MCP vs RAG vs Agent Skills vs Custom GPTs: Ein Entscheidungsbaum für Unternehmen

Diese vier sind nicht vier Antworten auf dieselbe Frage. Sie liegen auf unterschiedlichen Schichten eines KI-Systems. RAG ist ein Retrieval-Muster, das der Generierung relevanten externen Kontext zuführt. MCP ist ein offenes Protokoll, über das KI-Anwendungen von Servern bereitgestellten Kontext und Tools entdecken. Agent Skills sind ein offenes Ordnerformat für prozedurale Anweisungen und optionale Ressourcen oder Skripte. Custom GPTs sind konfigurierte No-Code-Assistenten innerhalb von ChatGPT. Ein kompatibler Agent kann Retrieval, MCP-Tools und Skills kombinieren, aber keine dieser Schichten liefert die anderen automatisch mit. Ein Custom GPT ist eine separate ChatGPT-Produktentscheidung mit Konto-, Workspace- und Funktionsgrenzen.

Das ist eine Engineering-Sicht, kein Verkaufsgespräch. Wir haben die Produkt- und Spezifikationsaussagen am 2. September 2026 anhand von Primärquellen geprüft. Produktverfügbarkeit und Host-Unterstützung können sich ändern, deshalb solltest du vor einer Festlegung die verlinkte Dokumentation erneut prüfen.

Unsicher, was dein Anwendungsfall tatsächlich braucht?

Kostenlose Beratung buchen

Der Unterschied auf einen Blick

Der schnellste Weg, sie nicht länger zu vermengen, ist zu sehen, was jedes tatsächlich ist.

Dimension	RAG	MCP	Agent Skills	Custom GPTs
Primärer Zweck	Wissen (Verankerung)	Tool- und Datenanbindung	Prozedur (Vorgehen)	Verpackter Assistent
Offen oder proprietär	Offene Technik	Offener Standard	Offener Standard	Proprietär (OpenAI)
Führt Aktionen aus?	Der Retrieval-Schritt nicht	Tools können es, wenn der Client sie aufruft	Nur über Skripte oder Tools, die die Runtime erlaubt	Über Apps oder Actions, wenn aktiviert
Anbieterübergreifend portabel?	Architekturmuster, kein Paketformat	Auf Protokollebene, abhängig vom Host	Offenes Format, abhängig von der Runtime	Läuft in ChatGPT
Wo es läuft	Anwendung oder Retrieval-Dienst	Lokaler oder entfernter Server, genutzt von einem Client	Kompatible Agent-Runtime	Innerhalb von ChatGPT
Was es im Kern ist	Retrieval-plus-Generierung-Muster	Client-Server-Protokoll	Verzeichnis mit SKILL.md	Konfigurierter ChatGPT-Assistent

Die ersten drei lassen sich in einem kompatiblen Agenten kombinieren. Ein Custom GPT ist eine ChatGPT-Auslieferungsfläche. OpenAIs Apps SDK baut auf MCP auf, aber deshalb ist nicht jeder Custom GPT oder jede GPT Action automatisch eine MCP-Integration.

RAG: aus deinem Wissen antworten

Retrieval-Augmented Generation verbindet abgerufenen externen Kontext mit Generierung. So lassen sich Antworten ohne erneutes Training in proprietärem oder aktuellem Material verankern, eine korrekte Antwort ist aber nicht garantiert: Retrieval-Qualität, Quellen, Prompting und Evaluation bleiben entscheidend. Der Retrieval-Schritt selbst schreibt nicht in APIs und ändert keinen Zustand. Eine Anwendung kann RAG mit handelnden Tools kombinieren, diese Aktionen stammen jedoch aus einer anderen Schicht. Wenn du RAG gegen Fine-Tuning oder ein größeres Kontextfenster abwägst, siehe RAG vs Fine-Tuning vs Long Context.

MCP: das Modell mit deinen Systemen verbinden

Das Model Context Protocol ist ein offener Client-Server-Standard, den Anthropic im November 2024 eingeführt hat. Nach der aktuellen Spezifikation können Server Prompts, Ressourcen und Tools bereitstellen; Client und Server handeln unterstützte Fähigkeiten aus. Eine Anbindung kann deshalb von kompatiblen Hosts wiederverwendet werden, doch Deployment, Autorisierung, unterstützte Protokollfunktionen und Tool-Freigaben müssen je Host getestet werden. MCP definiert weder Retrieval noch ein Modell oder einen Geschäftsprozess. Die Verbreitung ist nachweislich anbieterübergreifend: OpenAI ergänzte Remote-MCP in der Responses API, Google machte Gemini API und SDK mit MCP-Tools kompatibel, und Microsoft stellte die MCP-Integration in Copilot Studio allgemein bereit. Am 9. Dezember 2025 wurde MCP ein Gründungsprojekt der Linux Foundation Agentic AI Foundation.

Agent Skills: die Prozedur verpacken

Anthropic führte Agent Skills im Oktober 2025 ein und veröffentlichte das Format im Dezember als offenen Standard. Die Spezifikation definiert ein Verzeichnis mit einer verpflichtenden SKILL.md aus YAML-Frontmatter und Markdown-Anweisungen sowie optionalen Skripten, Referenzen und Assets. Kompatible Agenten laden per Progressive Disclosure bei Bedarf mehr Details. Runtime-Unterstützung, erlaubte Tools, Abhängigkeiten und Kompatibilität können dennoch variieren. Skills können beschreiben, wie MCP-Tools zu nutzen sind, aber die Runtime muss diese Tools bereitstellen und autorisieren. Behandle Skripte in einem Skill wie installierte Software und prüfe Quelltext und Berechtigungen.

Das ist für uns keine Theorie. Wir veröffentlichen eine öffentliche Agent-Skills-Registry. Ihre öffentliche Antwort listet sechs Skills in einem maschinenlesbaren Manifest unter /.well-known/agent-skills/index.json, jeweils mit SHA-256-Digest der SKILL.md und menschenlesbarer Seite. Einige Skills enthalten zusätzliche Referenzdateien und sind daher keine reinen Ein-Datei-Pakete. Unser qa-advisor etwa verpackt eine QA-Prüfprozedur mit unterstützenden Referenzen. Der Manifest-Digest ermöglicht eine Integritätsprüfung der Datei, ist aber keine Signatur der Herausgeberidentität.

Als konkreten Schreib-Anwendungsfall vergleicht unser Leitfaden zum natürlicheren Schreiben mit Agent Skills drei Open-Source-Ansätze und zeigt, wie Teams den Workflow testen, ohne die Stimme des Autors glattzubügeln.

Custom GPTs: der schnelle verpackte Assistent

OpenAI beschreibt GPTs als No-Code-Assistenten, die in ChatGPT gebaut und genutzt werden. Sie können Anweisungen, hochgeladenes Wissen, integrierte Funktionen, Apps oder Actions kombinieren. Ein GPT kann Apps oder Actions nutzen, aber nicht beides zugleich. Laut aktueller Dokumentation zum Erstellen können persönliche Free-, Go-, Plus- und Pro-Konten keine neuen GPTs erstellen oder veröffentlichen; berechtigte Nutzer in Business-, Enterprise- und Edu-Workspaces können sie im Web erstellen. Bestehende persönliche GPTs bleiben nutzbar und je nach Tarif und Berechtigungen teilweise bearbeitbar. Ein GPT kann bis zu 20 Wissensdateien mit jeweils höchstens 512 MB enthalten; Funktionen hängen von Konto, Workspace und Region ab. GPTs laufen in ChatGPT und dienen nicht zum Einbetten in ein externes Produkt. Nutze einen GPT, wenn diese verwaltete ChatGPT-Oberfläche und ihre Grenzen passen, und eine API-Anwendung, wenn du eine eigene Produktoberfläche, Deployment oder einen programmatischen Lebenszyklus brauchst.

Der Entscheidungsbaum

Geh von dem aus, was das Modell tatsächlich tun soll.

Aus deinen Dokumenten oder deinem Wissen antworten? RAG. Antworten in deinen Daten verankern, ohne erneutes Training.
Systeme, APIs, Datenbanken oder interne Tools über ein wiederverwendbares Protokoll bereitstellen? MCP. Bau einen Server und teste Autorisierung sowie Fähigkeiten in jedem Ziel-Host.
Eine wiederholbare Prozedur oder einen Unternehmens-Workflow zuverlässig befolgen? Agent Skills. Das Wissen verpacken, bei Bedarf laden.
Einen No-Code-Assistenten in einem berechtigten verwalteten ChatGPT-Workspace? Custom GPT, wenn Workspace-Richtlinie und Berechtigungen das Erstellen erlauben.
Mehr als eines davon brauchen (die meisten realen Systeme)? Kombiniere sie. Ein Support-Agent antwortet aus Dokumenten (RAG), schlägt eine Bestellung nach und erstattet einen Betrag (MCP) und folgt deinen Eskalations- und Tonregeln (Skill). RAG kann sogar als MCP-Tool bereitgestellt werden, sodass "RAG vs MCP" meist eine Scheinwahl ist.

"RAG ist Wissen, MCP ist Anbindung, Skills sind Prozedur, und ein Custom GPT ist ein verpackter Assistent. Sobald du sie als verschiedene Schichten statt als konkurrierende Produkte siehst, lautet die Frage nicht mehr welches, sondern welche Kombination."

Häufig gestellte Fragen

MCP vs RAG, worin liegt der Unterschied?

RAG ruft externen Kontext für die Generierung ab; der Retrieval-Schritt ändert keinen Zustand. MCP ist ein Protokoll, über das Anwendungen Server-Kontext und Tools entdecken. Eine Anwendung kann beides nutzen und Retrieval als MCP-Tool bereitstellen.

Sind Agent Skills dasselbe wie MCP?

Nein. Skills sind prozedurales Wissen, die Anweisungen und Skripte, denen der Agent folgt. MCP ist Anbindung, die Tools und Daten, die der Agent erreicht. Anthropic positioniert sie als komplementär, und ein Skill kann MCP-Tools orchestrieren.

Brauche ich MCP noch, wenn ich bereits RAG habe?

Nicht für Retrieval allein. Ergänze MCP, wenn kompatible Clients eine Standardschnittstelle zu Retrieval oder anderen Tools brauchen. Eine Anwendung kann eigene APIs auch direkt aufrufen; MCP ist eine Designentscheidung, keine Voraussetzung für jede Aktion.

Custom GPT oder einen Agenten bauen?

Nutze einen Custom GPT, wenn ein berechtigter verwalteter ChatGPT-Workspace die Zieloberfläche ist und dessen Richtlinien passen. Bau eine API-Anwendung, wenn du eigene Oberfläche, Deployment, programmatischen Lebenszyklus oder Anbieterwahl brauchst.

Ist MCP ein Ersatz für RAG?

Nein. MCP definiert keine Embeddings, kein Chunking und kein Retrieval. Es kann ein Retrieval-Tool bereitstellen, aber die Retrieval-Logik ist weiterhin RAG.

Können diese zusammenarbeiten?

Ja, das ist der Normalfall. Ein einziger Agent nutzt üblicherweise Skills, MCP und RAG zugleich: Prozedur, Anbindung und Wissen.

Hat OpenAI Anthropics MCP wirklich übernommen?

Ja. OpenAI ergänzte 2025 Remote-MCP in der Responses API, trat der Governance bei und baute das Apps SDK auf MCP. Google und Microsoft dokumentieren ebenfalls MCP-Unterstützung; MCP ist ein Gründungsprojekt der Agentic AI Foundation.

Sind Agent Skills an einen Anbieter gebunden?

Das Verzeichnisformat ist ein offener Standard, aber tatsächliche Portabilität hängt von Runtime-Unterstützung, Abhängigkeiten, erlaubten Tools und deklarierten Kompatibilitätsanforderungen ab. Teste den Skill in jeder Ziel-Runtime.

Wenn ich auf Custom GPTs baue, bin ich eingesperrt?

Ein GPT wird in ChatGPT konfiguriert und ausgeführt; laut OpenAI lässt er sich nicht als externes Produkt einbetten. Halte Quellanweisungen, Wissensdateien und externe APIs unter eigener Kontrolle, wenn spätere Migration wichtig ist.

Was ist der Einstieg mit dem geringsten Aufwand?

Nutze die kleinste Oberfläche, die die Anforderung erfüllt. Retrieval braucht nicht zwingend MCP, ein Skill braucht nicht zwingend RAG, und neue Custom GPTs können nur in einem berechtigten verwalteten ChatGPT-Workspace erstellt werden. Vergleiche den Betriebsaufwand erst nach diesen Grenzen.

Fazit

Die Verwirrung entsteht, weil vier verschiedene Schichten als konkurrierende Produkte behandelt werden. RAG liefert abgerufenen Kontext, MCP standardisiert den Austausch von Kontext und Tools zwischen Client und Server, Skills verpacken Prozeduren und ein Custom GPT konfiguriert einen Assistenten in ChatGPT.

Wähle die kleinste Kombination, die Aufgabe und Betriebsgrenzen erfüllt. Prüfe bei MCP Host-Kompatibilität und Autorisierung, bei Skills Runtime-Kompatibilität und Code-Berechtigungen, bei RAG die Retrieval-Qualität und bei GPTs die aktuelle Workspace-Berechtigung. Unsere öffentlichen Skills enthalten Integritäts-Digests und einsehbaren Quelltext, damit Nutzer prüfen können, was sie installieren.

Brauchst du Hilfe, RAG, MCP und Skills zu einem funktionierenden Agenten zusammenzusetzen?