Beobachtetes Signal · 16. Juli 2026 · Technical Release · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Positiv
Costory baut FinOps MCP für LLM-kompatible Abfragen um
Costory teilt wichtige Erkenntnisse bei der Entwicklung eines FinOps Model Context Protocol (MCP) Servers, der Large Language Models (LLMs) Abfragen zu normalisierten Cloud-Kosten- und Metrikdaten ermöglicht. Die erste MCP-Version spiegelte interne APIs wider, was zu Fehlbedienungen und Syntaxfehlern der LLMs führte. Costory ersetzte diese spezifischen Endpunkte durch ein einziges, modulares Abfragetool, wechselte von geschachtelten JSON-Filtern zu CEL-Filterstrings, fügte einen get_context-Initialaufruf hinzu und optimierte Fehlermeldungen für Mensch und Modell. Diese Anpassungen senkten die Fehlerraten der Modelle (Filterfehler um rund 25 Prozent), verbesserten die UX und ermöglichten eine neue App-Funktion (Advanced Explorer). Das MCP integriert sich in BigQuery und ist mit MCP-fähigen Clients wie Claude, ChatGPT und Cursor kompatibel.
Beschreibt praxisnahe Engineering-Muster für LLM-Schnittstellen und FinOps-Tooling wie modulare Abfragetools, CEL-Filter und Kontext-Präzisierung. Dies bietet wertvolle Einblicke für Engineering-Teams bei der LLM-Integration, stellt jedoch keine markterschütternde Plattformänderung dar.
Marktsignale zu Google in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Costory konsolidiert Abrechnungsdaten von AWS, GCP, Azure, Cursor, Anthropic, Aiven sowie Kubernetes und normalisiert sie im FinOps Foundation FOCUS Format.
- Das ursprüngliche MCP bot sechs tools, die internen Endpunkten entsprachen: query_cost, query_cost_diff, search_filters, get_metric, query_metric und create_alert.
- Costory ersetzte mehrere endpunktspezifische tools durch ein einziges, modulares Abfragetool für Kosten, Metriken, Nutzung, externe Metriken, Budgets und Formeln.
- Geschachtelte react-querybuilder JSON-Filter wurden durch einen einzelnen CEL-Filterstring (filterCel) ersetzt, wodurch die Modell-Fehlerrate bei Filtern um ca. 25 Prozent sank.
- Ein implementierter get_context Initialaufruf und modellfreundliche Fehlermeldungen mit Laufzeitvalidierung sowie 'did you mean'-Vorschlägen basieren direkt auf BigQuery.
Verknüpfte Unternehmen
7 verknüpfte Unternehmen“our runtime already runs on BigQuery, so the valid values and the "did you mean" suggestion were just a passthrough from BQ errors....”
“Costory pulls in billing data from all your cost centers (AWS, GCP, Azure, Cursor, Anthropic, Aiven, Kubernetes Cost), normalizes it into on...”
“Costory pulls in billing data from all your cost centers (AWS, GCP, Azure, Cursor, Anthropic, Aiven, Kubernetes Cost), normalizes it into on...”
“Costory pulls in billing data from all your cost centers (AWS, GCP, Azure, Cursor, Anthropic, Aiven, Kubernetes Cost), normalizes it into on...”
“We looked at how other dashboarding solutions handle this: we saw Grafana MCP had similar issues and followed the same pattern: a diff of op...”
Ontologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Grundlagen-Guide zum Model Context Protocol (MCP) für LLM-Agenten
Dieses technische Tutorial stellt das Model Context Protocol (MCP) vor, einen offenen Standard zur nahtlosen Verbindung von Large Language Models (LLMs) mit externen Datenquellen, Tools und Diensten. Es demonstriert die Entwicklung eines 'Analyzer' MCP-Servers mittels des FastMCP-Frameworks, erläutert zentrale MCP-Nachrichtentypen wie Tool Discovery und Tool Execution sowie essenzielle Transportschichten wie stdio, HTTP und WebSockets. Der Beitrag beschreibt den Übergang von der lokalen Entwicklung zur Produktion über die Bedrock AgentCore Runtime inklusive Containerisierung, Client-Registrierung und Absicherung durch Amazon Cognito. Zudem wird veranschaulicht, wie Strands Agents remote MCP-Tools transparent wie lokale Funktionen nutzen. Abschließend bietet der Artikel Best Practices zu prägnanten Docstrings, strikten Python-Typisierungen, Fehlertoleranz und modularem Tool-Design, um skalierbare und wiederverwendbare Agenten-Infrastrukturen über verschiedene LLMs hinweg zu etablieren.
MCP revolutioniert das mentale Modell von LLM-Agenten für Tool-Integrationen
Der Artikel analysiert, wie das von Anthropic eingeführte Model Context Protocol (MCP) die Integration von Large Language Model (LLM) Agenten mit externen Diensten grundlegend verändert. Dabei wird nicht das zugrundeliegende HTTP abgelöst, sondern das bisherige, auf REST zentrierte Integrationsparadigma. MCP positioniert sich als session-orientiertes, bidirektionales Protokoll, das eine dynamische Funktionserkennung (Capability Discovery), persistente Sitzungen, Serbenbenachrichtigungen sowie mehrstufige, zustandsbehaftete Interaktionen ohne individuellen Client-Glue-Code ermöglicht. Der Autor verweist auf wachsenden Marktdruck durch reale Implementierungen – darunter eine erweiterte Partnerschaft zwischen Cognizant und Anthropic für Enterprise-Workflows – und empfiehlt Entwicklern das Testen des MCP TypeScript SDK. Gleichzeitig wird vor stark schwankenden Qualitätsstandards bei frühen MCP-Servern gewarnt, weshalb eine defensive Client-Architektur angeraten wird.
Model Context Protocol eliminiert benutzerdefinierten Integrationscode nachhaltig
Diese technische Analyse (Teil 1) stellt das Model Context Protocol (MCP) als kompaktes JSON-RPC-Protokoll vor, das maßgeschneiderte Agent-Backend-Integrationen durch ein entdeckbares, fähigkeitsbasiertes Modell ersetzt. Anhand des Beispiels Mattrx – einer mandantenfähigen Marketing-Analytics-SaaS – demonstriert der Autor, wie MCP aus N×M proprietären Anbindungen N+M Server macht, Authentifizierung sowie Audit-Prozesse zentralisiert und eine sichere Laufzeit-Tool-Erkennung ermöglicht. Im Referenzsystem reduzierte sich der Integrationsaufwand drastisch: 14 Punkt-zu-Punkt-Schnittstellen wichen 3 MCP-Servern, rund 9.000 Zeilen Integrationscode entfielen, die Onboarding-Zeit sank von drei Tagen auf zwei Stunden und die Fehlerquote bei Tool-Aufrufen von AI Agents fiel von 6 % auf 0,8 %. Die minimalistische Protokolloberfläche unterstützt gängige Transportwege wie stdio und streamable HTTP mit SSE für den Produktionseinsatz in MarTech- und AdTech-Architekturen.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.