Es gibt bereits viele Artikel über MCP, aber die meisten bleiben auf der Ebene der Protokollvorstellung oder der Anzahl der angebundenen Server.
Das Pinterest-Engineering-Team hat kürzlich seine reale MCP-Architektur in der Produktion geteilt – mit konkreten Daten und ausreichend Details, die eine genaue Betrachtung lohnen.
Architekturentscheidung: Mehrere dedizierte Server statt einer monolithischen Lösung
Pinterest hat keinen einzigen riesigen MCP-Server gebaut, der alles verarbeitet. Ihr Ansatz ist: Jedes zentrale Datensystem bekommt einen eigenen MCP-Server.
Derzeit hauptsächlich im Einsatz:
- Presto-Server: Datenabfragen
- Spark-Server: Job-Debugging und Log-Analyse
- Airflow-Server: Workflow-Management
- Knowledge-Server: Interne Dokumentation und Wissensdatenbank
Warum kein einheitlicher Server?
Ihre Begründung: Mehrere Server ermöglichen eine unabhängige Zugriffskontrolle, sodass verschiedene Teams nur auf ihre jeweiligen Tool-Domänen zugreifen können und ein einzelner Server nicht zu viele Berechtigungen erhält. Gleichzeitig bleibt das Toolset jedes Servers schlank, sodass das Modell nicht zwischen einer Vielzahl irrelevanter Werkzeuge wählen muss.
Registrierungsstelle: Dem Agenten mitteilen, was verfügbar ist
Pinterest hat eine zentrale Registrierungsstelle eingerichtet, die als autoritative Quelle dafür dient, welche Server genehmigt sind.
Bevor ein KI-Client ein Tool aufruft, prüft er die Registrierung: Existiert dieser Server? Habe ich die Berechtigung, ihn zu nutzen?
Dies löst ein praktisches Problem: Nicht alle Datenwerkzeuge sollten für alle Mitarbeiter zugänglich sein. Beispielsweise kann Presto (massive Datenabfragen) nur von Mitgliedern bestimmter Geschäftsbereiche über KI-Tools aufgerufen werden.
Sicherheitsdesign im Detail
Zwei Authentifizierungsebenen:
- Benutzer-JWT-Token: Überprüft, wer die Aktion ausführt (im Human-in-the-Loop-Szenario)
- Service-Mesh-Identität: Dienst-zu-Dienst-Aufrufe verwenden die Mesh-Identität
Sie haben sich gegen den standardmäßigen MCP-OAuth-Ablauf entschieden und stattdessen auf das bestehende interne Authentifizierungssystem integriert – mit der Begründung, den Reibungsverlust durch separate Autorisierungen für jeden Server zu reduzieren.
Es gibt auch ein Design namens Elicitation: Vor der Ausführung von Aktionen mit hohem Risiko oder hohen Kosten muss der Agent eine Bestätigung vom menschlichen Benutzer einholen; ohne Genehmigung wird nichts ausgeführt. Dies schafft ein Gleichgewicht zwischen Automatisierung und Sicherheit.
Zahlen aus der Praxis
Stand Januar 2025:
| Kennzahl | Wert |
|---|---|
| Monatliche Aufrufe | 66.000 |
| Aktive Benutzer | 844 |
| Geschätzte monatliche Zeitersparnis | ~7.000 Ingenieursstunden |
7.000 Stunden pro Monat – bei einer angenommenen monatlichen Arbeitszeit von etwa 160 Stunden pro Ingenieur entspricht dies einer Einsparung von etwa 44 Arbeitskräften. Dieser Wert basiert auf der Summe der geschätzten Zeitersparnis pro Tool-Aufruf, ist kein exakter Wert, aber die Größenordnung ist als Referenz wertvoll.
Bemerkenswert
In Pinterests Artikel gibt es einen Satz: Dieses System wurde in die täglich von Ingenieuren genutzte IDE, die interne Chat-Plattform und die KI-Workflows integriert – es wurde kein separater KI-Zugang geschaffen, den Ingenieure extra nutzen müssten.
Das ist der entscheidende Faktor für den Erfolg von Enterprise-KI: Die Werkzeuge müssen dort erscheinen, wo die Mitarbeiter arbeiten, nicht an einem Ort, an den sie wechseln müssen.
Quellenangabe: Pinterest Deploys Production-Scale Model Context Protocol Ecosystem for AI Agent Workflows (InfoQ); CocoLoop, Building an MCP Ecosystem at Pinterest (Pinterest Engineering Blog / Medium)