← Alle Artikel

Mit den eigenen Daten sprechen: Agentic Analytics mit Angular (CopilotKit)

Mit den eigenen Daten sprechen: Agentic Analytics mit Angular (CopilotKit)

Ein Fachbereich hat Fragen an seine Daten. Wie hat sich der Absatz im letzten Quartal entwickelt? Welche Produkte tragen die Marge? Bisher heißt das, einen Report anzufragen oder zu warten, bis jemand die passende SQL-Abfrage schreibt. Für einen Kunden im Energiehandel habe ich das abgekürzt. In seiner Fachanwendung beantwortet jetzt ein AI-Agent Fragen zu Kennzahlen und Handelsdaten in natürlicher Sprache, ohne Zugriff auf personenbezogene Daten.

Vor dem Einbau in die Fachanwendung stand eine Machbarkeitsstudie. Ich habe den Ansatz als eigenständige Demo-App entworfen, auf einer frei verfügbaren Beispieldatenbank. Sie war die Grundlage für die spätere Umsetzung beim Kunden. Weil sie keine Kundendaten enthält, kann ich sie zeigen. Die Demo ist Open Source, und du kannst die Entwicklung an ihr Schritt für Schritt nachvollziehen.

Warum zuerst eine Machbarkeitsstudie?

Ein Sprachmodell an Geschäftsdaten zu lassen, wirft Fragen auf, die man vor dem ersten Einsatz beantworten will. Findet das Modell zuverlässig die richtigen Zahlen? Wie verhindern wir, dass es frei SQL gegen die Datenbank schreibt? Wie bleiben personenbezogene Daten beim Anbieter des Sprachmodells draußen? Und passt das Ganze zu einem bestehenden .NET-Backend?

All das lässt sich an Beispieldaten klären, ohne einen einzigen Datensatz des Kunden anzufassen. Die Demo nutzt dafür AdventureWorks von Microsoft. Die Datenbank enthält die Verkäufe eines fiktiven Fahrradherstellers zwischen Dezember 2010 und Januar 2014 und steht frei unter MIT-Lizenz.

Was die Demo kann

Du stellst im Chat eine Frage, etwa nach dem Umsatz pro Quartal und Kanal oder nach den zehn umsatzstärksten Händlern in Deutschland. Die App selbst spricht Englisch. Der Agent holt die Zahlen aus dem Backend und zeichnet die Antwort in den Chat. Je nach Frage wird daraus ein Linien-, Balken- oder Kennzahl-Diagramm, eine Tabelle, eine Produktkarte mit Foto oder ein Händlerprofil. Beispielfragen über dem Chat schicken eine vorbereitete Frage mit einem Klick. Und fragst du den Agenten, was er kann, schlägt er selbst Fragen vor.

Der Chat mit der Antwort auf „What can you do for me?“: Kennzahlen, Dimensionen und Beispielfragen; rechts das noch leere Dashboard

Auf „What can you do for me?“ zählt der Agent auf, wonach er auswerten kann, und schlägt passende Fragen vor. Das Dashboard rechts ist noch leer.

Gefällt dir eine Antwort, heftest du sie ans Dashboard. Das geht per Knopf oder per Chat.

Eine Semantikschicht statt freiem SQL

Das ist für mich der wichtigste Baustein. Das Sprachmodell schreibt nie SQL. Es wählt aus einer Semantikschicht Kennzahlen (Umsatz, Kosten, Marge, Stückzahlen, Bestellungen, Rabatte, Fracht), Dimensionen (Zeit, Kanal, Produkt, Farbe, Region, Händler, Aktion) und Filter. Das Backend prüft jede Anfrage gegen diese Schicht und übergibt alle Werte als Parameter an die Datenbank.

Die Werkzeuge, die das Modell aufrufen darf, werden aus derselben Semantikschicht erzeugt. Das Modell kennt also nur Namen, die es gibt. Der Agent kommt mit drei Werkzeugen aus. Eine neue Art von Frage braucht eine neue Kennzahl oder Dimension in der Semantikschicht, aber kein neues Werkzeug.

Generative UI mit Angular und CopilotKit

Die App rendert die Werkzeugaufrufe des Agenten als Angular-Komponenten. Das nennt sich Generative UI. Für Chat und Generative UI sorgt CopilotKit mit seiner Angular-Anbindung. Zwischen App und Agent spricht das Protokoll AG-UI (Agent-User Interaction), gestreamt als Server-Sent Events.

Das Frontend selbst ist modernes Angular. Es läuft ohne Zone.js und arbeitet mit Signals und httpResource.

Ein Dashboard, das ohne Sprachmodell lädt

Eine angeheftete Ansicht speichert die Abfrage und keine Zahlen. Beim Laden fragt jede Kachel das Backend selbst. Dafür braucht das Dashboard kein Sprachmodell und verbraucht keine Tokens. Ist gar kein Modell eingerichtet, startet die App trotzdem, und das Dashboard funktioniert weiter.

Im Alltag hilft das Sprachmodell also beim Finden der richtigen Auswertung. Wer sie danach jeden Morgen ansieht, zahlt dafür nichts mehr.

Personenbezogene Daten bleiben draußen

Alles, was ein Werkzeug zurückgibt, landet beim Anbieter des Sprachmodells. Deshalb enthält schon die Semantikschicht keine personenbezogenen Daten. Firmennamen gehören dazu, Personen nicht. Es gibt keine Vertriebsmitarbeiter, keine Key-Account-Manager und keine Ansprechpartner. Die klassische AdventureWorks-Auswertung über Fahrradkäufer nach Alter und Einkommen fehlt bewusst, weil es dabei um Privatpersonen geht.

Das Datenbankkonto der Backends darf nur drei Sichten lesen, die keine personenbezogenen Daten enthalten. Auf welches Vertriebsgebiet sie beschränkt sind, setzt die Datenbank selbst durch. Einen Schalter dafür gibt es in der App absichtlich nicht.

Zwei Backends für Node.js und .NET

Dieselbe Angular-App läuft wahlweise mit einem von zwei Backends.

  • NestJS mit dem Agenten-Framework Mastra, Drizzle und PostgreSQL
  • ASP.NET Core als Minimal API mit dem Microsoft Agent Framework, Entity Framework Core und SQL Server

Beide erzeugen ihr OpenAPI-Dokument aus dem eigenen Code. Contract-Tests stellen sicher, dass beide Dokumente denselben Vertrag beschreiben und beide Backends gleich antworten. Der Agent hat in beiden Fällen denselben Systemprompt und dieselben Werkzeuge. Er läuft im Prozess des Backends oder als eigener Mastra-Dienst davor.

Warum zweimal? Viele Unternehmen haben ein .NET-Backend, viele Angular-Teams denken in TypeScript. Die Demo zeigt, dass der Ansatz in beiden Welten gleich funktioniert.

Das Sprachmodell nach Wahl

Welches Modell antwortet, steht in der Konfiguration. Zur Wahl stehen Claude von Anthropic, OpenAI, Google Gemini und Mistral. Für OpenAI und Mistral lässt sich die Verarbeitung in der EU einstellen. Ohne API-Schlüssel antwortet ein Demo-Modell, das ohne Sprachmodell auskommt. Es sucht nach Stichwörtern in der Frage und bildet sie auf die Semantikschicht ab. So läuft die App auch ohne Kosten.

Zum Lernen zeigt ein Fenster unter dem Chat jede Nachricht auf beiden Strecken. Du siehst die AG-UI-Ereignisse zwischen Browser und Agent und die Anfragen zwischen Agent und Sprachmodell. So ist genau zu sehen, was das Modell bekommt.

Was du wissen solltest

⚠️ Achtung: Das Fenster mit dem Nachrichtenverkehr zeigt die ganze Unterhaltung, jedes Werkzeug-Ergebnis und den Systemprompt. In einer produktiven Anwendung hat es nichts zu suchen. In der Demo schaltest du es mit DEBUG_TRAFFIC=off in agent/.env ab.

  • SQL Server gibt es nur für amd64. Auf Apple Silicon läuft er emuliert und braucht etwa 2 GB Speicher in der Docker-VM.
  • Die kostenlose Developer Edition von SQL Server sendet Nutzungsdaten an Microsoft und lässt sich nicht abschalten. In der Demo liegen dort nur die Beispieldaten. Für den Einsatz mit echten Daten nimmst du PostgreSQL oder eine bezahlte Edition.
  • Eine Frage außerhalb der Semantikschicht beantwortet der Agent nicht. Das ist gewollt. Neue Fragen brauchen eine neue Kennzahl oder Dimension.

Selbst ausprobieren

Du brauchst nur Docker mit Compose. Ein API-Schlüssel ist optional.

git clone https://github.com/angular-schule/demo-agentic-analytics.git
cd demo-agentic-analytics
cp .env.example .env              # Datenbank-Passwörter und DATA_SCOPE
cp agent/.env.example agent/.env  # Modell und API-Schlüssel; weglassen für das Demo-Modell

docker compose --profile node up --build     # NestJS + Mastra + PostgreSQL
# oder
docker compose --profile dotnet up --build   # ASP.NET Core + Microsoft Agent Framework + SQL Server

Danach läuft die App auf http://localhost:8080. Der erste Start importiert die AdventureWorks-Daten und dauert ein paar Minuten.

Fazit

Mit den eigenen Daten zu sprechen, ist aus meiner Sicht einer der nützlichsten Einsätze von AI-Agenten in Fachanwendungen. Den Unterschied macht die Semantikschicht. Sie hält das Modell bei den Zahlen, die es gibt, und personenbezogene Daten von vornherein draußen. Die Machbarkeitsstudie hat das an Beispieldaten gezeigt, bevor der Agent beim Kunden in die Fachanwendung kam.

Die Idee geht auf Manfred Steyers Live-Coding-Workshop „Build an Agentic Analytics App with Angular“ zurück (seine Demo). Meine Fassung ist neu gebaut, mit eigenen Daten, zwei eigenen Backends und einem klaren Schwerpunkt auf Datenschutz. Eine Artikelserie mit allen Details für angular.schule ist in Vorbereitung.

Du willst so einen Agenten für deine eigenen Daten? Schreib mir, ich bin ab sofort verfügbar.