National Statistical Portal (KOSIS) ने आधिकारिक MCP pilot service शुरू की है, इसलिए मैंने इसे laptop पर चलने वाले 9B local model से जोड़कर देखा। API key के बिना total fertility rate खोजकर chart बनाया, और CSV में save करने की कोशिश करते ही approval window खुल गई। ऐसा इसलिए है क्योंकि file write जैसे काम, जिनके लिए human approval (HITL) जरूरी है, UI में इंसान से confirm और approve करवाने के लिए सेट किए गए हैं।
Demo video (1 मिनट 21 सेकंड, Korean subtitles): https://youtu.be/zARRVLg-7xA?cc_load_policy=1&cc_lang_pref=ko
- “total fertility rate दिखाओ” कहने भर से KOSIS search → statistical table validation → real data query → area chart generation (2015 में 1.20 → 2024 में 0.73)
- उसी statistical table से 12 देशों की तुलना rose chart में, और 8 देशों के 2015 vs 2024 को heatmap में
- “summary को CSV में save कर दो” पर file write L4 risk level होने के कारण approval window खुलती है, और वास्तविक save के लिए Approve दबाना पड़ता है
- model local पर run होता है, इसलिए prompt बाहर नहीं जाता। इस्तेमाल की गई API keys: 0।
इस demo में इस्तेमाल किया गया project Spring AI Playground नाम का open source project है (Spring AI Community incubating)।
मूल रूप से यह Spring AI features को एक-एक करके try करने वाला playground था, लेकिन Spring AI 2.0 में agents और MCP framework core में आने के बाद इसकी दिशा बदल गई। अब यह feature demo से ज्यादा local LLM agents को develop और test करने वाला workbench है।
आम तौर पर किसी agent को सीधे जोड़कर test करना हो तो MCP connection, tool search, approval gates वगैरह को अलग-अलग code में implement करना पड़ता है। Spring AI Playground का focus यह flow Java code लिखे बिना desktop app में देखने पर है। MCP proxy feature के जरिए existing MCP tools पर भी HITL को UI से configure किया जा सकता है।
जरूरी tools को request के हिसाब से dynamically search कर connect (Dynamic Tool Discovery) किया जा सकता है, और file write जैसे risky tasks के लिए risk level (L0~L5) के अनुसार approval window दिखाई देती है। approval और rejection कैसे handle होते हैं, यह भी आप सीधे देख सकते हैं। chat, tool calls, tokens, cost और risk को Observability dashboard में साथ-साथ देखा जा सकता है।
model local (Ollama) पर run होता है, इसलिए prompt बाहर नहीं जाता। Java और Spring से agent, MCP client/server और HITL कैसे implement किए गए हैं, यह भी code में देखा जा सकता है।
GitHub: https://github.com/spring-ai-community/spring-ai-playground
Docs: https://spring-ai-community.github.io/spring-ai-playground/
Download (Windows/macOS/Linux): https://spring-ai-community.github.io/spring-ai-playground/…
KOSIS MCP National Data Office की pilot service है, इसलिए endpoint बदल सकता है। यह project उस service का उपयोग करने वाला independent open source project है।
अगर आपने public data MCP को real agents से जोड़कर देखा है, या HITL (Human-in-the-Loop) design पर आपकी कोई राय है, तो feedback दें।
अभी कोई टिप्पणी नहीं है.