Le portail national des statistiques (KOSIS) a ouvert un service pilote MCP officiel, que j’ai connecté à un modèle local 9B tournant sur un laptop. Sans clé API, il trouve le taux de fécondité total et génère un graphique, puis au moment de l’enregistrer en CSV, une fenêtre d’approbation s’affiche. En effet, les opérations qui nécessitent une approbation humaine (HITL), comme l’écriture de fichiers, ont été configurées pour être vérifiées et approuvées par une personne dans l’interface utilisateur.
Vidéo de démonstration (1 min 21 s, sous-titres coréens) : https://youtu.be/zARRVLg-7xA?cc_load_policy=1&cc_lang_pref=ko
- Avec une simple demande comme « Montre-moi le taux de fécondité total », il enchaîne recherche KOSIS → validation du tableau statistique → récupération des données réelles → génération d’un graphique en aires (de 1,20 en 2015 à 0,73 en 2024)
- À partir du même tableau statistique, comparaison de 12 pays sous forme de diagramme en rose, et de 8 pays entre 2015 et 2024 sous forme de heatmap
- Avec « Enregistre le résumé en CSV », l’écriture du fichier est classée au niveau de risque L4, donc une fenêtre d’approbation apparaît, et l’enregistrement réel ne se fait qu’après avoir cliqué sur Approve
- Le modèle s’exécute localement, donc les prompts ne sortent pas de la machine. Le nombre de clés API utilisées est de 0.
Le projet utilisé pour cette démo s’appelle Spring AI Playground, un open source incubé par la Spring AI Community.
À l’origine, c’était un playground pour tester une à une les fonctionnalités de Spring AI, mais avec Spring AI 2.0, les agents et MCP sont entrés au cœur du framework, ce qui a fait évoluer sa direction. Désormais, il ressemble davantage à un workbench pour développer et tester des agents LLM locaux qu’à une simple démo de fonctionnalités.
En général, pour connecter directement un agent, il faut implémenter séparément en code la connexion MCP, la recherche d’outils, les mécanismes d’approbation, etc. Spring AI Playground met l’accent sur la possibilité de vérifier ce flux dans une application desktop, sans écrire de code Java. Grâce à la fonction de proxy MCP, il est aussi possible de configurer le HITL dans l’interface utilisateur pour des outils MCP existants.
Les outils nécessaires peuvent être recherchés et connectés dynamiquement selon la requête (Dynamic Tool Discovery), et pour les opérations risquées comme l’écriture de fichiers, une fenêtre d’approbation apparaît selon le niveau de risque (L0~L5). On peut aussi vérifier directement comment sont traitées les approbations et les refus. Les échanges, appels d’outils, tokens, coûts et risques peuvent être consultés ensemble dans le tableau de bord d’Observability.
Le modèle s’exécute en local (Ollama), donc les prompts ne quittent pas la machine. On peut aussi voir dans le code comment les agents, les clients/serveurs MCP et le HITL ont été implémentés avec Java et Spring.
GitHub : https://github.com/spring-ai-community/spring-ai-playground
Documentation : https://spring-ai-community.github.io/spring-ai-playground/
Téléchargement (Windows/macOS/Linux) : https://spring-ai-community.github.io/spring-ai-playground/…
Le MCP KOSIS étant un service pilote du Bureau national des données, son endpoint peut changer. Ce projet est un open source indépendant qui utilise ce service.
Si vous avez déjà connecté un MCP de données publiques à un agent réel, ou si vous avez un avis sur la conception HITL (Human-in-the-Loop), vos retours sont les bienvenus.
Aucun commentaire pour le moment.