O Portal Nacional de Estatísticas (KOSIS) abriu um serviço piloto oficial de MCP, então eu o conectei a um modelo local 9B rodando no notebook. Sem chave de API, ele encontra a taxa de fecundidade total, desenha um gráfico e, no momento em que tenta salvar em CSV, aparece uma janela de aprovação. Isso acontece porque tarefas como escrita de arquivos, que exigem aprovação humana (HITL), foram configuradas para serem verificadas e aprovadas por uma pessoa na UI.
Vídeo de demonstração (1 min 21 s, legendas em coreano): https://youtu.be/zARRVLg-7xA?cc_load_policy=1&cc_lang_pref=ko
- Com um simples “mostre a taxa de fecundidade total”: busca no KOSIS → validação da tabela estatística → consulta dos dados reais → geração de gráfico de área (1,20 em 2015 → 0,73 em 2024)
- Na mesma tabela estatística, comparação de 12 países em gráfico de rosas e 8 países, 2015 vs 2024, em mapa de calor
- Em “salve o resumo em CSV”, a escrita de arquivo é classificada como risco L4, então aparece uma janela de aprovação, e o arquivo só é salvo de fato ao clicar em Approve
- Como o modelo roda localmente, o prompt não sai para fora. O número de chaves de API usadas foi 0.
O projeto usado nesta demo é o Spring AI Playground, um open source em incubação na Spring AI Community.
Originalmente, era um playground para experimentar funções do Spring AI uma a uma, mas, com a entrada de agentes e MCP no core do framework no Spring AI 2.0, a direção mudou. Agora, mais do que uma demo de funcionalidades, ele se parece com uma bancada de desenvolvimento e teste de agentes LLM locais.
Normalmente, para conectar um agente por conta própria, é preciso implementar em código a conexão MCP, a busca de ferramentas, gates de aprovação etc. O Spring AI Playground foca em permitir verificar esse fluxo em um app desktop sem escrever código Java. Por meio do recurso de proxy MCP, também é possível configurar HITL na UI para ferramentas MCP existentes.
As ferramentas necessárias podem ser buscadas e conectadas dinamicamente conforme a solicitação (Dynamic Tool Discovery), e operações arriscadas, como escrita de arquivos, exibem uma janela de aprovação de acordo com o nível de risco (L0~L5). Também é possível conferir diretamente como aprovações e recusas são tratadas. Conversas, chamadas de ferramentas, tokens, custos e riscos podem ser vistos juntos no dashboard de Observability.
Como o modelo roda localmente (Ollama), o prompt não sai para fora. Também é possível ver no código como agentes, cliente/servidor MCP e HITL foram implementados com Java e Spring.
GitHub: https://github.com/spring-ai-community/spring-ai-playground
Documentação: https://spring-ai-community.github.io/spring-ai-playground/
Download (Windows/macOS/Linux): https://spring-ai-community.github.io/spring-ai-playground/…
O KOSIS MCP é um serviço piloto da agência nacional de dados, então o endpoint pode mudar. Este projeto é um open source independente que usa esse serviço.
Se você já conectou MCP de dados públicos a um agente real, ou se tiver opiniões sobre design de HITL (Human-in-the-Loop), seu feedback é bem-vindo.
Ainda não há comentários.