Entwicklung agentischer KI: Wie KI-Agenten und das MCP von Algolia die Spielregeln verändern

Bei KI geht es nicht mehr nur ums Chatten, sondern ums Handeln. Wir alle haben gesehen, wie Tools wie ChatGPT oder Claude Gespräche führen und Fragen beantworten können. Im geschäftlichen Umfeld, insbesondere im Einzelhandel, benötigen wir KI jedoch oft, um bestimmte Aufgaben zu erledigen: Informationen nachzuschlagen, Daten zu aktualisieren, Verbindungen zu anderer Software herzustellen und Entscheidungen zu treffen. Hier kommen KI-Agenten ins Spiel. Ein KI-Agent ist mehr als ein Chatbot; es ist ein KI-System, dasselbstständig Aktionen festlegen und ausführen kann, in der Regel indem es externe Tools oder Datenquellen nutzt, um eine Aufgabe zu erfüllen. In der Praxis basieren die meisten agentenbasierten KI-Systeme heute auf großen Sprachmodellen (LLMs), die in der Lage sind, Funktionen oder APIs zu nutzen, wodurch die KI im Wesentlichen über ihren eigenen Modellspeicher hinaus mit anderen Anwendungen interagieren kann.

Was bedeutet „agentisch“ eigentlich? Es bedeutet, dass eine KI über ein gewisses Maß an Handlungsfähigkeit verfügt. Sie kann Schritte planen, Werkzeuge einsetzen und Aufgaben ausführen, ohne dass ein Mensch jedes Detail vorgeben muss.Laut IBM weist agentische KI in der Regel drei wesentliche Merkmale auf: Sie kann sich den Kontext merken (Kurzzeit- und Langzeitgedächtnis), sie kann Schritt für Schritt planen und Entscheidungen treffen, und sie kann bei Bedarf Werkzeuge über APIs nutzen. Mit anderen Worten: Eine agentische KI kann Ihre Anfrage entgegennehmen, herausfinden, welche Schritte oder Daten erforderlich sind, und diese Schritte dann ausführen, indem sie die richtigen Werkzeuge aufruft. Tatsächlich greift ein beliebtes Entwurfsmuster für Agenten, bekannt als das ReAct-Framework (kurz für „Reasoning and Acting“), diese Idee der Verflechtung von Denken und Handeln ausdrücklich auf. ReAct wurde 2023 von Forschern wie Yao et al. eingeführt und ermöglicht es einem LLM, ein Problemanhand einer Gedankenkettezu zerlegenund dann bei jedem Schritt nach Bedarf Maßnahmen (wie API-Aufrufe) zu ergreifen. Dieser Ansatz lässt die Grenze zwischen „Schlussfolgerung“ und „Ausführung“ verschwimmen und ermöglicht es Agenten, komplexere Aufgaben autonom zu bewältigen, als es ein einfacher Chatbot könnte.

Stellen Sie sich zum Beispiel vor, Sie würden einen KI-Assistenten fragen: „Finde die Top-10-Produkte in unserem Katalog, die oft angesehen, aber selten gekauft werden, und entwirf einen Aktionsplan zur Verbesserung der Konversionsrate.“ Ein gewöhnlicher Chatbot wäre damit überfordert, da er diese Daten nicht zur Hand hat. Ein KI-Agent hingegen könnte diese Anfrage tatsächlich erfüllen: Er könnte eine Datenbank oder einen Suchindex abfragen, um Analysedaten zu erhalten, die Ergebnisse auswerten und anschließend Vorschläge generieren. All dies ist möglich, weil der Agent handeln kann und nicht nur chatten. Der Assistent kann entscheiden: „Ich muss Daten beschaffen, diese dann analysieren und anschließend einen Plan erstellen“, und er wird diese Schritte ausführen. Dieser Wandel vom reinen Gespräch hin zum Handeln markiert den Aufstieg der agentenbasierten KI.

Herausforderungen bei der Entwicklung agentenbasierter KI-Systeme

Es ist schwierig, einen robusten KI-Agenten zu entwickeln, der mehrstufige Aufgaben zuverlässig bewältigen und sich in verschiedene Systeme integrieren lässt. Wenn Sie schon einmal versucht haben, einen Chatbot zusammenzubasteln, der auch Ihre APIs aufruft, sind Sie wahrscheinlich auf einige Hindernisse gestoßen. Zu den wichtigsten Herausforderungen gehören:

• Komplexe Abfolge von Schritten: Ein hochentwickelter Agent muss möglicherweise viele Aufgaben nacheinander ausführen. Stellen Sie sich beispielsweise einen Forschungsassistenten-Agenten vor, der folgende Aufgaben erfüllen muss:
  1. Suche in mehreren Quellen
  2. Ergebnisse zusammenstellen und zusammenfassen
  3. diese Ergebnisse überprüfen oder präzisieren
  4. einen Abschlussbericht erstellen

Die kohärente Koordination dieser Schritte ist schwierig. Früher mussten Entwickler einen Großteil dieser Logik von Hand programmieren – den Zustand zwischen den Schritten verwalten, Ergebnisse von einem Tool an das nächste weitergeben, Fehler behandeln usw. Dabei entsteht leicht instabiler „Spaghetti-Code“, bei dem schon eine kleine Änderung an einer Stelle die gesamte Kette zum Zusammenbruch bringt. Darüber hinaus ist es entscheidend, ein klar definiertes Ziel für den Agenten festzulegen. Ist das Ziel zu weit gefasst oder umfasst es mehrere Teilziele, kann der Agent vom Kurs abkommen oder sogar in eine Endlosschleife geraten, während er versucht, widersprüchliche Ziele zu erfüllen. Bei frühen Experimenten mit autonomen Agenten wie AutoGPT kam es häufig vor, dass diese bei offen formulierten Aufgaben in eine Endlosschleife gerieten oder sich in Widersprüche verstrickten. Die Aufteilung großer Probleme in kleinere Teilaufgaben und die Vorgabe klarer, prägnanter Ziele für den Agenten tragen dazu bei, dies zu vermeiden.

• Kontext und Gedächtnis bewahren: Agenten müssen sich daran erinnern, was in den vorherigen Schritten geschehen ist. Hat ein Agent beispielsweise bereits in Schritt 1 Produktdaten abgerufen, sollte er diese Informationen in Schritt 2 nutzen, anstatt erneut eine Abfrage durchzuführen. Die Wahrung dieses Kontexts (Kurzzeitgedächtnis der Konversation und Langzeitgedächtnis vergangener Interaktionen) ist entscheidend. Ohne sorgfältige Gestaltung könnte der Agent wichtige Details vergessen oder Arbeit unnötigerweise wiederholen. Herkömmliche Arbeitsabläufe hatten oft Schwierigkeiten damit, den Status über mehrere Interaktionen hinweg beizubehalten.
• Integration mehrerer Tools und Datenquellen: Die vielleicht größte Herausforderung besteht darin, die KI mit allen externen Diensten zu verbinden, die sie benötigt. Im Einzelhandel könnte dies eine Produktdatenbank, ein Bestandsverwaltungssystem, einen Suchindex, Analysetools und vielleicht sogar APIs von Drittanbietern wie Versand- oder Zahlungssysteme umfassen. In der Vergangenheit bedeutete die Anbindung einer KI an jedes dieser Systeme, dass für jedes Tool individueller Integrationscode geschrieben werden musste. Man würde eine API-Bibliothek für die Datenbank verwenden, eine andere für die Suchmaschine, verschiedene Authentifizierungsmethoden und Datenformate handhaben – das ist eine Menge Arbeit im Hintergrund. Jede Integration ist eine potenzielle Fehlerquelle und bedeutet einen Wartungsaufwand. Wenn sich die API des Tools ändert, kann die Integration versagen. Dieser Ad-hoc-Ansatz ist so, als würde man der KI einen Haufen maßgeschneiderter Kabel geben: unübersichtlich und nicht skalierbar. Außerdem erzielen Agenten mit einem fokussierten Toolset die besten Ergebnisse. Wenn Sie einen Agenten mit jedem möglichen Dienst in Ihrem Stack verbinden, könnte er bei der Entscheidung, welchen er nutzen soll, überfordert sein. Zu viele Auswahlmöglichkeiten können die Entscheidungsfindung der KI verwirren, ähnlich wie bei einem Menschen, der unter „Entscheidungsmüdigkeit“ leidet. In der Praxis ist es ratsam, einen Agenten zunächst nur mit den für seine Aufgabe erforderlichen Tools auszustatten und dann schrittweise zu erweitern.
• Sicherheit und Kontrolle: Seien wir ehrlich. Einem KI-Agenten freie Hand zu lassen, Ihre APIs aufzurufen, kann beängstigend sein. Ohne angemessene Kontrollmechanismen könnte dies dazu führen, dass sensible Daten offengelegt werden oder unbeabsichtigte Aktionen ausgeführt werden. Entwickler mussten bisher traditionell zahlreiche Sicherheitsvorkehrungen treffen, beispielsweise die Funktionen der KI einzuschränken oder Eingaben und Ausgaben zu bereinigen. Ohne einen strukturierten Ansatz ist jede Integration eines neuen Tools eine Sicherheitsüberprüfung für sich. Man möchte zum Beispiel nicht, dass eine KI, die eigentlich bei der Analyse helfen soll, auch noch die Datenbank löscht, weil sie das für eine gute Idee hielt. Das ist kein reines Gedankenexperiment: Mitte 2025„rannte“ ein Replit-KI-Programmieragent bekanntlich „Amok“und führte einen zerstörerischen Befehl aus, der während eines Live-Experiments die Produktionsdatenbank eines Unternehmens auslöschte. Die KI hatte sich eine Anweisung zum Zurücksetzen der Datenbank eingebildet und diese ohne menschliche Genehmigung ausgeführt; später wurde dies als„katastrophaler Beurteilungsfehler“ eingestanden. Es war ein Fiasko, das deutlich machte, wie wichtig strenge Berechtigungen und Überwachung sind. Kurz gesagt: Man muss die Handlungsmöglichkeiten des Agenten in einer Sandbox einschränken. Das Prinzip der geringsten Berechtigungen ist entscheidend: Geben Sie dem Agenten nur den minimalen Zugriff, den er benötigt. Einige Teams prüfen derzeit den Einsatz eines speziellen Identitäts- und Zugriffsmanagements (IAM) für KI-Agenten, um deren Tool-Nutzung dynamisch zu steuern, sodass beispielsweise ein Agent, der eine Finanz-API aufruft, nicht plötzlich eine API aufrufen kann, die den Server zerstört.
• Transparenz und Fehlerbehebung: Wenn ein KI-Agent Entscheidungen trifft und autonom Tools aufruft, woher wissen Sie dann, was hinter den Kulissen vor sich geht? Es ist wichtig, die Aktionen des Agenten überwachen und nachverfolgen zu können. Andernfalls ist es schwierig, Fehler zu beheben, wenn er einen Fehler macht. Frühen mehrstufigen KI-Systemen fehlte oft ein guter Einblick in ihre interne Denkweise, was Entwickler verständlicherweise verunsicherte. Man möchte nicht, dass ein Agent, der eine „Black Box“ ist, kritische Teile der App steuert. Das Protokollieren jedes Tool-Aufrufs, das Erfassen der Argumentation des Agenten (soweit möglich) sowie die Möglichkeit, Szenarien nachzuspielen oder zu simulieren, sind allesamt wichtig, um Vertrauen in das Verhalten eines Agenten aufzubauen.
• Koordination mehrerer Agenten: Viele neu entstehende Lösungen umfassen nicht nur einen einzelnen Agenten, sondern einMulti-Agenten-System (MAS), in dem mehrere spezialisierte Agenten gemeinsaman der Ausführung einer Aufgabearbeiten. Dies führt zu einer zusätzlichen Komplexitätsebene: Wie kommunizieren und koordinieren sich diese Agenten? Häufig führen Entwickler einen Supervisor- oder Orchestrator-Agenten ein, um das Team zu leiten – im Wesentlichen einen Agenten, dessen Aufgabe darin besteht, Teilaufgaben an andere Agenten zu delegieren und anschließend deren Ergebnisse zusammenzufassen. Der Orchestrator muss den Kontext jedes einzelnen Agenten verfolgenund den Überblick über das „Gesamtbild“ bewahren. Die Entwicklung solcher Systeme ist knifflig: Man muss verhindern, dass sich die Agenten im Kreis drehen oder Arbeit doppelt erledigen, sicherstellen, dass sie den notwendigen Kontext austauschen, und festlegen, wie sie Aufgaben weitergeben. IBM forscht aktiv an diesem Konzept. Die Forscher des Unternehmens haben sich mit Kommunikationsprotokollen zwischen Agenten sowie mit hierarchischer Planung befasst. Multi-Agenten-Konfigurationen versprechen eine höhere Skalierbarkeit und Spezialisierung, bringen jedoch auch Herausforderungen bei der Synchronisation und dem Kontextmanagement mit sich, die bei Ein-Agenten-Systemen nicht gelöst werden müssen.

Diese Herausforderungen führten dazu, dass nur Unternehmen mit umfassender Fachkompetenz im Bereich KI-Entwicklung (und genügend Zeit zum Experimentieren) komplexe Agentensysteme entwickeln konnten. Viele der frühen „Agenten“ waren aufgrund dieser Hürden anfällig oder in ihrem Anwendungsbereich eingeschränkt.

Die KI-Community hat sich jedoch aktiv mit diesen Themen auseinandergesetzt. Es sind verschiedene Frameworks entstanden, um die Entwicklung von Agenten zu vereinfachen. So ermöglicht beispielsweise die Funktionsaufruf-Funktion von OpenAI eine strukturierte Nutzung von Tools, LangChain bietet Abstraktionen für die Verkettung von Schritten, LlamaIndex führte „Agenten-Workflows“ zur Verwaltung der Koordination mehrerer Agenten ein, und das Agentic RAG-Toolkit von IBM untersucht die Erweiterung von Abrufsystemen um Planungsfunktionen. Jede dieser Lösungen befasst sich mit bestimmten Aspekten des Problems, wie der Zustandserhaltung oder der Koordination von Teilaufgaben. Ein Aspekt blieb jedoch bislang weitgehend ungelöst: eine standardisierte, Plug-and-Play-Lösung, um beliebige KI-Systeme mit beliebigen Tools zu verbinden.

An dieser Stelle kommt das Model Context Protocol (MCP) ins Spiel. Stellen Sie sich MCP als eine Art Universaladapter für KI vor – ein Standardprotokoll, das einer KI mitteilt, wie sie einen externen Dienst oder eine Datenquelle nutzen kann. Anstelle von maßgeschneidertem Code für jede einzelne Integration zielt MCP darauf ab, eine gemeinsame Sprache und Schnittstelle bereitzustellen. Im nächsten Abschnitt werden wir näher erläutern, was MCP ist und wie es die Entwicklung agentischer KI vereinfacht.

Was ist MCP? Der „USB-Anschluss“ für KI-Tools

Das MCP ist ein neuer Standard, der die Herausforderung der Tool-Integration direkt angeht. Am einfachsten lässt sich das MCP anhand einer Analogie verstehen:„Stellen Sie sich das MCP wie einen USB-C-Anschluss für KI-Anwendungen vor.“ Genauso wie USB-C eine einheitliche Möglichkeit bietet, alle Arten von Geräten (Tastatur, Kamera, Speichermedien) an Ihren Computer anzuschließen, stellt MCP eine einheitliche Schnittstelle bereit, über die KI-Modelle mit verschiedenen Datenquellen und Tools verbunden werden können. Anstatt dass jedes KI-Tool ein eigenes, spezielles Kabel benötigt, definiert MCP eine universelle Schnittstelle.

Im Kern ist MCP keine einzelne Software, sondern ein Protokoll – eine Reihe von Regeln und Definitionen, die festlegen, wie eine KI (das Modell) mit einer externen Ressource kommunizieren kann. In der Praxis sind dabei in der Regel zwei Seiten beteiligt:

• Ein MCP-Server für jedes Tool oder jeden Dienst, den das Modell nutzen soll. Der Server fungiert wie ein Adapter oder Übersetzer, der weiß, wie man mit dem Tool (z. B. einer Datenbank oder einer API) kommuniziert, und dessen Daten in einer standardisierten Form bereitstellt.
• Ein MCP-Client auf der KI-Seite (oft in die Laufzeitumgebung oder das Agenten-Framework der KI integriert), der MCP-Server erkennen und nutzen kann. Der Client fungiert als „USB-Anschluss“ der KI, an den jedes MCP-kompatible Tool angeschlossen werden kann.

Laut Entwicklern, die mit MCP vertraut sind, kann man es sich als einen universellen Übersetzer zwischen KI-Assistenten und Ihren alltäglichen Apps vorstellen. Die KI spricht ein standardisiertes Format, der MCP-Server eines Tools übersetzt dies in konkrete API-Aufrufe, und die KI kann Informationen abrufen oder Aktionen in dieser App auslösen. Eine andere Möglichkeit, das Konzept zu verstehen, ist folgende: Ohne MCP ist ein KI-Assistent auf das beschränkt, was er im Training gesehen hat (als ob er an eine alte Enzyklopädie gebunden wäre); mit MCP kann die KI auf aktuelle Informationen zugreifen und Aktionen in Ihren Apps ausführen. Das ist der Unterschied zwischen einer statischen, in sich geschlossenen KI und einer dynamischen KI, die nach außen greifen und die Welt beeinflussen kann.

Wie funktioniert das eigentlich? MCP führt eine gewisse Struktur ein, an die sich beide Seiten halten:

• Schemas/Definitionen: Jeder MCP-Server definiert in maschinenlesbarer Form (häufig in Form eines Schemas oder einer YAML-Datei), welche Funktionen er ausführen kann. Ein MCP-Server für Google Kalender könnte beispielsweise angeben, dass er die Aktion „list_events“ mit bestimmten Parametern sowie die Aktion „create_event“ usw. bereitstellt. Dies entspricht sozusagen der „Bedienungsanleitung“ für dieses Tool.
• Standardkommunikation: Die KI (oder das Agenten-Framework) kann abfragen, welche MCP-Server verfügbar sind und welche Aktionen diese anbieten. Wenn die KI beschließt, ein Tool zu verwenden, sendet sie eine Anfrage im MCP-Format. Oft geschieht dies im Hintergrund, unabhängig davon, welches Agenten-Framework Sie verwenden.
• Typsicherheit und Kontext: MCP kann Typen und Strukturen durchsetzen. Das bedeutet, dass die KI weiß, welche Art von Daten sie senden und erwarten soll, wodurch Missverständnisse vermieden werden. Es ähnelt ein wenig dem Funktionsaufruf in der API von OpenAI, ist jedoch auf potenziell viele Tools verallgemeinert.
• Transport: Viele MCP-Implementierungen nutzen einen einfachen Transport wie STDIO oder lokale HTTP-Aufrufe für die Kommunikation zwischen dem KI-Client und dem MCP-Server. Die Claude-Desktop-App von Anthropic verfügt beispielsweise übereine integrierteUnterstützung zum Starten und zur Kommunikation mit MCP-Servern auf Ihrem Rechner. Wenn Sie also einen Algolia-MCP-Server mit Claude verbinden, kann Claude nahtlos Abfragen an diesen Server senden, sobald Sie eine Eingabe machen.

Zur Veranschaulichung betrachten wir ein Beispiel aus der Praxis, das von einem Befürworter von MCP angeführt wurde: Sie bitten Ihren KI-Assistenten: „Fasse die E-Mails zum Projekt X zusammen und plane für nächste Woche ein Teammeeting ein.“ Diese scheinbar einfache Anfrage umfasst tatsächlich mehrere Schritte und Tools, darunter das Lesen von E-Mails und das Anlegen eines Kalendertermins. Wenn MCP zum Einsatz kommt, läuft es wie folgt ab:

1. Die KI (LLM) analysiert Ihre Anfrage und erkennt, dass sie den E-Mail-Dienst und den Kalenderdienst nutzen muss.
2. Über den MCP-Client erkennt es, dass ein E-Mail-MCP-Server und ein Kalender-MCP-Server verfügbar sind.
3. Zunächst könnte es eine Aktion auf dem E-Mail-MCP-Server aufrufen, beispielsweise „search_emails(query=“Projekt X“)“. Der Server stellt (über eine API) eine Verbindung zu Ihrer E-Mail-App her, ruft die entsprechenden E-Mails ab und gibt Zusammenfassungen oder Inhalte an die KI zurück.
4. Die KI erstellt daraufhin eine Zusammenfassung dieser E-Mails.
5. Anschließend nutzt es den Calendar-MCP-Server über eine Aktion wie „create_event(date=“nächste Woche“, attendees=[...], description=“Besprechung zu Projekt X“)“. Der Server übernimmt die Umsetzung in eine echte Kalendereinladung, beispielsweise in Google Kalender.
6. Die KI antwortet dir: „Ich habe für nächste Woche eine Teambesprechung angesetzt, und hier ist die Zusammenfassung der E-Mails zu Projekt X …“ – und sie hat diese Aufgaben tatsächlich erledigt.

All dies ist möglich, weil die KI und die Tools über ein gemeinsames Protokoll verfügten, nach dem sie arbeiten konnten. Die KI musste die technischen Details der Gmail-API oder des Outlook-Formats nicht kennen; darum kümmerten sich die MCP-Server. Aus Entwicklersicht war es nicht notwendig, diese Integrationen für den KI-Assistenten individuell zu programmieren. Man musste lediglich die Standard-MCP-Adapter einbinden.

Die wichtigsten Vorteile von MCP

Vorteil	Was es bewirkt	Warum das wichtig ist
API-Entkopplung	KI-Modelle nutzen standardisierte MCP-Server anstelle von individuell angepasstem Code für jeden einzelnen Dienst.	Ähnlich wie bei einem Gerätetreiber kann jede KI mit einem MCP-Client das Tool nutzen, sobald es installiert ist.
Optimierte Entwicklung	Standardisiert Verbindungen über verschiedene Umgebungen hinweg	Kein „Glue-Code“ mehr für jede Integration. Unterstützt eine verbesserte Interoperabilität zwischen verschiedenen Tools.
Befähigt Endnutzer	Setzt natürliche Sprache in konkrete Handlungen um	Der Wandel der KI von „informativ“ zu „umsetzbar“ bringt Dinge voran und liefert mehr als nur Antworten
Sicherheit und Kontrolle	MCP-Server fungieren als kontrollierte Gateways, die Berechtigungen und Beschränkungen durchsetzen.	Einfacher und sicherer als der direkte Zugriff auf KI. Trägt zum Aufbau eines Plug-and-Play-Ökosystems bei.
Standard für Interoperabilität	Schafft eine universelle Schnittstelle zwischen KI und Tools	Genau wie HTTP oder USB Innovationen ermöglicht haben, könnte MCP dasselbe für agentenbasierte KI bewirken.

Zusammenfassend lässt sich sagen, dass MCP ein vielversprechendes Konzept ist: eine Standardschnittstelle zwischen KI und der digitalen Welt. Es lässt sich damit vergleichen, wie HTTP als Standard es Webbrowsern ermöglicht, mit jeder beliebigen Website zu kommunizieren, oder wie USB zum Standardanschluss für Geräte wurde. Diese Standards haben Innovationen vorangetrieben, da plötzlich alles miteinander kompatibel war. MCP als Standard könnte dasselbe für KI-Agenten und -Tools bewirken.

Wie können Sie als Entwickler oder Technologieführer nun von diesem abstrakten Konzept profitieren? Lassen Sie uns dies anhand eines konkreten Beispiels veranschaulichen, das sich auf einen realen Anwendungsfall konzentriert: die Umstellung einer Such- und Analyseplattform auf die Ära der agentenbasierten KI mithilfe eines MCP-Servers.

MCP-Server: Vernetzung von KI-Agenten mit Such- und Erkennungsfunktionen

Moderne gehostete Such- und Discovery-Engines bilden die Grundlage für Such- und Empfehlungsfunktionen auf Tausenden von Websites und in Apps. Ihre schnellen APIs sowie ihre robusten Funktionen für Indizierung, Abfrage und Analyse sind seit langem bei Entwicklern sehr beliebt. Mit dem Aufkommen der agentenbasierten KI gibt es nun eine einfache Möglichkeit für KI-Agenten, diese Funktionen zu nutzen: den MCP-Server. Er fungiert als Adapter, der es einer KI ermöglicht, Suchvorgänge durchzuführen, Analysen abzurufen und sogar Suchindizes mithilfe natürlicher Sprache zu ändern.

Einfach ausgedrückt „bringt“ der MCP-Server einem KI-Assistenten bei, wie er verschiedene Vorgänge in Ihrem Suchkonto ausführen kann – so, als wäre die KI ein Entwickler, der die API der Plattform nutzt.

Die KI muss die API nicht kennen; sie folgt lediglich der MCP-Schnittstelle, einem speziell für die Suche entwickelten Toolbelt, der natürliche Sprache in strukturierte Operationen übersetzt.

Dies ist kein Einzelfall. Der Ansatz von Algolia steht im Einklang mit einem breiteren Branchentrend hin zum standardisierten Einsatz von Tools. Amazon Web Serviceshat beispielsweise„Bedrock Agents“ eingeführt, damit große Sprachmodelle (LLMs) mehrstufige Aufgaben mit externen Daten ausführen können, und nutzt dabei ausdrücklich MCP zur Integration in Unternehmenssysteme.Die neue „Agentforce“-Plattform von Salesforce ermöglicht es KI-Agenten ebenfalls, Aktionen über verschiedene Geschäftsanwendungen hinweg auszuführen, wobei Plugins über MCP mit einer wachsenden Bibliothek von Konnektoren von Drittanbietern unterstützt werden. Kurz gesagt: Viele große Akteure erkennen den Wert eines universellen Adapters für KI. MCP entwickelt sich zunehmend zu dieser gemeinsamen Schnittstelle.

Was der MCP-Server leisten kann

Die KI (über MCP) kann mindestens drei große Kategorien von Aktionen ausführen:

• Daten oder Objekte aus einem Index abrufen, einen Index durchsuchen oder darin blättern oder bestimmte Datensätze abrufen. Dies umfasst typische Suchanfragen, einschließlich Filterung, Facettierung und Analyseabfragen.
• Daten zu einem Index hinzufügen. Die KI kann neue Datensätze indizieren oder bestehende aktualisieren. Zum Beispiel: „Füge diesen Eintrag zu meinem Index hinzu“ oder Daten im Massenimport hinzufügen. Sie kann über API-Aufrufe effizient in Ihre Suchdatenbank schreiben.
• Indexkonfiguration aktualisieren. Die KI kann Einstellungen wie Ranking-Regeln, durchsuchbare Attribute und mehr anpassen.

Normalerweise werden diese Aufgaben über ein Dashboard oder durch Aufruf der API mittels eines SDK abgewickelt. Der MCP-Ansatz ist jedoch so konzipiert, dass sich die Suche problemlos in agentenbasierte Arbeitsabläufe und KI-zentrierte Umgebungen integrieren lässt. Wenn ein LLM Aufgaben koordiniert – beispielsweise ein lokaler KI-Assistent oder eine Automatisierungslösung –, bringt MCP die Suche ohne jeglichen benutzerdefinierten Code dorthin, wo Sie gerade arbeiten.

Entdecken Sie den MCP-Server von Algolia selbst

Der MCP-Server von Algolia steht Entwicklern derzeit zur Erkundung zur Verfügung. Er läuft als schlanker Node.js-Dienst, den Sie selbst hosten können (in der Regel lokal, Sie können ihn jedoch auch auf einem Server Ihrer Wahl ausführen). Eine vollständig verwaltete Cloud-Version ist noch nicht öffentlich verfügbar. Das Team arbeitet an einem gehosteten Angebot für die Zukunft, doch vorerst können Entwickler den Server herunterladen und ausführen. Nach der Authentifizierung mit Ihren Zugangsdaten können Sie eine Verbindung zu einem KI-Client herstellen. Mit der Claude-Desktop-App von Anthropic können Sie beispielsweise einen MCP-Server als „Plugin“ hinzufügen und sofort beginnen, Claude Fragen zu Ihren Daten zu stellen. Es sind keine besonderen Programmierkenntnisse erforderlich!

Beispielaufgaben:

• Suchvorgänge: „Durchsuche meinen Produktindex nach Nike-Schuhen unter 100 Dollar.“ Die KI sendet diese Anfrage ab und liefert Ergebnisse, genau so, als hättest du eine gefilterte Suchanfrage im Code geschrieben.
• Indexaktualisierungen: „Füge die zehn besten Programmierbücher anhand ihrer ISBNs als Objekt-IDs zu meinem Bibliotheksindex hinzu.“ Der Agent interpretiert diesen Befehl, ruft bei Bedarf Daten ab und ruft die Indizierungsfunktion auf – alles auf Basis eines einzigen Befehls in natürlicher Sprache.
• Analytics-Abfrage: „Wie hoch ist die Quote der Suchergebnisse ohne Treffer für meinen Produktindex in der Region DE? Erstelle dazu ein Diagramm mit React und Recharts.“ Der Agent ruft die Kennzahl ab und erstellt einen funktionsfähigen Codeausschnitt.
• Überwachung und Warnmeldungen: „Gibt es derzeit irgendwelche Vorfälle?“ oder „Wie hoch ist die aktuelle Latenzzeit für meinen E-Commerce-Index?“ Die KI kann Status-Endpunkte und Leistungskennzahlen in Echtzeit abfragen.
• Konfigurationsanpassungen: „Die durchsuchbaren Attribute für meinen Rezeptindex aktualisieren, um Zutaten einzubeziehen“ oder „Meinen Index so konfigurieren, dass Nebula-Award-Gewinner höher eingestuft werden.“ Die KI gibt die entsprechenden Einstellungsänderungen über MCP aus.

Alles, was über die Such-API möglich ist, lässt sich nun ganz einfach durch eine Anweisung an die KI erledigen. Es ist, als hätte man einen Assistenten, der die gesamte Dokumentation auswendig gelernt hat.

Warum dies für technische Teams wichtig ist

• No-Code-Analysen und -Überwachung: Nicht-technische Teammitglieder können komplexe Analysen anfordern, indem sie einen KI-Assistenten befragen, anstatt SQL-Abfragen zu schreiben oder Dashboards aufzurufen.
• Automatisierte Fehlerbehebung: Ein Agent, der in die Suchmetriken eingebunden ist, kann Probleme wie „Suchanfragen, die keine Ergebnisse liefern“ oder „Suchbegriffe mit vielen Klicks, aber geringer Konversionsrate“ erkennen und anschließend Lösungen vorschlagen oder umsetzen, beispielsweise durch Hinzufügen von Synonymen.
• Dynamische Indexverwaltung: In schnelllebigen Umgebungen wie dem E-Commerce kann ein Agent das Nutzerverhalten beobachten und die Indexeinstellungen in Echtzeit anpassen, um KPIs zu optimieren, Trendprodukte hervorzuheben oder Lücken aufzuzeigen.
• Mehrstufige Arbeitsabläufe: Mitarbeiter können die Suche mit anderen Systemen verknüpfen. So könnte beispielsweise ein Mitarbeiter, der mit der Verbesserung der Konversionsrate einer Website beauftragt ist, Suchanalysen mit Vertriebsdaten kombinieren und anschließend Aktualisierungen der Inhalte vorschlagen oder umsetzen. MCP-Server fungieren als modulare Plugins: eines für die Suche, eines für eine Datenbank und eines für ein CMS.

Derzeit entspricht jede MCP-Aktion in der Regel einem einzelnen API-Aufruf oder einer einzelnen Operation. Was aber, wenn die Erfüllung einer Benutzeranfrage eine Abfolge von Aufrufen erfordert? Dies ist ein Bereich, der derzeit aktiv erforscht wird. Ein Ansatz besteht darin, gebündelte oder zusammengesetzte Operationen einzuführen: beispielsweise eine einzige „setup_new_index“-Aktion, die im Hintergrund mehrere API-Aufrufe ausführt, um einen Index anzulegen, dessen Konfiguration festzulegen und erste Datensätze hinzuzufügen. Das Ziel wäre es, komplexe Abläufe für den Agenten zu vereinfachen. Das Algolia-Team beobachtet, wie Entwickler den Server nutzen, um festzustellen, welche Muster bei mehreren Aufrufen häufig vorkommen, und erwägt, kombinierte Aktionen anzubieten, um diese zu optimieren. Ein experimentelles Konzept namens„MCP BatchIt“ legt nahe, dass es möglich ist, Aufgaben aus Effizienzgründen zu bündeln, wobei im Wesentlichen mehrere Agent-Anfragen als ein einziger, optimierter Stapel behandelt werden. Wenn diese Ideen ausgereift sind, könnte die Aufgabe eines Agenten noch einfacher werden: Ein einziger übergeordneter Befehl könnte eine Kaskade von API-Aufrufen auslösen, die hinter den Kulissen sicher vom MCP-Server abgewickelt werden.

Um den Nutzen von MCP Server zu veranschaulichen, stellen Sie sich folgendes Szenario vor: Ein Merchandiser im Einzelhandel interagiert mit einem virtuellen Assistenten, der Suchanalysen anzeigen, inhaltliche Lücken aufzeigen und sofortige Lösungen empfehlen kann – und das alles im Rahmen eines Gesprächs. Genau diese Art von Arbeitsablauf ermöglichen MCP-gestützte Agenten.

Anwendungsfall: KI-Agent als Assistent für E-Commerce-Analysen

Nehmen wir Emma als Beispiel, eine Merchandising-Leiterin bei einem E-Commerce-Einzelhandelsunternehmen. Zu Emmas Aufgaben gehört es, zu beobachten, wonach Käufer auf ihrer Website suchen, und sicherzustellen, dass die Suchergebnisse und die Inhalte der Website den Kundenbedürfnissen entsprechen (eine Kombination aus Analyse und Optimierung). Derzeit nutzt Emma einen neuen KI-Assistenten, der in den Analyse-Workflow des Unternehmens integriert ist. Dieser Assistent hat Zugriff auf den Algolia-Suchindex des Unternehmens (über den MCP-Server) sowie auf andere relevante Tools. Hier ein Beispiel für eine mögliche Interaktion:

Emma: „Finde die zehn häufigsten Suchanfragen auf unserer Website im letzten Monat heraus und zeig mir deren Klickrate (CTR), Konversionsrate (CVR) und den damit erzielten Umsatz.“

KI-Assistent: Mithilfe des MCP von Algolia ruft die KI die Analysedaten zu den Top-10-Suchanfragen ab. Im Wesentlichen macht sie das, was auch ein Analyst tun würde: Sie ruft die Suchhäufigkeiten und die zugehörigen CTR- und CVR-Werte über die Analytics-API von Algolia ab. Anschließend liefert sie eine übersichtlich formatierte Tabelle als Antwort:

Abfrage	Klickquote (CTR)	Konversionsrate (CVR)	Umsatz
Abfrage A	45%	2%	$5,000
Abfrage B	38%	0.5%	$500
Abfrage C	30%	10%	$20,000
...	...	...	...

Emma stellt fest, dass eine Suchanfrage (Suchanfrage B) zwar eine ordentliche Klickrate (CTR) von 38 % aufweist (die Nutzer klicken auf die Ergebnisse), aber eine sehr niedrige Konversionsrate (CVR) von 0,5 % (wenige Käufe) und nur 500 Dollar Umsatz erzielt. Dies scheint eine Chance zur Verbesserung zu sein. Die Nutzer sind an etwas interessiert, finden aber nicht das, was sie kaufen möchten.

Emma: „Welche dieser Top-Suchanfragen weisen eine hohe Klickrate (CTR), aber eine niedrige Konversionsrate (CVR) auf? Und woran könnte das liegen?“

AI Assistant: The AI quickly filters the list (maybe “high CTR” >30% and “low CVR” <1% as criteria). It finds Query B (and maybe another). It then accesses context, possibly product data from other sources, to hypothesize reasons. It replies: “Queries ‘B’ and ‘X’ show high user interest (many clicks) but very low conversions. This could indicate mismatch in results, such as the products shown being too expensive (sticker shock), or not what users really want (relevance issues). It could also be an availability problem, maybe items are out of stock, or a poor landing experience, for example, the page is slow or confusing.”

Die KI hat im Grunde genommen die Aufgabe eines Analysten übernommen, nämlich Schwachstellen zu identifizieren. Nun möchte Emma Maßnahmen ergreifen.

Emma: „Was sollten wir tun, um die Konversionsrate für diese Suchanfragen zu steigern?“

KI-Assistent: Auf der Grundlage ihres Allgemeinwissens und des spezifischen Kontexts dieser Anfragen erstellt die KI eine Liste mit Vorschlägen. Zum Beispiel:

• „Erstellen Sie eine eigene Landingpage oder Kategorie für das Thema von Anfrage B, damit den Nutzern eine sorgfältig zusammengestellte Auswahl an Artikeln angezeigt wird.“
• „Passen Sie das Suchranking für die Suchanfrage B so an, dass Artikel unter 50 $ bevorzugt angezeigt werden, falls der Preis eine Rolle spielt (da Artikel mit niedrigerem Preis möglicherweise eine höhere Konversionsrate erzielen).“
• „Erwägen Sie bei der Suchanfrage X, relevante Synonyme hinzuzufügen oder die Suchanfrage auf eine relevantere Ergebnisseite umzuleiten, falls die aktuellen Ergebnisse der Suchabsicht des Nutzers nicht gerecht werden.“
• „Sehen Sie sich die Produktdetailseiten für die Artikel aus Abfrage B an – fügen Sie gegebenenfalls bessere Beschreibungen oder Bewertungen hinzu, um das Vertrauen der Käufer zu stärken.“

Es könnte sogar nahelegen, Funktionen wie dynamisches Re-Ranking oder A/B-Tests zu nutzen, um zu sehen, was funktioniert.

Emma finden diese Ideen gut und bittet nun um etwas, das sie ihrem Team vorstellen kann:

Emma: „Kannst du diese Ergebnisse und Empfehlungen in einem kurzen Bericht zusammenfassen, den ich dem Team vorlegen kann? Gestalte ihn ansprechend und hebe die möglichen Auswirkungen hervor.“

KI-Assistent: Die KI wechselt in den Modus zum Verfassen von Berichten. Dabei greift sie möglicherweise auf eine Vorlage zurück oder nutzt einfach ihre eigenen Formatierungsfähigkeiten. Als Ergebnis erstellt sie einen Kurzbericht (dies kann ein PDF, eine HTML-Datei oder bei Integration in ein Tool sogar eine Präsentation sein). Der Bericht trägt den Titel „Aktionsplan: Umwandlung von Suchanfragen mit hoher Kaufabsicht in Verkäufe“. Er enthält:

• Zusammenfassung des Problems: z. B. „Die Suchanfragen B und X weisen eine hohe Interaktion, aber eine geringe Konversionsrate auf, was auf unerfüllte Kundenbedürfnisse hindeutet.“
• Wichtige Daten: ein Diagramm oder eine Tabelle mit den Kennzahlen (die KI könnte sogar ein von ihr generiertes Diagrammbild einbetten oder im einfachsten Fall ASCII-Diagramme).
• Empfehlungen: Eine Aufzählung der zuvor genannten Vorschläge, unterteilt in die Kategorien „Schnelle Erfolge“ und „Langfristige Maßnahmen“. Ein schneller Erfolg könnte beispielsweise lauten: „Ein Synonym für den Begriff X hinzufügen, um die richtigen Produkte anzuzeigen“, während eine langfristige Maßnahme lauten könnte: „Eine neue Inhaltsseite zum Thema der Suchanfrage B planen.“
• Erwartete Auswirkungen: Die KI könnte eine Schätzung vornehmen wie: „Wenn wir die Konversionsrate bei Suchanfrage B von 0,5 % auf 2 % steigern, bedeutet das einen zusätzlichen Umsatz von X $ pro Monat“, um den geschäftlichen Kontext zu verdeutlichen.

Zum Vergleich: In ähnlichen realen Szenarien konnten Teams durch solche Anpassungen messbare Verbesserungen erzielen. So könnte beispielsweise eine Steigerung der Klickrate (CTR) von 38 % auf 45 % und der Konversionsrate (CVR) von 0,5 % auf 2 % bei einer stark frequentierten Suchanfrage wie B zu einem zusätzlichen monatlichen Umsatz von 4.500 $ führen. Auch die Sitzungsdauer könnte steigen – in einem Fall um 15–20 Sekunden –, da sich die Käufer intensiver mit relevanten Produkten beschäftigten. Diese Art von Verbesserungen steigert nicht nur den unmittelbaren Umsatz, sondern deutet auch auf eine langfristig positivere Interaktion auf der Website hin.

Emma verfügt nun bereits nach 5 bis 10 Minuten Dialog über Erkenntnisse und einen Plan, für deren Erstellung sie sonst Tage voller Analysen und Besprechungen benötigt hätte. Der KI-Agent, der Algolia über MCP nutzt und dabei seine eigenen Schlussfolgerungs- und Präsentationsfähigkeiten einsetzt, fungierte gleichzeitig als Analyst, Berater und Assistent.

Dieses Beispiel ist keine Science-Fiction. Es basiert auf tatsächlichen Demos, die Teams intern durchgeführt haben. Die KI hat das Problem schnell von Anfang bis Ende gelöst, indem sie Daten gesammelt, Maßnahmen vorgeschlagen und einen Bericht erstellt hat. Wichtig ist, dass die KI nicht völlig auf sich allein gestellt handelt. Sie fungiert als Partnerin für Emma und erweitert deren Fähigkeiten. Emma wendet nach wie vor ihr eigenes Urteilsvermögen auf die Vorschläge der KI an. Schließlich ist die KI ein Hilfsmittel und kein Ersatz für Strategie.

Für Entwickler bedeutete die Umsetzung dieses Szenarios nicht, dass sie Tausende von Zeilen Integrationscode schreiben mussten. Sie mussten lediglich den Algolia-MCP-Server ausführen und ihn mit einer KI verbinden, die MCP versteht. Das ist die Stärke des Standardprotokolls. Sobald die Verbindung hergestellt war, „wusste“ die KI, wie man Algolia nutzt – einschließlich fortgeschrittener Funktionen wie dem Abrufen von Analysedaten oder dem Erstellen eines Diagramms –, da diese Funktionen über MCP bereitgestellt wurden.

Über die Analytik hinaus: weitere Anwendungsmöglichkeiten für den Einzelhandel und den E-Commerce

Auch wenn der Anwendungsfall „Analytik und Optimierung“ überzeugend ist, kann agentische KI in vielen Bereichen eines Einzelhandelsunternehmens und tatsächlich in jedem Unternehmen, das Suchfunktionen und Daten nutzt, von Vorteil sein. Hier sind einige weitere Beispiele, in denen KI-Agenten unter Einsatz von Algolia ihre Stärken ausspielen können:

• Personalisierter Einkaufsassistent: Stellen Sie sich einen KI-Agenten auf einer E-Commerce-Website vor, der komplexe Kundenanfragen bearbeiten kann. Ein Kunde könnte in einem Chat fragen: „Ich brauche ein Geschenk zum Geburtstag meiner Frau, sie liebt Wandern und die Farbe Blau, unter 100 Dollar.“ Der KI-Agent könnte über Algolia eine gefilterte Suche durchführen (z. B. nach Wanderartikeln, in der Farbe Blau und im vorgegebenen Budget) und diese sogar mit Nutzerbewertungen abgleichen, indem er einen anderen Dienst aufruft. Anschließend würde er einige personalisierte Empfehlungen präsentieren und sogar erklären, warum jeder Artikel der Anfrage entspricht. Es ist wie ein Concierge im Dialog. Im Hintergrund nutzt der Agent die Such-API von Algolia (über MCP) für die Produktsuche, möglicherweise ein Tool zur Stimmungsanalyse für Bewertungen usw., und plant die gesamte Interaktion schrittweise.
• Bestands- und Bestellagent: Teams im Einzelhandelsbetrieb könnten einen KI-Agenten nutzen, um den Bestandsstatus abzufragen oder Lagerbestände zu aktualisieren. Zum Beispiel: „KI, überprüfe, ob bei bestimmten Produkten der Lagerbestand niedrig ist, und bestelle gegebenenfalls nach.“ Der Agent könnte das MCP-Protokoll nutzen, um Bestandsdaten aus einer indizierten Datenbank abzufragen, Artikel zu identifizieren, deren Bestand unter einen Schwellenwert gefallen ist, und anschließend eine E-Mail auslösen oder über eine andere Integration eine Bestellung aufgeben. Dies könnte sogar so geplant werden, dass es regelmäßig erfolgt. Im Wesentlichen könnten Sie einen autonomen Agenten einsetzen, der Ihren Lagerbestand im Blick behält, indem er Daten aus Ihren Systemen ausliest und in diese schreibt.
• Erstellung und Indizierung von Inhalten: Viele Plattformen bieten eine Inhaltssuche an, und für die Erstellung von Inhalten wird häufig KI eingesetzt. Ein praktisches Szenario ist der Einsatz eines Agenten, der neue Inhalte (wie Produktbeschreibungen, Blogbeiträge oder Landingpages) generiert und diese sofort indiziert. Wenn beispielsweise eine neue Produktlinie auf den Markt gebracht wird, könnte ein KI-Agent einen Beschreibungsentwurf erstellen, relevante Schlüsselwörter vorschlagen und diesen in den Suchindex aufnehmen, sodass er durchsuchbar ist – und das alles, noch bevor ein Mensch ihn überhaupt überprüft hat. Der Mensch kann den Inhalt dann freigeben oder anpassen. Algolia hat kürzlich Funktionen eingeführt, die generative KI nutzen, um aus Produktdaten Kaufratgeber zu erstellen (z. B. „Die besten Fernseher unter 500 Dollar“). Ein Agent könnte Ähnliches leisten: Top-Produkte abrufen, einen Vergleich erstellen und diesen Ratgeber in ein CMS oder einen Index einfügen, damit Kunden ihn lesen können.
• Fehlerbehebung im Kundensupport: Denken Sie über den Einkauf hinaus auch an den Support nach dem Kauf. Ein Kunde sagt: „Ich habe die Bestellung Nr. 12345 noch nicht erhalten. Wie ist der Status?“ Ein KI-Agent könnte die Bestellnummer erfassen, den Bestellstatus in einer Datenbank oder über eine API überprüfen, die Versandinformationen abfragen und mit einem aktuellen Statusbericht antworten. Wenn der Kunde daraufhin sagt: „Sie hätte eigentlich schon hier sein müssen“, könnte der Agent sogar ein Support-Ticket erstellen oder eine Lösung anbieten (z. B. eine Rückerstattung veranlassen oder eine Nachbestellung vornehmen), indem er mit den entsprechenden Systemen interagiert. Viele Supportanfragen beinhalten das Abrufen von Informationen (die sich in einem indexierten Hilfeartikel oder FAQ-System oder in anderen Systemen für Bestelldaten befinden könnten) und das Ausführen einer Aktion (wie das Aktualisieren einer Bestellung). Agenten können diese Schritte nahtlos miteinander verbinden. KI-Agenten beziehen bereits Informationen aus Wissensdatenbanken, CRM-Daten und E-Commerce-Plattformen, um viele Supportanfragen vollständig zu automatisieren. Es ist leicht zu erkennen, wie MCP hier zum Einsatz kommen könnte, sofern Ihre FAQs oder Produktinformationen darin gespeichert sind.
• Intelligente Inhaltssuche für Medien: Das Konzept der agentenbasierten Suche beschränkt sich nicht nur auf den Handel. Auch Medienunternehmen (oder jedes andere Unternehmen mit umfangreichen Inhalten) können KI-Agenten einsetzen. So könnte beispielsweise eine Nachrichtenredaktion einen KI-Agenten nutzen, der Lesern oder Journalisten bei der Orientierung in den Inhalten hilft. Ein Leser könnte fragen: „Gib mir eine Zusammenfassung von allem, was wir über die Landung der Marsmission wissen“, und der Agent würde den Nachrichtenindex durchsuchen, relevante Artikel finden und eine Zusammenfassung mit Links erstellen. Intern könnte ein Journalist einen Agenten für Recherchen nutzen: „Durchsuche unser Archiv nach Interviews mit Dr. Smith aus den letzten fünf Jahren“ und anschließend: „Fasse daraus ihre Standpunkte zum Klimawandel zusammen.“ Der Agent würde die Artikel aus dem Algolia-Index abrufen (sofern das Archiv indexiert ist) und eine prägnante Zusammenfassung erstellen. Das spart enorm viel Zeit bei der Recherche und eröffnet neue Möglichkeiten der Interaktion mit Inhalten.
• Branchenspezifische Assistenten in anderen Branchen: Jede App mit umfangreichen Daten oder Funktionen könnte potenziell einen KI-Copiloten erhalten. Nehmen wir zum Beispiel AllTrails, eine Plattform für Wanderwege mit einer mobilen App und umfangreichen Wegdaten. Dort könnte ein KI-Agent integriert werden, der als Assistent bei der Wegsuche fungiert. Ein Nutzer könnte fragen: „Finde mir einen einfachen Wanderweg in Colorado mit toller Aussicht und Campingplätzen in der Nähe.“ Der Agent könnte diese Anfrage analysieren, die Algolia-Suche nutzen (sofern AllTrails die Wanderwegdaten damit indexiert), um Wanderwege nach Ort, Schwierigkeitsgrad und Bewertung zu filtern, und dann anhand von Tags oder Bewertungen überprüfen, welche davon über Campingplätze oder Aussichtspunkte verfügen. Er könnte sogar die Wettervorhersage über eine andere API abrufen, um sicherzustellen, dass es ein guter Zeitpunkt für einen Ausflug ist. Die Antwort könnte lauten: „Probier doch mal den Bear Lake Trail aus – er ist einfach, bietet einen wunderschönen Blick auf den See und es gibt Campingplätze 2 Meilen vom Ausgangspunkt entfernt. Das Wetter dort sieht dieses Wochenende sonnig aus.“ Das ist ein umfassendes, datenübergreifendes Erlebnis. Stell dir in ähnlicher Weise einen KI-Agenten in einer SaaS-Lösung für das Projektmanagement vor: Du könntest fragen: „Fasse den Projektstatus für Projekt Alpha und etwaige Hindernisse zusammen.“ Der Agent könnte Aufgabenstatus, aktuelle Updates und sogar Slack-Nachrichten – sofern integriert – durchsuchen, um eine kurze Zusammenfassung zu liefern. Oder in einem Business-Intelligence-Tool könnte ein Nutzer in einfachem Englisch nach einem Diagramm oder einer bestimmten Analyse fragen, und der Agent könnte die relevanten Daten abrufen und diese erstellen.

In all diesen Fällen ist das gemeinsame Thema, dass der KI-Agent Zugriff auf zuverlässige Daten und die Fähigkeit benötigt, bestimmte Aktionen in Echtzeit auszuführen. Ein Such- und Indizierungssystem enthält oft geschäftskritische Informationen (wie Produktdetails, Analysen zum Nutzerverhalten und Inhalte) und dient zudem als Steuerungsstelle für Aspekte wie Merchandising-Regeln und Empfehlungseinstellungen. Mit einer MCP-Schnittstelle werden diese Funktionen für KI-Agenten wesentlich leichter zugänglich. Entwickler müssen kein Suchtool eigens programmieren. Die Funktionalität wird bereits über den MCP-Server bereitgestellt. Dies verkürzt die Entwicklungszeit und fördert das Experimentieren, sodass sich Teams auf die KI-Logik und die Benutzererfahrung konzentrieren können, anstatt sich mit Low-Level-API-Integrationen zu beschäftigen.

Erste Schritte: So entwickeln Sie mit MCP und Algolia (praktische Anleitung)

Wenn Sie als Entwickler von diesen Möglichkeiten begeistert sind, fragen Sie sich wahrscheinlich, wie Sie eine agentenbasierte KI, die Algolia nutzt, konkret umsetzen können. Lassen Sie uns einen grundlegenden Weg für den Einstieg skizzieren und sogar einen kleinen Einblick in den Code geben.

1. Richten Sie den Algolia-MCP-Server ein

Zunächst benötigen Sie Zugriff auf ein Algolia-Konto – ein Konto der kostenlosen Stufe reicht bereits aus. Die „Build“-Stufe von Algolia ist kostenlos und bietet großzügige Limits. Halten Sie Ihre Anwendungs-ID und Ihren API-Schlüssel bereit. Starten Sie anschließend den Algolia-MCP-Server.Er ist als experimentelle Version auf GitHub verfügbar. Sie können beispielsweise die neueste Version des Algolia-MCP-Node.js-Servers herunterladen. Nach dem Herunterladen:

• Bei Algolia authentifizieren: Wenn Sie den Server mit einem Authentifizierungsbefehl starten, wird ein Browser geöffnet, in dem Sie sich bei Algolia anmelden können, um dem MCP-Server die Berechtigung zum Zugriff auf Ihre Indizes zu erteilen. Dabei werden Ihre Anmeldedaten sicher auf dem MCP-Server gespeichert.
• Starten Sie den MCP-Server: In der Regel mit einem Befehl wie „algolia-mcp start-server“. Nun ist er gestartet und wartet darauf, dass sich ein KI-Client verbindet. Standardmäßig kommuniziert er über STDIO oder einen lokalen Port. Die Details sind abstrahiert, aber im Wesentlichen bleibt er im Leerlauf, bis eine KI eine Anfrage an ihn richtet.

2. Verwenden Sie ein KI-Client-/Agent-Framework, das MCP unterstützt

Der einfachste Einstieg ist Claude Desktop, da Anthropic dieses Programm mit MCP-Unterstützung entwickelt hat. In den Einstellungen von Claude Desktop können Sie die Konfiguration für den Algolia-MCP-Server hinzufügen und dabei auf die soeben eingerichtete ausführbare Datei verweisen. Nach einem Neustart „erkennt“ Claude die Algolia-Tools. Von da an ist die Interaktion so einfach wie ein Chat mit Claude über Algolia. Sollte Claude nicht verfügbar sein, machen Sie sich keine Sorgen – es entstehen gerade weitere Konfigurationsmöglichkeiten. Einige Agent-Frameworks wie PydanticAI fügen derzeit MCP-Unterstützung hinzu, und Sie können die Integration jederzeit manuell über Python vornehmen. Sie könnten beispielsweise den MCP-Server als Unterprozess ausführen und Daten aus einem OpenAI- oder anderen LLM-Aufruf dorthin weiterleiten. Die Community entwickelt derzeit in raschem Tempo Konnektoren. In der offiziellen MCP-Dokumentation finden Sie aktuelle Informationen zu den unterstützten Clients.

3. Versuchen Sie es mit einer Abfrage in natürlicher Sprache

Nachdem nun alle Teile miteinander verbunden sind, probieren Sie es mit einfachen Eingaben an die KI aus. Zum Beispiel:

• „Wie viele Datensätze befinden sich in meinem Produktindex?“ Die KI sollte diese Anfrage über MCP an Algolia weiterleiten und die Anzahl zurückgeben.
• „Suche im Produktverzeichnis nach ‚Sneakers‘ und zeige die Namen und Preise der ersten drei Ergebnisse an.“ Die KI wird diese Anweisung wahrscheinlich in eine Suchaktion aufschlüsseln und anschließend die Ausgabe formatieren.
• Wenn Sie über Analysedaten verfügen, versuchen Sie es doch einmal mit folgender Frage: „Was waren letzte Woche die fünf häufigsten Suchanfragen auf meiner Website?“

Diese direkten Fragen helfen dabei, zu überprüfen, ob alles funktioniert. Sie werden feststellen, dass Sie keinen Code zur Anbindung an die Algolia-API geschrieben haben. Das hat das AI + MCP übernommen.

4. (Optional) Verwenden Sie Python, um mehr Kontrolle zu haben

Wenn Sie dies in eine Python-Anwendung integrieren möchten (beispielsweise beim Aufbau eines Backend-Dienstes oder eines individuelleren Agenten-Ablaufs), können Sie weiterhin MCP nutzen. Ein Ansatz besteht darin, über Standard-I/O eine Schnittstelle zum MCP-Server herzustellen. Ein weiterer Ansatz ist, die Funktionsweise von MCP einfach nachzubilden, indem Sie die Algolia-API über eine KI-Funktion aufrufen. Zu Lernzwecken wollen wir einen kurzen Vergleich zwischen der herkömmlichen API-Nutzung und der Nutzung von KI+MCP für eine bestimmte Aufgabe anstellen.

Herkömmlicher Ansatz (Beispiel mit dem Python-SDK): Angenommen, wir möchten alle Nike-Schuhe unter 100 Dollar im Index „products“ finden und deren Namen ausgeben. Mit der Python-API von Algolia würde man Folgendes tun:

from algoliasearch.search_client import SearchClient

# Initialize Algolia client and index
client = SearchClient.create('YourAppID', 'YourAdminAPIKey')
index = client.init_index('products')

# Perform a filtered search
results = index.search('', {"filters": "brand:Nike AND price<100"})
hits = results.get('hits', [])
for hit in hits[:3]:
    print(hit.get('name'), "-", hit.get('price'))

Dieser Code liefert dir die Antwort, aber du musst dich mit der API auskennen und diese Zeilen selbst schreiben.

Agentischer Ansatz (KI mit MCP): Sie geben der KI einfach Anweisungen in natürlicher Sprache, und im Hintergrund führt sie die entsprechenden Aufrufe aus:

User: Search my "products" index for Nike shoes under $100 and give me the first three results with name and price.
AI (thinking): Need to use Algolia search on 'products' with filter brand=Nike and price<100.
AI --- > MCP (query): { action: search, index: "products", filters: "brand:Nike AND price<100", attributesToRetrieve: ["name","price"] ... }
AI < --- MCP (response): [ {name: "Air Zoom Runner", price: 75}, {name: "Nike Flex", price: 60}, ... ]
AI (to user): "1) Air Zoom Runner - $75 2) Nike Flex - $60 3) ... "

Als Nutzer bekommt man diesen JSON-Austausch jedoch nicht mit – das übernimmt der Agent. Im Grunde tut er aber genau das, was der Python-Code getan hat, nur dass dies nun durch die Schlussfolgerungen der KI vermittelt wird. Der Vorteil besteht darin, dass man nun ganz einfach Folgefragen stellen oder dieses Ergebnis in eine umfassendere KI-gesteuerte Logik einbinden kann.

Wenn Sie einen Agenten programmieren würden, könnten Sie dennoch eine Funktion implementieren, die Algolia aufruft, und die KI diese Funktion ausführen lassen. Der Vorteil von MCP besteht darin, dass es sich um eine fertige Integration handelt. Sie müssen diese Funktion nicht selbst schreiben; sie ist standardisiert und funktioniert mit jeder KI, die MCP versteht.

5. Erweitern Sie das Ganze um weitere Tools oder Automatisierungsfunktionen

Sobald Ihre erste Integration reibungslos funktioniert, können Sie Ihren Agenten erweitern. Sie können beispielsweise einen MCP-Server für eine Vektordatenbank zur semantischen Suche anbinden oder einen E-Mail-MCP hinzufügen, damit der Agent Ihnen einen Bericht senden kann. Der Vorteil liegt in der Modularität.Das MCP-GitHub-Repositoryenthält beispielsweise Referenzserver für Slack, Google Drive, GitHub und weitere Dienste. Das Hinzufügen eines solchen Servers ist oft so einfach wie dessen Ausführung und die Benachrichtigung Ihres Agenten-Clients darüber.

6. Überwachen und optimieren

Wenn Sie einen agentenbasierten Workflow erstellen, sollten Sie diesen stets gründlich testen. Überprüfen Sie die Ergebnisse und achten Sie darauf, ob die KI sinnvolle Tool-Aufrufe durchführt. Sehen Sie sich unbedingt auch die Protokolle an, da viele MCP-Implementierungen es ermöglichen, die ausgeführten Abfragen einzusehen, sodass Sie Fehler beheben können, falls die KI etwas Unbeabsichtigtes tut.

Da diese Systeme noch neu sind, sollten Sie sie vorerst als Beta-Version betrachten und einen Agenten mit MCP nicht ohne Aufsicht direkt mit einer kritischen Aufgabe betrauen. Experimentieren Sie jedoch in einer sicheren Umgebung. So erhalten Sie Einblicke darin, wie die KI bei der Verwendung von Tools denkt. Möglicherweise stellen Sie beispielsweise fest, dass sie zu viele Daten anfordert oder ein Feld falsch interpretiert. In diesem Fall können Sie die Eingabeaufforderung oder das Schema anpassen oder sogar die Anweisungen für die KI verfeinern, um sie entsprechend zu lenken.

7. Gemeinschaft und Unterstützung

Da sich MCP noch in der Entwicklungsphase befindet, ist es hilfreich,Entwickler-Communities oder Forenbeizutreten, in denen andere damit experimentieren. Diese Plattformen eignen sich hervorragend, um Erfahrungen auszutauschen, Fragen zu stellen und aus Anwendungsfällen aus der Praxis zu lernen. Da viele Implementierungen noch im Versuchsstadium sind, sind die Betreuer oft offen für Feedback und daran interessiert zu erfahren, wie Entwickler das Framework nutzen und welche Verbesserungen sinnvoll sein könnten. Dies ist eine einzigartige Gelegenheit, zur Weiterentwicklung der Interaktion zwischen KI-Systemen und Tools sowie Daten beizutragen.

Zusammenfassend lässt sich sagen, dass es bei der Integration eines Tools über MCP in Python oder einer beliebigen anderen Umgebung hauptsächlich darum geht, den bereitgestellten Server auszuführen und einen KI-Client damit zu verbinden. Man schreibt nicht viel toolspezifischen Code; stattdessen konzentriert man sich darauf, gute Prompts zu erstellen und die Ausgabe der KI zu verarbeiten. Es handelt sich um eine Programmierweise auf höherer Ebene, die sich anfangs vielleicht etwas ungewohnt anfühlt – „Ich bitte den Computer, genau das zu tun, was ich auch direkt über eine API aufrufen könnte.“ Aber es eröffnet den Weg zu einer neuen Klasse von Anwendungen, bei denen die KI anhand von Benutzereingaben dynamisch entscheiden kann, wann und wie Tools eingesetzt werden sollen, wodurch Ihre Anwendung anpassungsfähiger und reaktionsschneller wird.

Bewährte Verfahren und Überlegungen zur agentenbasierten KI

Die Entwicklung mit KI-Agenten und MCP ist spannend, bringt aber auch neue Aspekte mit sich, die es zu berücksichtigen gilt. Im Folgenden wird ein Zyklus bewährter Vorgehensweisen vorgestellt, der als Leitfaden für eine sichere und durchdachte Umsetzung dienen kann. Jeder Schritt untermauert den nächsten und schafft so einen Kreislauf des kontinuierlichen Lernens und der kontinuierlichen Verbesserung.

• Fangen Sie klein an und bauen Sie dann schrittweise aus: Schließen Sie nicht gleich am ersten Tag zehn Tools an und lassen Sie die KI frei walten. Beginnen Sie mit einer Integration und einer eng gefassten Aufgabe. Beobachten Sie, wie sich der Agent verhält. Sobald Sie sich sicher sind, erhöhen Sie den Schwierigkeitsgrad oder fügen Sie weitere Tools hinzu. Dieser schrittweise Ansatz verhindert, dass Sie überfordert werden, und hilft dabei, Probleme einzugrenzen.
• Sicherheitsvorkehrungen und Berechtigungen: Auch wenn MCP-Server den Zugriff auf das beschränken, was Sie zulassen, sollten Sie dennoch sicherstellen, dass die KI nur das tut, was sicher ist. Erteilen Sie einem Agenten beispielsweise weitreichende Lesezugriffsrechte, unterwerfen Sie jedoch Schreibvorgänge wie das Aktualisieren eines Indexes oder das Aufgeben einer Bestellung einem zusätzlichen Bestätigungsschritt oder einer Beschränkung. Viele KI-Frameworks bieten die Möglichkeit, vor bestimmten Aktionen eine Bestätigung durch den Benutzer zu verlangen. Ziehen Sie außerdem Ratenbegrenzungen in Betracht. Sie möchten schließlich nicht, dass ein KI-Agent aufgrund eines Fehlers versehentlich Ihre Systeme mit Hunderten von Abfragen pro Sekunde überflutet.
• Überwachung und Protokollierung: Es kann nicht oft genug wiederholt werden: Protokollieren Sie alles, was der Agent mit den Tools tut. MCP-Server protokollieren häufig die von ihnen bearbeiteten Anfragen. Bewahren Sie diese Protokolle auf. Sie zeigen Ihnen, ob die KI etwas falsch verstanden hat. Wenn Sie beispielsweise nach „Nike-Schuhen unter 100 Dollar“ fragen und der Agent versehentlich den Index ohne Filter aufruft, werden Sie dies im Protokoll erkennen. Dies hilft auch dabei, die Eingabeaufforderung oder das Verhalten des Agenten zu optimieren. Betrachten Sie Protokolle als den „Gedankenausdruck“ des Agenten.
• Qualität des KI-Modells: Die Effektivität eines Agenten hängt auch von den Fähigkeiten des LLM ab. Ein fortgeschritteneres Modell mit guter Schlussfolgerungsfähigkeit und der Fähigkeit, Anweisungen zu befolgen, wird den Einsatz von Werkzeugen präziser ausführen. Kleinere Modelle erfordern möglicherweise sorgfältigere Eingabeaufforderungen und könnten bei der Formatierung von Abfragen mehr Fehler machen. In der Praxis haben sich Modelle wie Claude 2 oder GPT-4 in solchen Szenarien bewährt. Wenn Sie Open-Source-Modelle verwenden, können Sie Bibliotheken integrieren oder diese feinabstimmen, um das MCP-Schema besser zu befolgen.
• Benutzererfahrung und Vertrauen: Gestalten Sie die Interaktion mit dem Chatbot so, dass Vertrauen aufgebaut wird. Seien Sie transparent, wenn die KI Daten abruft oder es etwas länger dauern könnte. Anstatt beispielsweise zu schweigen, könnte der Chatbot etwas sagen wie: „Lassen Sie mich das in unserer Datenbank nachschlagen …“, um dem Nutzer zu versichern, dass er an der Anfrage arbeitet. Diese kleinen Rückmeldungen verringern Reibungspunkte und verhindern Verwirrung. Behandeln Sie Fehler zudem taktvoll. Wenn das System beispielsweise ausgefallen ist oder einen Fehler zurückgibt, sollte die KI dies erkennen und sich entschuldigen oder es später erneut versuchen, anstatt den Nutzer zu verwirren. Für Nutzer ist es neu, eine KI zu haben, die Maßnahmen ergreifen kann; daher ist es entscheidend, Vertrauen aufzubauen, dass sie das Richtige tut. Einfache UX-Maßnahmen wie das Anzeigen der Informationsquellen (z. B. „Laut unseren Suchprotokollen …“) können den Nutzern das Gefühl geben, die Kontrolle zu behalten.
• Beziehen Sie den Menschen mit ein: Für viele Anwendungsfälle ist ein Ansatz der Zusammenarbeit zwischen Mensch und KI am besten geeignet. Der Agent kann die Hauptarbeit übernehmen – Datenerfassung, erste Analyse, sogar Entscheidungsentwürfe –, während ein Mensch kritische Schritte überprüft oder genehmigt. So könnte ein Agent beispielsweise eine Empfehlung zur Preisänderung oder zur Einführung einer Werbeaktion vorbereiten, doch Sie könnten die Genehmigung eines Managers verlangen, bevor diese umgesetzt wird. Dies beugt nicht nur Katastrophen vor, sondern hilft der KI auch dabei, Grenzen zu lernen. Mit der Zeit und zunehmendem Vertrauen können Sie dann möglicherweise weitere Prozesse automatisieren.
• Sicherheitsüberprüfung: Wenn Sie eine neue Integration hinzufügen, beispielsweise einen MCP-Server, sollten Sie die Auswirkungen auf die Sicherheit sorgfältig abwägen. Diese Server fungieren als Brücken zu Ihren internen Systemen; daher ist es wichtig, der Quelle zu vertrauen oder die Implementierung gründlich zu überprüfen. Wenn Sie eine Open-Source-Version verwenden, nutzen Sie die Möglichkeit, deren Funktionsweise zu überprüfen. So können Sie beispielsweise die Funktionen einschränken, indem Sie sensible Aktionen aus dem Schema ausschließen oder die Verwendung von API-Schlüsseln auf Administratorebene vermeiden. Befolgen Sie stets das Prinzip der geringsten Berechtigungen. Gewähren Sie der KI nur den Zugriff, der zur Ausführung ihrer vorgesehenen Aufgabe erforderlich ist.

Wenn Sie sich an bewährte Vorgehensweisen halten, können Sie das Potenzial der agentenbasierten KI optimal ausschöpfen und gleichzeitig unnötige Risiken vermeiden. Da es sich noch um ein neues Paradigma handelt, ist es wichtig, bei der Konzeption umsichtig und durchdacht vorzugehen. Viele Unternehmen befinden sich noch in der Experimentierphase mit Agenten, und das ist völlig in Ordnung. Jetzt ist die Zeit, zu erforschen, zu testen und zu verstehen, was funktioniert und was nicht.

Die MCP-Revolution und wie es weitergeht

Agentische KI ist der nächste Schritt weg von einer KI, die nur redet, hin zu einer, die tatsächlich handelt, und MCP ist ein entscheidender Faktor, der dies in großem Maßstab ermöglicht. So wie HTTP standardisierthat, wie Informationen im Web abgerufen werden,standardisiert MCP, wie KI-Systeme Aktionen ausführen und Daten softwareübergreifend abrufen. Es gibt KI-Agenten eine gemeinsame Sprache, um mit jedem Tool oder Dienst zu interagieren – ähnlich wie USB Computern eine gemeinsame Möglichkeit gegeben hat, mit jedem Gerät zu arbeiten.

Für Entwickler und Führungskräfte im Technologiebereich bedeutet dies, dass die Erstellung KI-gesteuerter Arbeitsabläufe nun einfacher und leistungsfähiger geworden ist. Anstatt bei jeder Integration das Rad neu zu erfinden, können Sie MCP-Adapter wie den Algolia-MCP-Server nutzen, um Ihre KI in etablierte Plattformen zu integrieren. Das Beispiel von Algolia verdeutlicht den Vorteil:

Mit minimalem Einrichtungsaufwand kann ein KI-Agent plötzlich auf die Suchtechnologie eines ganzen Jahrzehnts zurückgreifen, komplexe Suchanfragen durchführen und Suchkonfigurationen optimieren – und das alles über Eingaben in natürlicher Sprache.

Warum ist das für den Einzelhandel (und darüber hinaus) von Bedeutung? Weil es die Geschwindigkeit und Intelligenz, mit der Unternehmen auf Daten reagieren, grundlegend verbessern kann. KI-Agenten werden den Menschen nicht ersetzen, sondern Teams ergänzen: Sie übernehmen mühsame Datenauswertungen, gewinnen Erkenntnisse und treffen sogar Routineentscheidungen. Dadurch werden menschliche Ressourcen freigesetzt, die sich nun auf Strategie, Kreativität und die differenzierten Entscheidungen konzentrieren können, zu denen die KI allein noch nicht in der Lage ist. Unternehmen, die diese Unterstützung nutzen, können bessere Kundenerlebnisse bieten (durch Personalisierung, schnelleren Support und relevantere Angebote) und intern effizienter arbeiten (durch Automatisierung und intelligentere Analysen).

Es ist anzumerken, dass wir uns noch in einer frühen Phase befinden. Experimentieren ist entscheidend. Manche Arbeitsabläufe werden sich als äußerst wertvoll erweisen, andere könnten sich als reine Spielerei herausstellen. Indem Sie verschiedene Dinge ausprobieren – beispielsweise einen KI-Agenten einrichten, der Ihre Suchanalysen überwacht –, werden Sie herausfinden, wo der tatsächliche ROI für Ihr Unternehmen liegt. Die Technologie verbessert sich von Monat zu Monat, und was heute noch experimentell anmutet, könnte in einem Jahr bereits gängige Praxis sein.

Algolias Schritt, agentische KI über MCP zu unterstützen, signalisiert eine klare Zukunftsvision: Die Suche entwickelt sich von einem statischen Frage-Antwort-Feld zu einer aktiven, eingebetteten Intelligenz innerhalb umfassenderer KI-Systeme. Der Fokus lag bei der Suche schon immer auf Geschwindigkeit und Relevanz, nun kommen Flexibilität und Vernetzung hinzu. Wenn die hier skizzierten Möglichkeiten Ihr Interesse wecken, ist jetzt der ideale Zeitpunkt, um selbst Hand anzulegen. Verbinden Sie einen KI-Agenten mit Ihrem Algolia-Index und sehen Sie, was sich daraus ergibt. Überlegen Sie gemeinsam mit Ihrem Team, wo ein KI-Copilot Zeit sparen oder neue Möglichkeiten eröffnen könnte.Mit MCP ist die Einstiegshürde niedriger denn je. Es besteht keine Notwendigkeit, alles von Grund auf neu zu entwickeln, da bereits so viele Bausteine vorhanden sind.

Abschließend lässt sich sagen, dass agentische KI das Potenzial hat, digitale Erlebnisse neu zu definieren – ähnlich wie es vor Jahrzehnten der Aufstieg des Internets tat. Ein Standard wie MCP ist ein großer Schritt in Richtung dieser Zukunft, da er Reibungsverluste zwischen KI und der vielfältigen Landschaft digitaler Tools beseitigt. Was HTTP für das Internet geleistet hat, könnte MCP für das KI-Ökosystem leisten, indem es eine universelle, offene Ebene schafft, auf der jeder aufbauen kann. Wir sind gespannt, wie es weitergeht.

Möchten Sie mehr erfahren? Wir bieten Demos unserer KI-Such- und MCP-Funktionen an. Das ist Ihre Gelegenheit, die Funktionen live mit Ihren eigenen Daten zu erleben.Fordern Sie eine Demo an, wenn Sie sehen möchten, wie sich ein KI-Agent in Algolia integrieren lässtund Ihre Such- und Entdeckungsfunktionen verbessert, oderprobieren Sie den Algolia MCP-Server selbst ausund gestalten Sie die Zukunft KI-gesteuerter Erlebnisse.

---

Fordern Sie eine Demo der KI-Suchlösung von Algolia an.

Demo anfordern

Erfahren Sie mehr über agentenbasierte KI, den MCP-Server und die KI-Suche.

Mehr erfahren