OpenTakeoff: Aufmaß-Engine für KI-Agenten per MCP

OpenTakeoff ist ein quelloffenes PDF-Aufmaßwerkzeug für Bau und Bodenbeläge, das ein KI-Agent über das Model Context Protocol (MCP) direkt steuert, während die verbindliche Freigabe beim Menschen bleibt. Das Projekt von Kentucky AI steht unter AGPL-3.0-only; Stände bis zum Commit 84c7f48e lagen noch unter Apache-2.0.

Was die Engine misst

Eingelesen werden PDFs, Bilder und ganze Plansätze als ZIP, entpackt wird im Browser. Flächen entstehen über eine Ein-Klick-Erkennung sowie manuelle Werkzeuge für Fläche, Rechteck, Linie, gekrümmte Kanten, Oberflächen, Stückzahlen und Ausschnitte. Daraus rechnet die Engine Verschnitt, Multiplikatoren, Einkaufslisten, die Nahtlage von Rollenware und einen Fugenrechner aus Fliesenmaß und Fugenbreite. Mehrere Blätter lassen sich über Anschlusslinien zusammenfügen, maximal vier davon nebeneinander.

Die Ein-Klick-Erkennung ist laut Repository derzeit gesperrt und wartet auf eine erneute Validierung. Das ist die ehrlichere Variante als ein Werkzeug, das im Zweifel irgendeine Zahl ausgibt.

58 Werkzeuge über MCP

Der MCP-Server startet mit npx -y opentakeoff-mcp und benötigt Node 20 oder neuer; ein Build ist nicht nötig. Nach eigener Angabe stellt er 58 Werkzeuge bereit, gruppiert nach Öffnen und Orientieren, Messen, Ableiten, Zeichnungsgraph, Bearbeiten und Prüfen, Signieren sowie Export. Über den Zeichnungsgraph lassen sich Positionsnummern und Raumbücher über Fortsetzungsblätter hinweg auflösen. Zum Export gehören markierte PDFs, DXF und der Rückimport eines bestehenden Aufmaßes.

Der Mensch setzt die Tinte

Drei Sperren stehen zwischen dem Agenten und einer verbindlichen Menge:

• Ohne gesetzten Maßstab verweigert das Werkzeug die Messung.
• Formen eines Agenten erscheinen gestrichelt als Vorschlag; erst ein menschlicher Klick macht sie verbindlich.
• Ein Agent darf seine Arbeit als Agenten-Vermerk kennzeichnen, das Siegel APPROVED bleibt Menschen vorbehalten.

Verweigerungen liefern laut Dokumentation eine benutzbare Begründung statt einer stillen Null. Bei Mengenermittlung ist genau diese selbstsichere Null die teure Fehlerform.

Daten bleiben im Browser

Die Oberfläche setzt auf React 18 mit Vite 6, pdf.js für die Darstellung und whisper-tiny.en als WASM-Modell für Spracheingabe auf dem Gerät. Gespeichert wird in IndexedDB und localStorage; laut Repository verlässt kein Plan den Rechner. Agentenfunktionen laufen gegen selbst hinterlegte OpenAI- oder Anthropic-kompatible Endpunkte — ohne Konfiguration gibt es keine Netzwerkaufrufe.

Wer Daten beisteuert, schickt nur abgeleitete Angaben: Geometrie, Bezeichnungen, Mengen und Herkunftsnachweis. PDFs, Datei- und Kundennamen, Markup-Texte, absolute Koordinaten und Maßstabswerte bleiben ausdrücklich draußen. Empfänger ist ein lokaler Capture-Server in Python 3 ohne Fremdbibliotheken.

Was offen bleibt

Das Repository nennt eigene Messwerte für sein Schätzmodell: 12,3 % mittlerer absoluter prozentualer Fehler auf einem zeitlich getrennten Testsatz gegenüber 62,8 % beim untrainierten Ausgangsmodell, bei einer Fehlergrenze des Geometrie-Scorers von 0,4 %. Diese Zahlen stammen aus der Modellkarte des Projekts, die für diesen Artikel nicht geöffnet wurde; eine unabhängige Prüfung liegt nicht vor. Das Projekt benennt zudem eigene Baustellen: Das Snap-Werkzeug ist Beta, der Revisionsvergleich arbeitet nur auf Mengenebene, und RFC 60 und RFC 87 stehen für Erkennungsgenauigkeit und Zitierketten noch offen.

Beim Abruf zeigte die Projektseite 673 Sterne, 152 Forks und 731 Commits auf main. Für diesen Text war nur eine einzige Quelle verfügbar, nämlich die Selbstdarstellung des Projekts — die Funktionsansprüche sind damit nicht von dritter Seite bestätigt.