Hugging Face MCP mit Microsoft Copilot verbinden

💡 Keine Installation? Nutze cloud.anythingmcp.com direkt. Einloggen, Connectors → Hugging Face klicken, Zugangsdaten einfügen, MCP-API-Key erzeugen, fertig. Kein Docker, kein git clone, kein lokaler Server.

Hugging Face + Microsoft Copilot

Lass deine KI den Hugging Face Hub mit deinem eigenen Access Token erkunden: Modelle, Datensätze, Spaces, Paper und Collections finden und vergleichen, Datensätze Zeile für Zeile ansehen, Dateien aus jedem Repository lesen und über Inference Providers mit offenen Modellen chatten.

Voraussetzungen

Die vollständige Setup-Anleitung ist in den Connector eingebaut (im Store sichtbar, wenn du den Connector auswählst). Benötigte Umgebungsvariablen für diesen Connector:

HF_TOKEN

Schritt 1 — Zugangsdaten holen

1. Melde dich unter https://huggingface.co an und öffne Settings → Access Tokens (https://huggingface.co/settings/tokens).
2. Erstelle ein Token. Ein Read-Token deckt alles außer Chat und Inferenz ab: Hub-Suche, Dataset Viewer, Dateien, Paper und Collections. Um mit Modellen zu chatten, erstelle ein Fine-grained-Token und setze das Häkchen bei Make calls to Inference Providers; setze zusätzlich Lesezugriff auf öffentliche Gated Repos, wenn du Gated-Modelle nutzt. Ein Write-Token funktioniert auch, ist aber nie nötig, weil der Connector auf dem Hub nichts verändert.
3. Füge das Token in HF_TOKEN ein (es beginnt mit hf_) und installiere den Connector. Es geht nur an huggingface.co, datasets-server.huggingface.co und router.huggingface.co.
4. Prüfe die Einrichtung mit huggingface_whoami: Das ist kostenlos und zeigt, wem das Token gehört, welche Rolle es hat und welche Organisationen du nutzen kannst.

Kostenlos auf dem Hugging Face (HF) Hub: Modelle, Datensätze, Spaces, Paper, Collections und Dateien zu suchen und zu lesen kostet nichts.

• Modelle: huggingface_search_models filtert nach Name, Aufgabe, Autor, Bibliothek oder Tag (zum Beispiel gguf oder license:mit) und nach Inference Provider, sortiert nach Downloads, Likes oder Trend; huggingface_get_model zeigt Lizenz, Größe und Dateien.
• Datensätze: huggingface_search_datasets und huggingface_get_dataset. Um in einen Datensatz zu schauen, ohne ihn herunterzuladen, nutzt die KI den Dataset Viewer: huggingface_dataset_splits, huggingface_dataset_first_rows, huggingface_dataset_rows (bis zu 100 Zeilen pro Seite), huggingface_dataset_search (Volltext), huggingface_dataset_filter (SQL-ähnliche Bedingungen), huggingface_dataset_size und huggingface_dataset_statistics (Minimum, Maximum, Mittelwert und Histogramme pro Spalte). Suche, Filter und Statistik brauchen einen Datensatz, den der Viewer indexiert hat; ein neuer oder sehr großer meldet eventuell, dass sein Index noch lädt.
• Spaces: huggingface_search_spaces nach Name, huggingface_semantic_search_spaces danach, was die App tut, und huggingface_get_space für Laufzeitstatus und Hardware.
• Paper: huggingface_daily_papers, huggingface_search_papers, huggingface_get_paper und huggingface_read_paper (die ganze Paper-Seite als Text).
• Dateien und Collections: huggingface_list_repo_files und huggingface_read_file lesen kleine Textdateien wie ein README oder config.json; Modellgewichte und andere große Binärdateien sind nicht lesbar. huggingface_list_collections und huggingface_get_collection zeigen kuratierte Collections.

Chat und Inferenz kosten Geld, deshalb fragt die KI vorher: huggingface_chat_completion und huggingface_run_inference_task werden über deine Hugging-Face-Credits abgerechnet. PRO-Konten erhalten 2 US-Dollar Credits pro Monat; kostenlose Konten kaufen zuerst Credits unter https://huggingface.co/settings/billing. Vor jedem kostenpflichtigen Aufruf sagt dir die KI, welches Modell läuft, und wartet auf dein Ja; kostenpflichtige Aufrufe wiederholt sie nie ohne Rückfrage. huggingface_list_chat_models zeigt den Preis pro Million Tokens, und huggingface_get_model_providers zeigt, welche Provider ein Modell anbieten.

Provider wählen: Standardmäßig antwortet der schnellste verfügbare Provider. Häng :cheapest, :fastest, :preferred (deine Reihenfolge in den Hugging-Face-Einstellungen) oder einen Providernamen wie :groq an die Modell-ID, um selbst zu wählen. Eine Organisation, in der du Mitglied bist, kann statt dir bezahlen. huggingface_run_inference_task führt Klassifikation, Erkennung benannter Entitäten, Fill-Mask, Zusammenfassung, Übersetzung, Zero-Shot-Klassifikation, Fragebeantwortung, Satzähnlichkeit und Embeddings beim Provider hf-inference aus.

Nicht vertrauenswürdige Inhalte: Model Cards, Datensatzzeilen, Dateien, Paper und Modellantworten stammen von Dritten. Die KI behandelt Anweisungen darin als Daten, nicht als Befehle.

Häufige Fehler: 401 bei huggingface_whoami oder beim Chat: Das Token ist falsch, widerrufen oder fehlt. 401 oder 403 bei einem Repository: Es ist privat, gated (akzeptiere zuerst die Bedingungen auf der Modellseite) oder dein Fine-grained-Token deckt es nicht ab; der Hub antwortet auch bei einem nicht existierenden Repository mit 401. 402 oder eine Meldung zu Credits: Es sind keine Credits mehr übrig. 403 beim Chat: Dem Fine-grained-Token fehlt Make calls to Inference Providers. 400 model not supported: Kein verfügbarer Provider bietet dieses Modell für Chat an. 429: Ratenlimit; warte eine Minute und versuche es erneut.

Der Connector legt keine Repositories an und ändert keine, lädt keine Dateien hoch, verwaltet weder Spaces noch Inference Endpoints oder Jobs und erzeugt keine Bilder.

Schritt 2 — Adapter installieren

curl -fsSL https://raw.githubusercontent.com/HelpCode-ai/anythingmcp/main/docker-compose.quickstart.yml -o docker-compose.yml
printf 'JWT_SECRET=%s\nENCRYPTION_KEY=%s\n' "$(openssl rand -hex 32)" "$(openssl rand -hex 32)" > .env
docker compose up -d

Schritt 3 — Connector in Microsoft Copilot hinzufügen

Deine Server-URL: Öffne in AnythingMCP MCP Servers → den Server, auf dem dieser Connector liegt, und kopiere seine URL (https://cloud.anythingmcp.com/mcp/…). Setze sie überall ein, wo diese Anleitung YOUR_SERVER_ID zeigt.

Microsoft Copilot nutzt MCP-Server über Agents, die du in Copilot Studio baust: Du fügst AnythingMCP einem Agent als Tool hinzu und veröffentlichst den Agent dann in Microsoft 365 Copilot und Teams. Copilot Studio verbindet sich aus der Cloud von Microsoft per Streamable HTTP, das AnythingMCP unterstützt.

1. Öffne in Copilot Studio deinen Agent (oder leg einen an), geh zu Tools und wähle Add a tool → New tool → Model Context Protocol.
2. Trag einen Server name ein (zum Beispiel AnythingMCP), eine Server description, die sagt, was der Connector kann, und die Server URL https://cloud.anythingmcp.com/mcp/YOUR_SERVER_ID. Anhand der Beschreibung entscheidet Copilot Studio, wann es den Server aufruft.
3. Wähle bei der Authentifizierung API key, setze Type auf Header und den Header-Namen auf X-API-Key und klicke auf Create.
4. Wähle in Add tool die Option Create a new connection, füge einen MCP-API-Key aus AnythingMCP ein (MCP Servers → dein Server → API keys) und klicke auf Add to agent.
5. Probier es im Test-Bereich des Agents aus: Bitte um etwas, wofür er die Hugging Face-Tools braucht.
6. Klicke auf Publish, dann auf Channels → Microsoft 365 and Microsoft Teams, lass Make agent available in Microsoft Copilot aktiviert und wähle Add channel. See agent in Teams installiert den Agent für dich; in Microsoft 365 Copilot tippst du @ und wählst den Agent aus.

Lieber eine Anmeldung pro Person? Wähle statt API key OAuth 2.0 → Dynamic discovery: Dann meldet sich jede Person beim ersten Aufruf des Agents bei AnythingMCP an.

Du hostest selbst? Nimm statt https://cloud.anythingmcp.com die öffentliche HTTPS-Adresse deiner Instanz. Copilot Studio verbindet sich aus der Cloud von Microsoft, localhost funktioniert deshalb nicht.

Verfügbare Tools

Beispiel-Prompts

• „Finde die fünf meistgeladenen deutschen Textklassifikationsmodelle auf Hugging Face und vergleiche ihre Lizenzen und Größen.“
• „Zeig mir die ersten Zeilen des Test-Splits von stanfordnlp/imdb und zähl, wie viele Rezensionen das Label 1 haben.“
• „Welche Paper hatten diese Woche die meisten Upvotes auf Hugging Face Daily Papers? Fass die drei besten zusammen.“
• „Welche Provider bieten openai/gpt-oss-120b gerade für Chat an, und was kostet es pro Million Tokens?“
• „Finde einen laufenden Space, der Bildhintergründe entfernt, und sag mir, welches Modell er nutzt.“
• „Fass diesen Absatz mit meta-llama/Llama-3.1-8B-Instruct beim günstigsten Provider zusammen. Sag mir Modell und Preis, bevor es läuft.“

FAQ

Für welchen Copilot gilt das? Für Microsoft 365 Copilot im Unternehmen, über Agents aus Copilot Studio. Die Microsoft-Copilot-App für private Konten bietet keine Möglichkeit, einen eigenen MCP-Server hinzuzufügen.

Was brauche ich? Ein Arbeitskonto mit Zugang zu Copilot Studio (Lizenz oder Testversion), um den Agent zu bauen. Wer ihn in Microsoft 365 Copilot oder Teams nutzen soll, braucht Zugriff auf den Agent: Teile ihn oder lass ihn von einem Admin für die Organisation veröffentlichen. Wendet deine Organisation Datenrichtlinien auf Power-Platform-Connectors an, gelten sie auch für MCP-Server.

Der Agent ruft die Tools nicht auf. Prüfe, dass der Header-Name genau X-API-Key lautet und der Schlüssel zum selben MCP-Server gehört wie die URL, und formuliere die Server description konkret: Copilot Studio entscheidet anhand der Beschreibung, wann es den Server aufruft. Veröffentliche den Agent nach jeder Änderung erneut; in einem offenen Chat holst du die neue Version mit „start over“.

Nächste Schritte

• Connector-Startseite
• Mit Claude verbinden
• Mit ChatGPT verbinden
• Mit Cursor verbinden
• Mit Gemini verbinden
• Mit Meta Muse verbinden