KI-Agent-Stack 2026: Wie GPT, Gemini, Claude, MCP, Function Calling und JSON Schema zusammenspielen

Modellfähigkeit ist nicht die Wasserscheide. Die Wasserscheide ist der Werkzeugvertrag: JSON Schema + Function Calling + MCP.

0. Zuerst die Schlussfolgerung

Wenn Sie einen KI-Agent-Stack für 2026 zusammenstellen, legen Sie diesen Satz fest: GPT, Gemini und Claude sind austauschbare Reasoning-Schichten. Ob das System lieferbar ist, hängt davon ab, ob Function-Calling-Argumente ein einziges JSON Schema passieren und ob dieses Schema von einem stabilen MCP-Server als Werkzeug exponiert wird. Zuerst das Modell zu sperren und Werkzeuge nachzurüsten war der teuerste Reihenfolgefehler der letzten zwei Jahre.

1. Warum das Problem besteht: Modell zuerst scheitert

Das Ticket lautet meist: „Wir sind auf das neueste GPT / Claude / Gemini gegangen, der Agent arbeitet trotzdem nicht.“ Der Engpass ist selten das Modell. Teams pflegen vier driftende Verträge: OpenAI-tools, Gemini-functionDeclarations, Claude-tools / tool_use plus MCP-inputSchema. Alles sieht nach Function Calling aus. Zur Laufzeit ist es nicht dasselbe Protokoll.

Der alte Ansatz scheitert konkret: Prompt wird als Workflow behandelt, das Modell als Betriebssystem, MCP als „noch ein Plugin“. Der Chat wirkt glatt, bis tools/call Pfade, Enums oder Pflichtfelder trifft und 400 zurückgibt. Anschließend diskutiert man, welches Modell gehorsamer sei, statt das Schema zu vergleichen. Ein klügeres Modell heilt keinen gespaltenen Vertrag.

• Der Host sitzt in der IDE, der MCP-Server auf dem Laptop — nach dem Zuklappen dreht Function Calling leer.
• GPT sieht repoPath, Claude sieht repo_path; im JSON Schema gibt es keine einzige Wahrheit.
• Gemini-Deklarationen lassen additionalProperties: false weg, das Modell erfindet Felder.
• tools/list liefert ein Schema, das nicht dem Git-SHA des Produktionsvalidators entspricht.

Trennen Sie „kann es schlussfolgern?“ von „kann es sicher ausführen?“. Reasoning darf zwischen GPT, Gemini und Claude rotieren. Ausführung muss auf einem Schema und einem dauerhaft laufenden MCP-Prozess liegen. Zur Maschinenwahl siehe MCP-Bereitstellung: Cloud-Mac vs. VPS vs. lokal.

2. Fünf-Schichten-Taxonomie

Legen Sie diese Begriffe nicht als Enzyklopädie nebeneinander. Ein lauffähiger Agent 2026 hat fünf Schichten. Fehlt eine, tut eine andere so, als kompensiere sie — und scheitert in Produktion.

2.1 Reasoning: GPT / Gemini / Claude

GPT, Gemini und Claude lesen Kontext, entscheiden über Toolaufrufe, erzeugen schema-gültige Argumente und falten Ergebnisse in die nächste Runde. Sie sind weder Dateisystem noch Git. Wählen Sie nach Latenz, Kontextfenster, Preis und Sicherheitsrichtlinie — nicht danach, wer wie ein Betriebssystem wirkt. Dokumentation: OpenAI Function Calling, Gemini function calling, Claude tool use.

2.2 Function Calling: Akzent, kein Bus

Function Calling ist, wie ein Modell sagt, welche Funktion mit welchen Argumenten laufen soll. GPT nutzt tool_calls, Claude tool_use-Blöcke, Gemini functionCall. Akzente unterscheiden sich, die Bedeutung ist dieselbe: ein schema-gebundener strukturierter Aufruf. Drei Handler divergieren innerhalb eines Quartals. Halten Sie einen dünnen Übersetzer; Geschäftslogik sieht nur normalisiertes JSON.

2.3 JSON Schema: der herstellerübergreifende Vertrag

JSON Schema benennt Typen, Pflichtfelder, Enums, Bereiche und additionalProperties. OpenAI-parameters, Claude-input_schema und MCP-inputSchema sollten Projektionen einer Datei sein. Legen Sie den Vertrag in Git. Testen Sie mit legalen und illegalen Payloads. Bitten Sie das Modell nicht per Prompt, „bitte das Format einzuhalten“.

2.4 MCP: den Vertrag auffindbar und ausführbar machen

Model Context Protocol definiert, wie ein Host tools/list und tools/call ausführt. Der MCP-Server ist der Prozess, der Platte, Geheimnisse und Netze berührt. Cursor, Claude Code und selbst gebaute Orchestratoren sind nur Clients. Ohne MCP bleibt Schema in der Doku. Mit MCP auf einem schlafenden Laptop stirbt Function Calling nachts trotzdem. Siehe Cursor MCP.

2.5 Host: Einstieg, nicht Fähigkeit

Der Host ist der Ort, an dem jemand klickt: IDE, CLI-Agent, Chat-App. Der Einstieg formt die UX, er gewährt keine Ausführung. Claude Code als Host und GPT als Fallback ist in Ordnung, wenn beide denselben MCP und dasselbe Schema treffen. Parallele Worktrees wollen den Host neben dem Repo — Remote-Mac und Worktree-Kurzmiete.

3. GPT vs. Gemini vs. Claude vs. MCP

Dieselben Spaltenköpfe in jeder Zeile. MCP ist kein viertes Modell; es ist Entdeckung und Ausführung. Es steht in derselben Tabelle, damit niemand ein Modell als Bus benutzt.

Asymmetrische Zeile: Modelle konkurrieren um Reasoning und Akzent; MCP konkurriert um die Ausführungsgrenze. Ein Wechsel zu Claude repariert keinen MCP-Prozess, der mit dem Laptopdeckel schläft. MCP allein erzeugt kein gültiges JSON ohne Schema-Tests.

4. Auswahl nach Szenario

Passen Sie Einstieg und Ausführungsbedarf an. Passen Sie keine Rangliste an.

5. Empfohlene Stacks

Stacks dürfen überlagern. Alle drei halten ein JSON Schema in Git und erzeugen herstellerspezifisches Function Calling plus MCP-inputSchema.

Stack A | Solo: Cursor oder Claude Code (Host)
  → ein Modell (zuerst Claude oder GPT; austauschbar)
  → lokales stdio-MCP (Git nur lesend)
  → Schema-Datei + Validator-Tests
  Deckel zu stoppt alles — nur PoC am Tag.

Stack B | Lieferteam (empfohlen): CLI-Agent als Host
  → GPT / Claude hinter einem Gateway
  → MCP-Git-Server + Testwerkzeuge auf Cloud-Mac
  → Schema → OpenAI tools / Claude input_schema / MCP inputSchema
  → 48h Tagesmiete: Laptop zuklappen, tools/call muss weiter funktionieren

Stack C | Multi-Modell-Gateway: eigener Orchestrator
  → Gemini für multimodalen Eingang; Claude/GPT für Code-Tool-Schleifen
  → jedes functionCall / tool_use passiert JSON Schema vor MCP tools/call
  → MCP kolokal mit dem Repo; Modell-APIs bleiben im öffentlichen Netz

Minimalvertrag (Feldnamen müssen bei Projektion auf OpenAI parameters, Claude input_schema und MCP inputSchema identisch bleiben):

{
  "name": "git_status",
  "description": "Return git status for a worktree path",
  "parameters": {
    "type": "object",
    "properties": {
      "repo_path": { "type": "string", "minLength": 1 },
      "porcelain": { "type": "boolean", "default": true }
    },
    "required": ["repo_path"],
    "additionalProperties": false
  }
}

6. Fallstricke

• Fallstrick 1: Zuerst GPT gegen Claude festlegen. Die drei Tool-Kataloge forken dauerhaft.
• Fallstrick 2: MCP als viertes Modell behandeln. MCP denkt nicht; es führt aus. MCP ohne Schema ist untypisiertes RPC.
• Fallstrick 3: JSON Schema durch Prompt ersetzen. additionalProperties: false schlägt „bitte keine Felder erfinden“.
• Fallstrick 4: Ein gültiges Function-Calling-Payload ist keine sichere Geschäftshandlung. Das Modell darf legal den falschen Baum löschen — die Allowlist lebt im MCP-Prozess.
• Fallstrick 5: Lokaler stdio-Erfolg ist keine Produktion. Zuklappen, WLAN-Wechsel und Kollegen, die dasselbe MCP-Deployment nicht nutzen können, töten 7×24.

7. Sieben Umsetzungsschritte

1. Benennen Sie die drei Aktionen, die der Agent ausführen muss (git status, Tests, Issue lesen). Schließen Sie am ersten Tag nicht zwanzig MCP-Tools an.
2. Schreiben Sie pro Aktion ein JSON Schema in Git. Ergänzen Sie legale und illegale Fixtures.
3. Implementieren Sie einen MCP-Server, dessen inputSchema diese Dateien importiert — keine Handkopien.
4. Fügen Sie einen Herstelleradapter hinzu, der dasselbe Schema auf OpenAI tools, Gemini functionDeclarations und Claude input_schema projiziert.
5. Nutzen Sie einen Host (Cursor oder Claude Code), um tools/list → Function Calling → tools/call → Ergebnis-Einklappen zu beweisen.
6. Verschieben Sie MCP auf eine Maschine, die nie schläft (Cloud-Mac oder VPS). Lassen Sie nur den Host auf dem Laptop. Klappen Sie acht Stunden zu und testen Sie erneut.
7. Hängen Sie ein zweites Modell nur über den Übersetzer an. Kopieren Sie keine zweite Tools-Datei. Führen Sie dieselben Fixtures erneut aus. Zum Verpacken von Workflows siehe Leitfaden Agent Skills 2026.

8. FAQ

Sind Function Calling und MCP dasselbe?

Nein. Function Calling ist, wie ein Modell um ein Werkzeug bittet. MCP ist, wie ein Host Werkzeuge entdeckt und ausführt. Handler können Sie ohne MCP schreiben. Ohne Function Calling gibt das Modell nur Prosa aus, die Sie ins Terminal kopieren.

Wie streng soll JSON Schema sein?

Decken Sie Typen, required, Enums und additionalProperties: false ab. Lehnen Sie .. in Pfadfeldern ab. Zu streng erhöht Adapterkosten; zu locker schiebt Sicherheit zurück in den Prompt — und der Prompt leckt.

Wie sollen GPT, Gemini und Claude die Arbeit teilen?

Nach Einstieg und Modalität: Gemini für Bild/Video-Eingang, Claude für lange Coding-Sitzungen, GPT wenn Sie bereits ein OpenAI-Gateway betreiben. Routing passiert im Host, nicht als drei verschiedene MCP-Server.

Können wir MCP überspringen und nur Chat Completions nutzen?

Ja, für eine App und ein Modell. Ein zweites Modell oder ein zweiter Host (IDE + CLI) dupliziert Handler. Der Wert von MCP ist, den Werkzeugprozess einmal bereitzustellen.

Warum diesen Stack auf einen Cloud-Mac legen?

Wenn die Toolchain Xcode, Schlüsselbund oder iOS-Simulatoren enthält, müssen MCP und Agent kolokalisiert und dauerhaft laufen. Ein Linux-VPS reicht für reines Git/HTTP. Apple-Lieferung, die MCP auf Linux und Builds auf einen anderen Mac legt, spaltet Pfade erneut.

9. Fazit

Der KI-Agent-Stack 2026 heißt nicht „das stärkste Modell wählen“. Er heißt ein JSON Schema, ein Function-Calling-Adapter, ein MCP-Server und ein austauschbarer GPT/Gemini/Claude-Reasoner. Ranglisten bewegen sich. Verträge und Ausführungsgrenzen sollten nicht wöchentlich neu geschrieben werden.

Arbeitsreihenfolge: Schema → MCP → ein Host Ende-zu-Ende → dann Modelle tauschen. Maschinenreihenfolge: lokal für PoC, Cloud-Mac oder VPS für Lieferung. Benchmarks dürfen Sie lesen — ersetzen Sie damit keine Vertragstests.