El Portal Nacional de Estadísticas (KOSIS) abrió un servicio piloto oficial de MCP, así que lo conecté a un modelo local 9B que corre en una laptop. Sin usar API keys, puede encontrar la tasa global de fecundidad y dibujar un gráfico, y justo al momento de intentar guardarlo como CSV aparece una ventana de aprobación. Esto es porque las tareas que requieren aprobación humana (HITL), como la escritura de archivos, están configuradas para que una persona las revise y apruebe en la UI.
Video de demostración (1 min 21 s, subtítulos en coreano): https://youtu.be/zARRVLg-7xA?cc_load_policy=1&cc_lang_pref=ko
- Con solo decir "muéstrame la tasa global de fecundidad", hace búsqueda en KOSIS → validación de tabla estadística → consulta de datos reales → generación de gráfico de área (2015: 1.20 → 2024: 0.73)
- Con la misma tabla estadística, compara 12 países en un gráfico de rosas, y 8 países entre 2015 y 2024 en un mapa de calor
- En "guarda el resumen como CSV", la escritura de archivos tiene nivel de riesgo L4, así que aparece una ventana de aprobación y solo se guarda realmente al pulsar Approve
- Como el modelo se ejecuta localmente, los prompts no salen al exterior. La cantidad de API keys usadas es 0.
El proyecto usado en esta demo es un open source llamado Spring AI Playground (incubado por Spring AI Community).
Originalmente era un playground para ir probando una por una las funciones de Spring AI, pero con Spring AI 2.0 los agentes y MCP pasaron al núcleo del framework, así que cambió de dirección. Ahora, más que una demo de funciones, se parece a un workbench para desarrollar y probar agentes LLM locales.
Normalmente, para conectar agentes directamente hay que implementar por código cosas como la conexión MCP, el descubrimiento de herramientas y las compuertas de aprobación. Spring AI Playground se enfoca en permitir revisar ese flujo desde una app de escritorio sin escribir código Java. A través de la función de proxy MCP, también se puede configurar HITL desde la UI para herramientas MCP existentes.
Las herramientas necesarias pueden descubrirse y conectarse dinámicamente según la solicitud (Dynamic Tool Discovery), y para tareas riesgosas como la escritura de archivos aparece una ventana de aprobación según el nivel de riesgo (L0~L5). También se puede comprobar directamente cómo se procesan tanto la aprobación como el rechazo. Chat, llamadas a herramientas, tokens, costo y riesgo pueden verse juntos en el panel de observabilidad.
Como el modelo se ejecuta localmente (Ollama), los prompts no salen al exterior. También se puede revisar en el código cómo se implementaron con Java y Spring los agentes, el cliente/servidor MCP y HITL.
GitHub: https://github.com/spring-ai-community/spring-ai-playground
Documentación: https://spring-ai-community.github.io/spring-ai-playground/
Descarga (Windows/macOS/Linux): https://spring-ai-community.github.io/spring-ai-playground/…
Como KOSIS MCP es un servicio piloto de la Oficina Nacional de Datos, el endpoint podría cambiar. Este proyecto es un open source independiente que usa ese servicio.
Si ya han conectado un MCP de datos públicos a un agente real, o tienen opiniones sobre el diseño de HITL (Human-in-the-Loop), agradeceré mucho sus comentarios.
Aún no hay comentarios.