Das nationale Statistikportal KOSIS hat einen offiziellen MCP-Pilotdienst gestartet, den ich an ein lokal auf dem Notebook laufendes 9B-Modell angebunden habe. Ohne API-Key findet es die zusammengefasste Geburtenziffer, zeichnet ein Diagramm, und in dem Moment, in dem es als CSV speichern soll, erscheint ein Genehmigungsfenster. Denn Vorgänge, die wie das Schreiben von Dateien eine menschliche Freigabe (HITL) erfordern, sind so eingerichtet, dass sie in der UI von einem Menschen geprüft und genehmigt werden müssen.
Demo-Video (1 Min. 21 Sek., koreanische Untertitel): https://youtu.be/zARRVLg-7xA?cc_load_policy=1&cc_lang_pref=ko
- Auf die einfache Aufforderung „Zeig mir die zusammengefasste Geburtenziffer“: KOSIS-Suche → Validierung der Statistiktabelle → Abruf der Echtdaten → Erstellung eines Area-Charts (2015: 1,20 → 2024: 0,73)
- Vergleich von 12 Ländern aus derselben Statistiktabelle als Rose-Chart, 8 Länder 2015 vs. 2024 als Heatmap
- Bei „Speichere die Zusammenfassung als CSV“ wird das Schreiben der Datei als Risikostufe L4 eingestuft, daher erscheint ein Genehmigungsfenster; erst nach Klick auf Approve wird tatsächlich gespeichert
- Da das Modell lokal ausgeführt wird, verlassen Prompts nicht das Gerät. Verwendete API-Keys: 0.
Das in dieser Demo verwendete Projekt ist ein Open-Source-Projekt namens Spring AI Playground (inkubiert in der Spring AI Community).
Ursprünglich war es ein Playground, in dem man einzelne Spring-AI-Funktionen ausprobieren konnte. Als mit Spring AI 2.0 Agenten und MCP in den Framework-Core aufgenommen wurden, hat sich die Ausrichtung geändert. Heute ist es weniger eine Funktionsdemo als vielmehr eine Workbench zum Entwickeln und Testen lokaler LLM-Agenten.
Wenn man Agenten normalerweise selbst anbinden möchte, muss man MCP-Verbindung, Tool-Suche, Genehmigungs-Gates usw. jeweils im Code implementieren. Spring AI Playground konzentriert sich darauf, solche Abläufe in einer Desktop-App nachvollziehbar zu machen, ohne Java-Code schreiben zu müssen. Über die MCP-Proxy-Funktion lässt sich HITL auch für bestehende MCP-Tools in der UI konfigurieren.
Benötigte Tools können passend zur Anfrage dynamisch gesucht und angebunden werden (Dynamic Tool Discovery), und bei riskanten Vorgängen wie dem Schreiben von Dateien erscheint je nach Risikostufe (L0–L5) ein Genehmigungsfenster. Man kann direkt nachvollziehen, wie Genehmigung und Ablehnung jeweils verarbeitet werden. Chat, Tool-Aufrufe, Tokens, Kosten und Risiken lassen sich gemeinsam im Observability-Dashboard einsehen.
Da das Modell lokal (Ollama) läuft, verlassen Prompts nicht das Gerät. Auch wie Agenten, MCP-Clients/-Server und HITL mit Java und Spring implementiert werden, lässt sich im Code nachvollziehen.
GitHub: https://github.com/spring-ai-community/spring-ai-playground
Dokumentation: https://spring-ai-community.github.io/spring-ai-playground/
Download (Windows/macOS/Linux): https://spring-ai-community.github.io/spring-ai-playground/…
KOSIS MCP ist ein Pilotdienst der nationalen Datenbehörde, daher kann sich der Endpoint ändern. Dieses Projekt ist ein unabhängiges Open-Source-Projekt, das diesen Dienst nutzt.
Wenn Sie Erfahrung damit haben, öffentliche Daten-MCPs an echte Agenten anzubinden, oder Meinungen zum Design von HITL (Human-in-the-Loop) haben, freue ich mich über Feedback.
Noch keine Kommentare.