Der MCP-Wissensgraph: ein Connector, der lernt, wie deine Systeme zusammenhängen

Vom Proxy zum smarten Connector

Die meisten MCP-Gateways haben eine Aufgabe: Sie stellen deine APIs als Tools bereit und reichen Aufrufe durch. Das ist nützlich — aber das Schwierige bleibt der KI überlassen. Wenn ein Tool eine customer_id zurückgibt, weiß der Agent nicht, dass dieselbe ID der Schlüssel ist, um Bestellungen in einem anderen System zu finden. Er rät — und oft falsch.

AnythingMCP legt eine Schicht über die rohen Tools: einen Wissensgraphen deiner Connectors. Er bildet ab, welche Entitäten deine Systeme bereitstellen und wie Daten zwischen ihnen fließen, und bringt deinem KI-Agenten bei, sie zusammen zu nutzen — ohne dass du die Integrationslogik von Hand schreibst.

Das ist der Unterschied zwischen einem Proxy und einem smarten Connector.

Was der Wissensgraph wirklich ist

Der Graph ist eine private Karte pro Workspace mit zwei Arten von Elementen:

Knoten

Die Entitäten, mit denen deine Tools arbeiten — ein Kunde, eine Bestellung, ein Produkt.

Kanten

Die Beziehungen dazwischen — referenziert, gleiche Identität, erzeugt / verbraucht, übergeordnet / untergeordnet.

Er entsteht aus vier Schichten, von der günstigsten zuerst:

StatischKeine Daten nötig

Direkt aus deinen Tool-Namen und Parametern gelesen. Ein get_customer_id-Tool impliziert eine Kunden-Entität mit einem id-Feld. Kostenlos, sofort.

BeobachtetWird mit Nutzung besser

Aus echten Tool-Aufrufen gelernt. Wenn eine customer_id aus deinem CRM kommt und derselbe Wert in dein ERP geht, ist das eine Datenfluss-Kante.

ManuellVon Menschen geprüft

In der UI von Hand kuratiert, geschützt vor den automatischen Schichten.

LLMOptional

Ein KI-Durchlauf, der erkennt, dass CRM.person und Billing.customer dieselbe reale Entität unter verschiedenen Namen sind.

Identifikator-Werte werden nie im Klartext gespeichert — der Graph hält gesalzene Hashes, lernt also die Form deiner Daten, ohne die Daten selbst zu speichern.

Ein konkretes Beispiel: CRM → ERP

Angenommen, du hast ein CRM (Kontakte und Deals) und ein ERP (Bestellungen und Rechnungen) verbunden. Sieh zu, wie die Kante von vorgeschlagen zu bestätigt aufsteigt, während Daten fließen.

→Die statische Schicht extrahiert Entitäten wie Person, Deal, Bestellung aus den Tool-Definitionen.
→Ein Agent ruft crm.get_customers auf, und eine customer_id kommt heraus — die beobachtete Schicht erfasst sie.
→Dann ruft er erp.search_orders(customer_id=…) auf, und die Kante Person → Bestellung wird auf bestätigt hochgestuft.

KI-Skills: Regeln, die dein Agent wiederverwendet

Wiederkehrende Muster werden zu Skills — wiederverwendbaren Geschäftsregeln, erfasst aus der tatsächlichen Nutzung deiner Tools, fest in die Anweisungen des MCP-Servers eingebacken statt bei jeder Anfrage neu erklärt.

✦

Gelernter Skill

revenue = orders in status 2, 3 or 4

kg_how_to_obtain: der Graph als Tool

Der Graph ist nicht nur intern. AnythingMCP stellt ein kg_how_to_obtain-Tool bereit. Zur Laufzeit fragt der Agent, wie er etwas bekommt, und erhält den Verkettungs-Hinweis zurück — welches Tool aufzurufen ist und welches Feld die beiden Systeme verbindet.

agent ⇄ kg_how_to_obtain
// Agent fragt
“Wie komme ich an die Bestellungen eines Kunden?”
// kg_how_to_obtain liefert
→ rufe auf erp.search_orders(customer_id)
→ verknüpfe Person → Bestellung über customer_id

Warum es zählt

Weniger fehlgeschlagene Aufrufe

Der Agent verkettet Systeme so, wie deine Daten tatsächlich verknüpft sind, statt durch Ausprobieren.

Weniger Prompt-Engineering

Das Integrationswissen lebt im Graphen, nicht in einem 2.000-Wörter-Systemprompt, den du von Hand pflegst.

Wird mit Nutzung besser

Jeder erfolgreiche Tool-Aufruf schärft die beobachtete Schicht.

Datenschutzfreundlich

Namen und Struktur, niemals Rohwerte.

Bring MCP in 60 Sekunden in deinen Stack.

Starte AnythingMCP in der verwalteten Cloud oder hoste es selbst auf deiner Infrastruktur. 7 Tage kostenlos, keine Kreditkarte.

Kostenlos in der Cloud starten Selbst hosten mit Docker