Skip to main content
Glama
controlling_mcp_server

controlling_mcp_server

controlling_mcp_server

FastMCP-Server mit PostgreSQL-Backend für Controlling-Anwendungsfälle – Soll/Ist-Abweichungsanalyse mit automatischer Ursachenzuordnung, Forecast und Drill-Down auf Einzelbuchungen.

Dieses Repository zeigt anhand einer stark vereinfachten, an SAP-CO angelehnten Datenstruktur (Kostenstelle, Kostenart, Plan- und Istwerte), wie sich klassische Controlling-Prozesse per MCP-Tools für KI-Clients wie Claude Desktop oder Claude Code zugänglich machen lassen. Der Server stellt reine Werkzeuge bereit (kein eigenständiger Agent) – die Entscheidungslogik übernimmt der jeweils verbundene KI-Client.

1. PostgreSQL-Datenbank anlegen

CREATE DATABASE controlling_demo;

Danach das Schema samt Beispieldaten einspielen:

psql -U postgres -d controlling_demo -f schema.sql

Windows-Hinweis (bekannter Stolperstein): Falls psycopg2.connect() mit einem Encoding-Fehler abbricht, in postgresql.conf (unter C:\Program Files\PostgreSQL\<version>\data\) folgende Zeile setzen und den PostgreSQL-Dienst neu starten:

lc_messages = 'en_US.UTF-8'

Related MCP server: SAP MCP Command Center

2. Python-Umgebung einrichten

python -m venv .venv
.venv\Scripts\activate        # Windows
pip install -r requirements.txt

3. Verbindungsdaten setzen

Der Server liest die Verbindungsdaten aus Umgebungsvariablen (alle als String, siehe unten):

Variable

Default

DB_HOST

localhost

DB_PORT

5432

DB_NAME

controlling_demo

DB_USER

postgres

DB_PASSWORD

(leer)

4. Server lokal testen (ohne Claude)

python server.py

Der Server läuft dann über stdio und wartet auf einen MCP-Client. Zum schnellen Debuggen eignet sich auch der MCP Inspector:

npx @modelcontextprotocol/inspector python server.py

5. Mit Claude Code verbinden

claude mcp add --transport stdio controlling-mcp-server ^
  --env DB_PASSWORD=dein-passwort ^
  -- python C:\pfad\zu\controlling_mcp_server\server.py

Status prüfen:

claude mcp list

6. Alternativ: mit Claude Desktop verbinden

In claude_desktop_config.json ergänzen (alle Werte als String!):

{
  "mcpServers": {
    "controlling-mcp-server": {
      "command": "python",
      "args": ["C:/deploy/mcp2_collection/controlling_mcp_server/server.py"],
      "env": {
        "DB_HOST": "localhost",
        "DB_PORT": "5432",
        "DB_NAME": "controlling_demo",
        "DB_USER": "postgres",
        "DB_PASSWORD": "dein-passwort"
      }
    }
  }
}

7. Agentisches Verhalten ausprobieren

Sobald der Server verbunden ist, im Chat z. B. eintippen:

"Prüfe die Kostenstellen für August 2026 auf Abweichungen und erkläre mir die größte Abweichung samt Ursache."

Ein KI-Client verkettet dafür typischerweise selbstständig:

  1. list_kostenstellen – Übersicht verschaffen

  2. abweichungsanalyse(periode="2026-08") – alle Abweichungen ermitteln

  3. abweichung_erklaeren(kostenstelle=..., periode="2026-08") – für die größte Abweichung die Treiber benennen

  4. optional buchungsdetails(...) – die auffälligen Einzelbuchungen zeigen

  5. optional rollierender_forecast(...) – Ausblick auf die Folgeperiode

Die eingebaute Beispiel-Auffälligkeit: Kostenstelle 4200 (Produktion Werk 1) liegt bei Kostenart 610000 (Materialkosten) im August 2026 wegen eines simulierten Rohstoffpreisanstiegs deutlich über Plan – daran lässt sich die automatische Ursachenzuordnung gut demonstrieren.

Enthaltene Tools

Tool

Zweck

list_kostenstellen

Stammdaten der Kostenstellen

abweichungsanalyse(periode, kostenstelle=None)

Soll/Ist je Kostenstelle & Kostenart

abweichung_erklaeren(kostenstelle, periode)

Haupttreiber + Erklärtext

rollierender_forecast(kostenstelle, kostenart)

einfache Trend-Prognose

buchungsdetails(kostenstelle, kostenart, periode)

Einzelpostenanzeige

Nächste Ausbaustufen (Ideen)

  • Weitere Perioden/Kostenstellen ergänzen, um Trends über mehr Monate zu zeigen.

  • Schwellenwert-Parameter einbauen (z. B. nur Abweichungen > 10 % zurückgeben).

  • Zweiten Server für Rechnungsprüfung/Anomalieerkennung ergänzen und beide Server im selben Client kombinieren.

  • Eigenständigen Agenten (z. B. mit dem Claude Agent SDK) obendrauf bauen, der diese Tools automatisiert und zeitgesteuert (Task Scheduler/Cron) nutzt, statt nur im Chat aufgerufen zu werden.

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      C
      maintenance
      Enables querying three synthetic SAP systems (ERP, S/4HANA, BW) for master data, transactions, and analytics via natural language or MCP tools, with a live dashboard.
      1
      MIT
    • A
      license
      Not graded
      quality
      C
      maintenance
      Enables LLMs to query a synthetic general ledger and trial balance through read-only tools for account lookups, GL drill-down, variance analysis, and naive forecasting, with every answer cited to specific transactions or periods.
      MIT
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables AI agents to perform variance analysis, generate reconciling driver bridges and three-statement forecasts, export Excel workbooks, and analyze SEC or private-company financial data locally with engine-verified calculations.
      MIT