Eine verwaltete KI-/MCP-Delivery-Intelligence-Demo über ein vollständig synthetisches Unternehmensprogramm.
Es hilft einem Delivery-Lead, folgende Fragen zu beantworten: Was hat sich geändert, was ist blockiert, welche Abhängigkeit ist als Nächstes relevant, welche Auswirkungen hat ein Change Request und welche Aussagen sind durch Belege gestützt. Der Kernwert funktioniert ohne API-Schlüssel.
Öffnen Sie die generierte Workbench: workbench/index.html
Prüfen Sie den stärksten Codepfad: delivery_intelligence/engine.py
Überprüfen Sie die MCP-Tool-Grenze: delivery_intelligence/mcp_server.py
Prüfen Sie die Evaluationsumgebung: delivery_intelligence/evaluation.py
Führen Sie das Projekt aus:
python -m pip install -e .
python -m delivery_intelligence build
python -m delivery_intelligence validate
python -m unittest discover -s testsRelated MCP server: PM Governance MCP Server
Fähigkeit | Öffentliche Belege |
KI-/MCP-Tool-Design | Sieben fokussierte MCP-Tools über ein kohärentes Programmmodell, mit strukturierten Ausgaben und validierten Argumenten. |
Delivery-/Programmdenken | Meilensteine, RAID, Entscheidungen, Change Requests, Bereitschaftsgates, Abhängigkeiten und Steuerungskontextpaket. |
Halluzinationskontrollen | Unbelegte Aussagen geben |
Belegnachvollziehbarkeit | Ausgaben trennen Quellfakten, deterministische Ableitungen und Empfehlungen mit Belegreferenzen. |
Evaluationsdisziplin | Deterministische Prüfungen decken Tool-Verträge, Belegabdeckung, Ablehnungsverhalten, Änderungsauswirkungen und Wiederholbarkeit ab. |
Kosten-/Latenzbewusstsein | Tool-Ausgaben enthalten Latenz- und Kostenschätzungstelemetrie; der deterministische Kern hat null Modellkosten. |
flowchart LR
A[Synthetic programme fixture] --> B[Deterministic delivery engine]
B --> C[Evidence ledger]
B --> D[Tool registry]
D --> E[Optional MCP server]
D --> F[Evaluation harness]
D --> G[Generated workbench]
H[Future data adapter] -. documented boundary .-> A
I[Optional narrative adapter] -. recommendations only .-> DDie öffentliche Demo steht für sich allein. Sie importiert kein anderes Portfolio-Repository und legt keine privaten operativen, Jobsuch-, E-Mail-, Gehalts-, Berechtigungs-, Anmelde- oder Kontodaten offen.
Tool | Zweck |
| Erklärbarer Health-Score mit Formel, Einschränkungen und Belegen. |
| Deterministische RAID-Priorisierung nach Schweregrad, Wahrscheinlichkeit, Auswirkung und Überfälligkeitsstatus. |
| Traversierung nachgelagerter Abhängigkeiten ab einem Meilenstein. |
| Auswirkungen auf Zeitplan, Kosten, Umfang und Bereitschaft für einen Change Request. |
| Blockierte Entscheidungen, Blocker und fehlende Belege. |
| Board-fähiges Kontextpaket mit getrennten Fakten, Ableitungen und Empfehlungen. |
| Belegsuche oder Ablehnung, wenn die Unterstützung unzureichend ist. |
Ebene | Bedeutung | Beispiel |
Quellfakten | Synthetische Fixture-Datensätze: Meilensteine, RAID, Abhängigkeiten, Entscheidungen, Gates und Snapshots. | Prognose für den Zahlungsstopp auf Tag 92 verschoben. |
Deterministische Ableitungen | In Python berechnete Scores, Risikorangfolgen, Auswirkungspfade und Belegabdeckung. | Die Verzögerung des Zahlungsstopps wirkt sich auf den Pilotstart aus. |
Empfehlungen | Richtlinienvorschläge, die aus nachvollziehbaren Fakten und Ableitungen generiert werden. | Einen Change Request aufteilen oder verschieben, es sei denn, der Sponsor akzeptiert die Auswirkung auf den Zeitplan. |
Optionale KI-Erzählung | Nur zukünftige Adaptergrenze; für Tests oder Demo nicht erforderlich. | Ein Modell darf eine Steuerungszusammenfassung umschreiben, aber keine unbelegten Fakten erzeugen. |
Das Kernpaket hat keine Laufzeitabhängigkeiten. Um den echten MCP-Server mit dem offiziellen Python-SDK auszuführen:
python -m pip install -e ".[mcp]"
delivery-intelligence-mcpDas MCP-Extra ist optional, weil die deterministische Engine, die Workbench und die Evaluationsumgebung ohne Dienstzugangsdaten oder Modellzugriff überprüfbar bleiben sollen.
Ausführen:
python -m delivery_intelligence evalDie Umgebung prüft:
Gültigkeit der Tool-Call-Verträge;
Belegabdeckung für Health- und Steuerungsausgaben;
Ablehnung unbelegter Aussagen;
Korrektheit der Auswirkungen von Änderungen/Abhängigkeiten gegenüber dem bekannten Fixture;
Wiederholbarkeit über deterministische Läufe hinweg;
Vorhandensein von Latenz- und Kostenschätzungstelemetrie.
Nur synthetisches Programm.
Keine externen Aktionen.
Keine breiten Dateisystem-, Netzwerk- oder Shell-Tools.
Keine Vektordatenbank oder Orchestrierungsframework.
Kein API-Schlüssel erforderlich.
Keine privaten Programm-, Jobsuch-, Lebenslauf-, Recruiter-, Konto-, Gehalts-, Rechts-, Berechtigungs- oder Anmeldedaten.
Zukünftige Adapter müssen dieselbe Beleggrenze einhalten.
delivery_intelligence/
fixtures.py synthetic programme records
engine.py health, risk, dependency, change and evidence reasoning
tools.py validated tool registry and telemetry wrapper
mcp_server.py optional real MCP server using the Python SDK
evaluation.py deterministic evaluation harness
workbench.py generated HTML/SVG workbench artifacts
tests/ engine, tool, evaluation and visual-output checks
docs/ architecture, tool, evaluation and portfolio notes
workbench/ generated self-contained workbenchMIT.
This server cannot be installed
Unclaimed servers have limited discoverability.
If you are the server author, to access and configure the admin panel.
Generate answers & visualizations from your engineering data to track software development health.
Transformation readiness gaps and initiative risk signals for AI agents and enterprise change leads.
Deterministic context layer for your codebase: change impact, blast radius, answers with receipts.
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/mypoorbrain/delivery-intelligence-mcp-workbench'
If you have feedback or need assistance with the MCP directory API, please join our Discord server