführen oder Antworten basierend auf Echtzeitdaten liefern.
• Vorteile:
  • Kontextbewusstsein: Die KI kann präzisere und aktuellere Antworten geben.
  • Interoperabilität: Vereinfacht die Integration von KI in bestehende Unternehmenssysteme.
  • Sicherheit: Bietet Mechanismen zur Zugriffskontrolle und Datenisolation.
• Initiator: Ursprünglich von Anthropic (dem Unternehmen hinter dem Claude-Modell) entwickelt.

🗣️ ACP (Agent Communication Protocol)

Das Agent Communication Protocol (ACP) ist ebenfalls ein offener Standard, dessen Fokus auf der Kommunikation zwischen verschiedenen autonomen KI-Agenten liegt. Es dient dazu, isolierte Agenten in ein interoperables System zu verwandeln.

• Zweck: ACP ermöglicht es unabhängigen KI-Agenten, sicher und effizient als Peers zusammenzuarbeiten, um komplexere Aufgaben zu erledigen, als sie ein einzelner Agent allein bewältigen könnte.
• Funktion: Es definiert eine gemeinsame "Sprache" und ein Regelwerk, oft basierend auf REST-Konventionen (HTTP), damit Agenten Anfragen, Ergebnisse und Aufgaben untereinander austauschen können, auch über Unternehmens- oder Systemgrenzen hinweg.
• Vorteile:
  • Kollaborative Intelligenz: Ermöglicht komplexe Workflows durch die Arbeitsteilung mehrerer spezialisierter Agenten.
  • Einfache Integration: Verwendet gängige Web-Standards, was die Implementierung vereinfacht.
  • Anbieterneutralität: Ist als offener Standard konzipiert, um die Bindung an einen bestimmten Anbieter zu vermeiden.
• Initiator: Vorangetrieben von Unternehmen wie IBM.

Zusammenfassung und Unterschiede

Beide Protokolle sind entscheidend für die Weiterentwicklung der Enterprise AI, da sie die Interoperabilität verbessern und KI-Systemen helfen, vom reinen Text-Generator zu aktiven, in Unternehmensprozesse eingebetteten Assistenten zu werden.

Wie Block MCP im grossen Massstab einführte

14.10.2025

Schon lange nicht mehr einem Südstaatenakzent aus New Orleans zugehört.
Übersetzung und Zusammenfassung mit dem Obsidian Copilot Plugin.

Einführung

• Angie Jones, VP Engineering bei Block, fokussiert sich auf KI‑Tools und Enablement.
• Ziel: Praktische Skalierung von MCP (offener Standard für KI‑Agenten) im Unternehmen mit 12'000 Mitarbeitenden innerhalb von zwei Monaten.

Entwicklung des Agents „Goose“

• Ingenieure nutzten bereits KI‑Code‑Generatoren wie GitHub Copilot.
• Principal Machine Learning Engineer Bradley Axton entwickelte einen Entwicklungs‑Agenten, der über reines Code‑Snipping hinaus Aufgaben automatisieren kann.
• Nach Einführung von Funktionsaufrufen in LLMs wurde das Projekt mit Tool‑Calls erweitert.
• Zusammenarbeit mit Anthropic führte zur Nutzung des MCP‑Standards; Block wurde Launch‑Partner.
• „Goose“ wurde zu einem erweiterbaren MCP‑Client umgebaut und zunächst intern für Entwickler bereitgestellt.

Adoption und Skalierung

• 75 % der Entwickler sparten 8–10 Stunden pro Woche durch Auslagerung von Routineaufgaben.
• Innerhalb eines Monats verdoppelte sich die Nutzung ohne formelle Rollout‑Kampagne; wöchentliche Interaktionen stiegen um 50 %.
• Open‑Source‑Veröffentlichung von „Goose“ erhielt breite Medienberichterstattung, Trend‑Platzierung auf GitHub und Twitter.

Erweiterung auf nicht‑technische Mitarbeitende

• Nachfrage aus Sales, Legal, Marketing, Finance, Design, Product, Customer Success und Executive Assistants.
• Notwendigkeit, „Goose“ zu einem allgemein nutzbaren Agenten zu machen, unabhängig vom technischen Hintergrund.

Herausforderungen und Lösungen

Fehlende MCP‑Server & Installation

• Entwickler‑zentrierte MCP‑Server reichten nicht für Tools wie Snowflake, Jira, Google Workspace.
• Aufbau eines internen Teams, das benötigte MCP‑Server bereitstellte (über 100 Server heute).
• Automatisierte Installation über das interne Software‑Center, um Friktionen zu reduzieren.

Kontext‑ und Leistungsmanagement

• Viele aktivierte Server belasteten das Kontext‑Fenster und verlangsamen die Antworten.
• Einführung eines dynamischen Kontext‑Managements: Aktivierung nur relevanter Server pro Anfrage.
• Implementierung eines Kontext‑Summarisierers und Fortschrittsbalkens für das Kontext‑Limit.

Authentifizierung

• API‑Keys und Tokens waren für Nicht‑Entwickler zu komplex.
• Umstellung auf OAuth‑Flows mit kurzlebigen Anmeldeinformationen, integriert in Block‑Identity‑Provider.

Unterstützung und Schulung

• Zwei dedizierte Slack‑Kanäle: Support (Fragen, Bugs, Feature‑Requests) und Inspiration (Erfolgsgeschichten, Prompts).
• Internes Developer‑Relations‑Programm mit wöchentlichen Brown‑Bag‑Sessions, Workshops und Office‑Hours für alle Mitarbeitenden.

Anwendungsbeispiele

• Snowflake MCP: Natürliche Sprachabfragen für Datenanalyse, z. B. Betrugserkennung.
• Databricks MCP: Analyse von 10 000 Verkaufsleads, schnelle Entscheidungsfindung.
• PagerDuty MCP: Identifikation wiederkehrender Vorfälle, Verbesserung der Systemzuverlässigkeit.
• Glean MCP: Unterstützung bei internen Prozessen wie Beschaffung und Onboarding.
• Static‑Web‑App‑Deployment MCP: Ein‑Klick‑Bereitstellung von Prototypen ohne Ticket‑Workflow.

Weiterentwicklungen und Features

• Recipe‑Funktion: Paketieren und Teilen von MCP‑Server‑Kombinationen und Prompt‑Flows als wiederverwendbare Mini‑Agenten.
• LLM‑Agnostizität: Auswahl zwischen Modellen von OpenAI, Anthropic, Google, Meta; automatische Modell‑Switches bei Ausfällen.

Fazit

• MCP wurde erfolgreich über 15 verschiedene Job‑Funktionen hinweg skaliert.
• Block hat gezeigt, wie KI‑Agenten verantwortungsbewusst und inklusiv im Unternehmens‑Massstab eingesetzt werden können.
• Das Projekt ist kein Nebenprojekt mehr, sondern ein zentraler Bestandteil der Unternehmensstrategie.

Intro to Agent Client Protocol (ACP) | Vibe Code with goose

16.10.2025

Blog

[Intro to ACP: The Standard for AI Agent-Editor Integration]

Video

Übersetzung und Zusammenfassung mit dem Obsidian Copilot Plugin

Einführung in Goose

• Vorstellung von Codename Goose als Open‑Source‑KI‑Agent für lokale Maschinen.
• Goose kann komplexe Aufgaben autonom erledigen.
• Integration über Erweiterungen für Apps wie GitHub, Jetrains IDE, Google Drive und eigene Schnittstellen.
• Unterstützt zahlreiche Large‑Language‑Model‑Anbieter und kann als Desktop‑App oder CLI genutzt werden.

Kernfunktionen und Anwendungsbeispiele

• Unterstützung verschiedener Engineering‑Domänen.
• Beispiele: Einstieg in neue Programmiersprachen, Code‑Migrationen (z. B. Ember → React, Ruby → Kotlin), Erhöhung der Testabdeckung, Generierung von Unit‑Tests.
• Schnellstart‑Guide und Community‑Updates verfügbar.

Diskussion über Arbeitsabläufe und KI‑Agenten

• Unterschiedliche Präferenzen für KI‑Agenten und IDEs (VS Code, Cursor, JetBrains, etc.).
• Problem der Kontext‑Switches zwischen UI‑App von Goose und Editor.
• Fragmentierte Workflows führen zu Unterbrechungen und ineffizienter Nutzung.

Agent‑Client‑Protocol (ACP) – Einführung

• ACP ist ein standardisiertes JSON‑RPC‑Protokoll für die Kommunikation zwischen Editor und KI‑Agent.
• Entwickelt von Zed Industries, löst das Problem individueller, wartungsintensiver Plugins.
• Ermöglicht editor‑agnostische Agenten, sofern beide ACP unterstützen.

Vorteile von ACP

• Open‑Source‑Projekte benötigen keine eigenen Editor‑Plugins, Fokus bleibt auf Kernfunktionalität.
• Proprietäre Tools profitieren von größerer Nutzerbasis und geringerer Friktion.
• Beispiele für unterstützte Editoren: Zed, NeoVim, Mimo, JetBrains (in Arbeit).
• Unterstützte Agenten: Claude, CodeX, Gemini, Juny, Goose u. a.

Live‑Demo: Einrichtung von Goose mit ACP in Zed

• Konfiguration von Goose‑ACP als Agent‑Server in Zed‑Einstellungen.
• Wechsel des LLM‑Providers zu OpenRouter und Start des ACP‑Prozesses.
• Test der Kommunikation („Hey“ → Goose antwortet).

Praktische Aufgabe: Logos‑Seite für die Dokumentation

• Ziel: Seite zum Download von Goose‑Logos (SVG/PNG) im Footer verlinken.
• Nutzung von Zed‑Agent‑Panel, Terminal und Chrome‑DevTools‑MCP‑Server für Debugging.
• Iterative Anpassungen des Layouts (Tailwind, Flexbox, zwei Spalten, dunkles/helles Logo, Buttons).

Erkenntnisse und Lessons Learned

• Präzise Prompt‑Formulierung nötig, um unerwünschte kreative Freiheiten zu vermeiden.
• ACP ermöglicht nahtlose Benachrichtigungen und Status‑Updates im Editor.
• Wichtigkeit von konsistentem UI‑Design (Farbschema, Button‑Stil) und Wiederverwendung bestehender Komponenten.

Abschluss und Ausblick

• Hinweis auf laufenden Hackathon und Aufruf zur Teilnahme.
• Zusammenfassung: ACP erleichtert die native Nutzung von Goose in verschiedenen Editoren und fördert einheitliche Entwickler‑Erfahrungen.