Ein MCP-Server, der Ihre Rechte durchreicht statt sie zu umgehen

Pyro: von der Frage zum Ergebnis

Pyro erkundet Tabellen, schreibt Abfragen und zeigt Ergebnisse direkt als Diagramm. Aus einem Diagramm wird auf Wunsch eine Dashboard-Kachel. Im lavaflow-Editor hilft Pyro beim Entwurf und bei Änderungen am Ablauf; Jobs, Berichte und Datenmodelle lassen sich ebenfalls im Gespräch vorbereiten.

Woran Agenten auf Unternehmensdaten scheitern

Wenn ein Assistent mit einem technischen Sammelkonto auf das Warehouse zugreift, sieht er alles – und damit sieht jeder, der ihn geschickt fragt, alles. Die Antwort darauf ist meist ein zweites Rechtemodell nur für den Agenten, das neben dem eigentlichen liegt und irgendwann auseinanderläuft.

lavalake nimmt einen anderen Weg: der Agent bekommt kein eigenes Konto. Er arbeitet mit demselben eingetauschten Token wie Sie. Was Sie nicht sehen dürfen, sieht er in Ihrer Sitzung auch nicht – ohne dass dafür eine einzige zusätzliche Regel gepflegt werden muss.

Ein Agent mit eigenen Rechten ist ein zweites Rechtemodell. Zwei Rechtemodelle laufen immer auseinander.

Kuratierte Werkzeuge statt freiem SQL

Der Agent bekommt keine offene Datenbankverbindung, sondern eine Liste von Werkzeugen. Katalog und Schema erkunden, Tabellen beschreiben, lesend abfragen, semantisch suchen, Kennzahlen der Semantikschicht abrufen, Dashboards anlegen, Rollen in Keycloak verwalten, Importe starten.

trino_list_catalogs        lesend
trino_list_schemas         lesend
trino_describe_table       lesend
trino_run_readonly_query   lesend
semantic_search            lesend
query_semantic_metric      lesend
list_semantic_metrics      lesend

inspect_csv / import_csv       verändernd
define_semantic_metric         verändernd
create_dashboard               verändernd
add_dashboard_tile             verändernd
keycloak_assign_role           verändernd

trino_drop_table               löschend
delete_dashboard               löschend
delete_semantic_metric         löschend

trino_execute_statement    je Anweisung eingestuft
platform_pod_status        lesend

Weil die Werkzeuge benannt sind, ist auch nachvollziehbar, was ein Agent getan hat. Ein Protokoll aus freiem SQL beantwortet die Frage „was ist hier passiert“ schlecht; ein Protokoll aus Werkzeugaufrufen beantwortet sie gut.

Gate, Audit, Ausführung

Jeder Werkzeugaufruf läuft durch drei Stufen. Zuerst die Einstufung: ist das lesend, verändernd oder löschend? Bei freiem SQL entscheidet das ein Klassifizierer je Anweisung, nicht der Werkzeugname. Dann der Protokolleintrag. Erst dann die Ausführung – und bei verändernden und löschenden Schritten erst nach Ihrer Bestätigung.

Das Modell bleibt Ihre Entscheidung

Mit der Plattform wird kein Modellschlüssel ausgeliefert. Sie wählen die Anbindung: ein eigener API-Schlüssel, ein selbst gehostetes Modell mit OpenAI-kompatibler Schnittstelle, oder eine Claude-Anmeldung je Nutzer. Für die semantische Suche brauchen Sie ohnehin keine Anbindung – das Einbettungsmodell läuft lokal mit.

• Eigener API-Schlüssel für einen externen Anbieter
• Selbst gehostetes Modell über eine OpenAI-kompatible Adresse
• Claude-Anmeldung je Nutzer, Gates bleiben erhalten
• Einbettungen ab Werk lokal, Anbieter konfigurierbar
• Azure OpenAI, AWS Bedrock und Google Vertex AI als Anbieter
• Kuratierte Kennzahlen über gespeicherte Definitionen abfragen

Der Agent kann das Modell selbst aufbauen

Weil der Assistent Katalog und Schemata lesen und Kennzahlen definieren darf, kann er die Semantikschicht aus Ihren Daten heraus vorschlagen und anlegen – jeder Schritt mit Rückfrage, jeder Schritt im Protokoll. Das ist der Teil, der sonst monatelang liegen bleibt, weil niemand Zeit hat, Metriken zu definieren.