GAEB in Ihrem KI-Assistenten – mit dem pyGAEB-MCP-Server

Beim letzten Mal haben wir gezeigt, wie man GAEB-Dateien in Python mit pyGAEB liest. Das ist das richtige Werkzeug, wenn man Code schreibt. Aber viele, die mit Ausschreibungen zu tun haben, schreiben keinen Code — es sind Kalkulatoren und Projektleiter, die inzwischen den ganzen Tag einen KI-Assistenten offen haben. pyGAEB 1.15 gibt ihnen einen Zugang: einen Model-Context-Protocol-Server (MCP). Eine .X83 in ChatGPT, Gemini, Claude oder Cursor ziehen und in natürlicher Sprache fragen, was sie kostet.

Was MCP ist, in einem Absatz

MCP ist ein offener Standard, über den KI-Assistenten Werkzeuge aufrufen können. Es ist keine Anthropic-Sache — der Standard wurde an die Agentic AI Foundation der Linux Foundation übergeben und wird ebenso von OpenAI, Google und Microsoft getragen. Die entscheidende Folge: Der pyGAEB-Server spricht selbst nie mit einem Modell. Er stellt Werkzeuge bereit; die Kommunikation übernimmt der Assistent, den Sie ohnehin nutzen. Es gibt also keinen API-Schlüssel zu verwalten, keine Anbieterbindung und — weil alles als lokaler Prozess läuft — keinen Upload.

Installieren und verbinden

pip install pyGAEB[mcp]

Dann den Assistenten darauf verweisen. Für Claude:

claude mcp add pygaeb -- pygaeb-mcp --root ~/ausschreibungen

Oder der entsprechende Konfigurationsblock, den jeder MCP-Client versteht:

{
  "mcpServers": {
    "pygaeb": {
      "command": "pygaeb-mcp",
      "args": ["--root", "/Users/sie/ausschreibungen"]
    }
  }
}

--root ist das Einzige, das man bewusst setzen sollte: Es ist das einzige Verzeichnis, aus dem der Server lesen darf. Erfordert Python 3.10 oder neuer.

Was Sie tatsächlich fragen können

Einmal verbunden, sind es genau die Fragen, die ein Kalkulator wirklich hat:

• „Wie hoch ist die Gesamtsumme von tender.X83, und welche fünf Positionen sind am teuersten?"
• „Gibt es Alternativpositionen, die ich beachten sollte?"
• „Durchsuche das Leistungsverzeichnis nach Asbest und zeige mir, wo es erwähnt wird."
• „Vergleiche die Version von letzter Woche mit dieser — was hat sich geändert, und wie wirkt sich das finanziell aus?"

Im Hintergrund ruft der Assistent kleine, typisierte Werkzeuge auf — Datei öffnen, Struktur auflisten, die teuren Positionen herausziehen, den Text einer Position lesen, zwei Versionen vergleichen, Angebote vergleichen. Sie sehen davon nichts; Sie sehen die Antwort.

Der schwierige Teil: den Assistenten nicht ertränken

Ein echtes Leistungsverzeichnis hat mehrere Megabyte. Tausende Positionen, Beschreibungstexte von zehntausenden Zeichen pro Position, eingebettete Anhänge. Der naive Ansatz — ein Werkzeug, das dem Modell das ganze Dokument übergibt — ist nutzlos: Er sprengt schon beim ersten Aufruf das Kontextfenster und kostet ein Vermögen.

Deshalb ist der pyGAEB-Server bewusst abfrageorientiert, nicht ausgabeorientiert. Er liefert nie Anhang-Bytes oder einen Komplettauszug des Dokuments. Langtext wird als Vorschau gezeigt und auf Anfrage seitenweise nachgeladen. Jede Liste ist paginiert und sagt dem Modell, wie viel es nicht gesehen hat. Das Ergebnis: „Welche fünf Positionen treiben die Kosten bei diesem Leistungsverzeichnis mit 5.000 Positionen?" kommt in etwa zwei Kilobyte zurück, nicht in zwei Megabyte. Genau diese Disziplin macht das Ganze auf Dateien dieser Größe erst nutzbar.

Und es rechnet korrekt, dort wo es leicht falsch wird. Summen folgen der VOB/A — Alternativ- und Eventualpositionen haben zwar Preise, zählen aber nicht zur Auftragssumme, genau wie pyGAEBs eigenes grand_total. Ein Assistent, der „die Summe" nennt, schlägt keine Positionen still dazu, die der Auftraggeber nie zahlen muss.

Ein ehrliches Wort zum Datenschutz

Die Datei verlässt Ihren Rechner nicht — es gibt keinen Upload, und nichts geht an DatumOS. Aber seien wir bei allem Übrigen klar: Die kleinen, begrenzten Antworten, die das Werkzeug zurückgibt, gehen sehr wohl an den KI-Anbieter Ihres Assistenten, denn dieser Anbieter ist es, der sie liest. Das abfrageorientierte Design verkleinert das von Megabyte auf Kilobyte, was ein echter Unterschied ist, aber nicht null. Wenn Sie eine vollständig lokale Verarbeitung brauchen, nutzen Sie die pyGAEB-Bibliothek direkt oder richten Sie ihre Klassifikationsschicht auf ein lokales Modell aus. Der MCP-Server ist standardmäßig nur lesend; das Zurückschreiben von Dateien ist aus, solange Sie es nicht ausdrücklich einschalten.

Wo das hineinpasst

Der MCP-Server ist pyGAEB dort, wo die Menschen ohnehin arbeiten. Es ist dieselbe quelloffene Parsing-Engine wie die Bibliothek — MIT-lizenziert, auf GitHub — jetzt aus jedem KI-Assistenten erreichbar, ohne eine Zeile Python zu schreiben. Wenn ein Team mehr braucht als Ad-hoc-Fragen — gemeinsame Klassifikation, Kalkulation, einen Prüf-Workflow und Daten, die an einem Ort bleiben — dann ist das der Zweck der DatumOS-Plattform.

Wenn Sie ohnehin in einem KI-Assistenten leben und mit GAEB-Dateien zu tun haben, ist das eine Zwei-Minuten-Einrichtung. pip install pyGAEB[mcp], auf Ihren Ausschreibungsordner verweisen und fragen.