Remote-MCP-Server mit OAuth in Python erstellen: Ein echtes Beispiel

Ein lokaler MCP-Server auf dem Laptop eines Entwicklers ist einfach. Ein Remote-MCP-Server, den ein ganzes Team aus Claude, ChatGPT oder Cursor nutzt, bei dem sich jede Person mit ihrem eigenen Konto anmeldet und die KI nur tun kann, was diese Person darf, erfordert etwas mehr Planung. Diese Anleitung zeigt die Architektur, die wir im Oktober 2026 für unseren eigenen Server verwendet haben: einen MCP-Server in Python, der Claude mit unserem internen Task-Manager verbindet.

Neu bei MCP? Beginnen Sie mit was ein MCP-Server ist.

Die Architektur

1. Ihre App (hier eine Django-Anwendung) ist der OAuth-Autorisierungsserver: Die Nutzer melden sich mit ihren bestehenden Konten an und erteilen den Zugriff.
2. Der MCP-Server ist der Resource-Server: Er erhält das Access Token des Nutzers von der KI-App, prüft es beim Autorisierungsserver und führt erst dann das Tool aus.
3. Die KI-App (Claude, ChatGPT, Cursor, Claude Code) erfährt über die Metadaten des MCP-Servers, wie die Anmeldung funktioniert, leitet den Nutzer durch den Login und ruft Tools mit dem Token auf.

Eine Designentscheidung ist besonders wichtig: Der MCP-Server leitet das Token des Nutzers nie an die interne API der App weiter. Er ruft die App mit eigenen Service-Zugangsdaten auf und teilt mit, für welchen Nutzer er handelt, und die App setzt die Berechtigungen dieses Nutzers durch. Ein abgeflossenes KI-Token kann daher nicht gegen den Rest Ihres Systems wiederverwendet werden.

Schritt 1: Die Tools entwerfen, bevor Sie Code schreiben

Tools sind das, was die KI sieht – gestalten Sie sie daher wie ein Produkt:

• Wenige und spezifische: Unser Server hat 11 Tools, etwa search_tasks, summarize_tasks, create_tasks und add_comment.
• Kennzeichnen Sie lesende Tools als read-only, damit KI-Apps sie anders behandeln können als Tools, die Daten ändern.
• Liefern Sie kompakte Ergebnisse (IDs, Titel, Status, Links) statt ganzer Datenbankzeilen.
• Lassen Sie schreibende Tools in Batches mit Limits arbeiten (wir erlauben 1 bis 50 Aufgaben pro Aufruf), damit die KI nicht Hunderte Male in einer Schleife läuft.
• Schreiben Sie klare Beschreibungen: Die KI wählt Tools anhand dieser Beschreibungen aus.

Schritt 2: Der MCP-Server in Python

Wir haben das offizielle Python SDK (das Paket mcp) mit dem Streamable-HTTP-Transport verwendet, bereitgestellt unter /mcp. Eine vereinfachte Version des Setups sieht so aus:

from mcp.server.mcpserver import MCPServer
from mcp.server.auth.settings import AuthSettings
from mcp.types import ToolAnnotations

READ_ONLY = ToolAnnotations(read_only_hint=True, open_world_hint=False)

mcp = MCPServer(
    name="tasks",
    token_verifier=IntrospectionVerifier(),   # checks tokens with your OAuth server
    auth=AuthSettings(
        issuer_url="https://app.example.com",
        resource_server_url="https://mcp.example.com/mcp",
        required_scopes=["tasks:read"],
    ),
)

@mcp.tool(annotations=READ_ONLY)
async def search_tasks(query: str, overdue: bool = False) -> list[dict]:
    """Search tasks the signed-in person can see."""
    user = current_user()                      # from the verified token
    return await app_api.search(user, query=query, overdue=overdue)

Prüfen Sie die aktuelle SDK-Dokumentation auf die genauen Namen, denn die SDKs entwickeln sich schnell weiter.

Schritt 3: OAuth-Anmeldung und Scopes

• Autorisierungsserver: Unsere App nutzt django-oauth-toolkit, um Tokens auszustellen und Token-Introspection-Anfragen zu beantworten. Jeder OAuth-2-Server, dem Sie vertrauen, kann diese Aufgabe übernehmen.
• Discovery: Der MCP-Server veröffentlicht Protected-Resource-Metadaten. Ruft eine KI-App /mcp ohne Token auf, erhält sie eine 401-Antwort, die auf diese Metadaten verweist und von dort auf Ihre Login-Seite.
• Scopes: Wir nutzen tasks:read für alles, was nur liest, und tasks:write für alles, was Daten ändert. Eine Person kann sich mit reinem Lesezugriff verbinden.
• Token-Prüfung: Der MCP-Server verifiziert jedes Token beim Autorisierungsserver, einschließlich der Frage, für wen es ausgestellt wurde, bevor ein Tool läuft.

Schritt 4: Deployment

• Verpacken Sie den Server in einen kleinen Docker-Container mit einem Health-Check-Endpunkt.
• Stellen Sie ihn hinter HTTPS (nginx, Caddy oder einen Cloud-Load-Balancer) und deaktivieren Sie das Response-Buffering für den MCP-Pfad, sonst bleiben gestreamte Antworten hängen.
• Die öffentliche URL, die der Server angibt, muss exakt mit der URL übereinstimmen, die Nutzer in ihrer KI-App eingeben.
• Stellen Sie sicher, dass Firewalls, CDNs oder Bot-Schutz die Server des KI-Anbieters nicht daran hindern, Ihre Login- und Metadaten-Endpunkte zu erreichen; das ist der häufigste Grund, warum ein „Connect“-Button fehlschlägt.

Schritt 5: Testen, bevor echte Nutzer sich verbinden

Wir testen den MCP-Server End-to-End gegen eine In-Memory-Attrappe der App, und die App-Seite hat eigene Tests für OAuth, Berechtigungen und die interne API. Prüfen Sie vor dem Start von Hand: Ein Aufruf ohne Token liefert 401 mit dem Metadaten-Link, ein Read-only-Token wird für schreibende Tools abgelehnt, und ein Nutzer kann die privaten Daten eines anderen Nutzers nicht sehen.

Schritt 6: Verbindung in Claude, ChatGPT oder Cursor

• Claude (Team): Ein Owner fügt einen Custom Connector mit der URL des MCP-Servers hinzu; jede Person klickt auf „Connect“ und meldet sich an.
• Claude Code: claude mcp add --transport http tasks https://mcp.example.com/mcp, danach anmelden.
• Andere Apps: Die meisten MCP-kompatiblen Apps bieten eine Stelle, an der Sie die URL eines Remote-MCP-Servers hinzufügen können; prüfen Sie deren Dokumentation.

Häufige Fehler

• Der KI ein einziges mächtiges Tool „beliebige Abfrage ausführen“ geben statt einiger sicherer, spezifischer Tools.
• Einen gemeinsamen API-Key für alle verwenden, sodass Sie nicht nachvollziehen können, wer was getan hat.
• Nutzer-Tokens direkt an interne Systeme weiterleiten.
• Keine Logs: Sie sollten jederzeit beantworten können: „Wer hat die KI gebeten, das zu ändern, und wann?“

Wie UnlockLive Sie unterstützen kann

Wir entwickeln und betreiben Remote-MCP-Server für CRMs, Datenbanken, ERPs und interne APIs – mit Anmeldung pro Nutzer, Scopes, Logging und Tests. Sehen Sie sich unseren Service für MCP-Server-Entwicklung, die MCP-Sicherheits-Checkliste und die Fallstudie zu unserem eigenen Server an. Sagen Sie uns, welches System Sie verbinden möchten.