Land Intelligence Research MCP

Kann ein KI-Forschungsanalyst über Land nachdenken, ohne die Beweise zu erfinden?

Land Intelligence Research MCP ist ein unabhängiger Forschungsprototyp, der untersucht, wie gesteuerte Analytik und Model Context Protocol (MCP) die Forschung zu Entwicklungsoptionen von Land unterstützen können.

Das Projekt wird motiviert durch ein breiteres Forschungsinteresse an Landökonomie, Energie- und Infrastrukturentwicklung sowie langfristiger Landbewirtschaftung. Es fragt:

Wie sollten Landeigentümer, Investoren und Entwickler über Entwicklungsoptionenialität nachdenken, wenn ein Grundstück gleichzeitig wirtschaftlichen, infrastrukturellen und ökologischen Wert hat?

Die aktuelle Implementierung konzentriert sich auf Screening der Entwicklungsoptionenialität mithilfe eines deterministischen synthetischen Datensatzes. Sie kombiniert Grundstücksmerkmale, Infrastrukturnähe, Landnutzungsbeschränkungen und synthetische Ergebnisse in einer gesteuerten analytischen Ebene, auf die ein LLM über MCP-Tools zugreifen kann.

Forschungshinweis: Dieses Repository verwendet synthetische Daten und transparente Screening-Heuristiken für Forschungs- und Demonstrationszwecke. Optionalitätsscores sind keine Bewertungen, Prognosen, kausalen Schätzungen, Entwicklungswahrscheinlichkeiten oder Investitionsempfehlungen.

Warum dieses Projekt

Ein häufiges Fehlermuster in der KI-Analytik besteht darin, dem Sprachmodell zu erlauben, die Analytik-Engine zu werden: Es liest Rohdateien, schreibt Ad-hoc-Abfragen, ändert stillschweigend Definitionen und erzeugt Zahlen, die schwer zu steuern oder zu reproduzieren sind.

Dieses Projekt verfolgt einen anderen Ansatz:

LLM / research agent
        |
        | reasoning, question framing, synthesis
        v
Model Context Protocol
        |
        | governed tool surface
        v
DuckDB analytical layer
        |
        | joins, scoring, aggregation, validation
        v
deterministic synthetic land data

Das LLM ist für das Denken verantwortlich. Die Analyseebene ist für quantitative Beweise verantwortlich.

Wenn das MCP keine Beweise bereitstellt, die zur Beantwortung einer Frage erforderlich sind, ist das gewünschte Verhalten, die analytische Lücke aufzuzeigen, anstatt das System zu umgehen oder ein Ergebnis zu erfinden.

Related MCP server: real-estate-ai

Forschungsperspektiven

Dieselben gesteuerten Beweise können je nach Stakeholder unterschiedliche Entscheidungen unterstützen.

Institutioneller Landeigentümer / TIMO-artiger Eigentümer

Ein langfristiger Eigentümer könnte fragen, welche Vermögenswerte eine sinnvolle Entwicklungsoptionenialität aufweisen, ob die Optionenialität breit oder konzentriert ist und welche Vermögenswerte eine strategische Due-Diligence vor einer Halte-, Verkaufs-, Leasing-, Entitlement- oder Entwicklungspartnerschaftsentscheidung rechtfertigen.

Investor / Kapitalallokator

Ein Investor könnte fragen, wo Due Diligence oder Kapital eingesetzt werden sollte, ob die Optionenialität bereits im aktuellen Nutzungswert berücksichtigt ist und welche Underwriting-Beweise noch fehlen.

Entwickler

Ein Entwickler könnte fragen, welche Parzellen eine tiefere Machbarkeitsarbeit verdienen und ob günstige Infrastrukturnähe-Signale die physischen Einschränkungen auf Parzellenebene überleben.

MCP-Analyseoberfläche

Der Server stellt fünf gesteuerte Tools bereit:

• list_research_questions

• compare_counties

• rank_land_optionality

• explain_parcel_score

• evaluate_optionality_signal

Er stellt außerdem bereit:

• Ressource: research://catalog

• Prompt: land_research_investigation

Datenmodell

Das Projekt enthält sechs deterministische synthetische relationale Tabellen:

counties
   |
   +----< parcels ----< transactions
   |         |
   |         +---- parcel_infrastructure ----> infrastructure
   |         |
   |         +---- development_outcomes
   |
   +----< infrastructure

Die synthetische Fixture ist mit Seed 42 reproduzierbar. Ein Manifest und SHA256-Checksummen sind enthalten.

Optionalitätssignal

Der Optionalitätsscore ist eine transparente Screening-Heuristik, die Signale wie Parzellenfläche, Zonierung, Hangneigung, Hochwasserrisiko, Feuchtgebietsanteil und Nähe zu Umspannwerken, Übertragungsleitungen, Glasfaser, Autobahnen und Rechenzentrumsinfrastruktur berücksichtigt.

Der Score ist bewusst nicht als Bewertung oder Vorhersagewahrscheinlichkeit formuliert.

Das Tool evaluate_optionality_signal prüft, ob der Score synthetische Entwicklungsergebnisse nach Score-Dezil trennt. Dies ist nützlich, um den Forschungsablauf zu testen, ist aber kein Beweis für reale Vorhersagevalidität.

Lokale Einrichtung

Empfohlene Voraussetzungen:

• Python 3.11+

• uv

• Claude Code, wenn Sie den LLM + MCP-Workflow testen möchten

Vom Repository-Root aus:

python3.11 scripts/preflight.py

Dann starten Sie den MCP-Entwicklungsmodus:

./scripts/run_mcp_dev.sh

Registrieren Sie mit Claude Code:

./scripts/register_claude.sh

Dann:

claude

In Claude:

/mcp

Genehmigen Sie land-intelligence, wenn Sie dazu aufgefordert werden.

Beispiel-Agent-Prompt

Act as a research analyst supporting a long-duration institutional landowner.

Use the land-intelligence MCP as your only quantitative data and analytics interface. Do not inspect the underlying CSVs, database, SQL, Python files, manifests, or other repository artifacts directly.

Determine which markets and parcels appear to have the strongest development optionality, what evidence supports that conclusion, and what evidence should make the investment team cautious.

Every material numerical claim should come from an MCP tool result. If an important question cannot be answered through the current MCP analytical surface, identify the gap rather than bypassing the MCP or guessing.

Weitere Investor-, Entwickler-, Red-Team- und Cross-Stakeholder-Prompts finden Sie in PROMPTS.md.

Breitere Forschungsrichtung

Die aktuelle Implementierung konzentriert sich auf Entwicklungsoptionenialität und Infrastruktur-/Landbeschränkungen.

Zukünftige Forschung könnte sich auf Strommarktdaten und Interconnection-Daten, Zonierungs- und Entitlement-Historien, Entwicklungsvergleiche, Leasing- und Optionsstrukturen, Naturschutzservituten, Lebensraumqualität und -fragmentierung, Biodiversitätsbeschränkungen, Kohlenstoff- und Naturkapitalökonomie, Wasserverfügbarkeit, NPV-/IRR-Szenarien und räumliche Portfoliooptimierung erstrecken.

Der Lebensraumschutz ist Teil der breiteren Forschungsmotivation, aber das aktuelle synthetische Modell sollte nicht als Habitatqualitätsmodell interpretiert werden.

Unabhängigkeit und Zuschreibung

Dies ist ein unabhängiges Forschungsprojekt. Es wurde durch öffentliche Forschung zu institutionellem Landbesitz und Unternehmen an der Schnittstelle von Land, Infrastruktur, Energie und langfristigem Vermögensmanagement informiert.

Es ist nicht mit einem bestimmten Unternehmen, Investmentmanager, Entwickler, Landeigentümer oder Datenanbieter verbunden, von ihm unterstützt oder repräsentativ für ihn. Alle enthaltenen Datensätze und Ergebnisse sind synthetisch.

Lizenz

MIT