BLS Labor MCP Server

Quellengeprüft, nicht funktional getestet

Die Angaben wurden anhand von Primärquellen geprüft. Skill Road hat keinen praktischen Client-Funktionstest durchgeführt. Funktionsumfang und Einrichtung beruhen auf der Projektdokumentation, nicht auf einer eigenen Bestätigung im Betrieb.

US-Arbeitsmarktstatistik mit klarer Herkunft

Der BLS Labor MCP Server ist ein Community-Projekt von cyanheads, das Daten des US Bureau of Labor Statistics für MCP-Clients zugänglich macht. Die Statistikquelle ist die Behörde, der Server selbst jedoch kein offizielles BLS-Angebot. Diese Unterscheidung gehört zu jeder Bewertung des Projekts. Es richtet sich an Menschen, die Arbeitsmarkt- und Preisentwicklungen recherchieren und dabei einen nachvollziehbaren Weg von einer fachlichen Frage zu einer konkreten statistischen Reihe benötigen, statt eine ungeprüfte Zahl aus dem Modellgedächtnis zu übernehmen.

Die richtige Reihe ist wichtiger als eine schnelle Antwort

Eine Frage nach Arbeitslosigkeit oder Inflation klingt eindeutig, kann aber mehrere fachlich unterschiedliche Reihen meinen. Lege deshalb vor dem Vergleich fest, welche Bevölkerungsgruppe, geografische Ebene und zeitliche Frequenz relevant sind. Prüfe außerdem, ob saisonal bereinigte oder unbereinigte Werte benötigt werden. Bei Löhnen ist zu klären, ob ein Durchschnitt, eine Verteilung oder eine bestimmte Berufsgruppe gemeint ist. Ohne diese Vorarbeit kann selbst ein technisch korrekter Abruf die falsche wirtschaftliche Aussage stützen.

Das Projekt dokumentiert Werkzeuge zum Auffinden von Reihen und Abrufen ihrer Beobachtungen. Die BLS-API stellt Werte zusammen mit Zeitangaben und gegebenenfalls Fußnoten bereit. Für deine Auswertung sollten Reihenkennung, Zeitraum und Einheit erhalten bleiben. Lass den Assistenten vor einer Trendbehauptung die zugrunde liegende Auswahl nennen. Fehlende Beobachtungen sind nicht automatisch Nullwerte, und vorläufige Angaben sollten nicht wie endgültig bestätigte Ergebnisse formuliert werden. Die Originalstatistik bleibt die Referenz bei Zweifeln an einer Zusammenfassung.

Lokaler Betrieb oder Community-Endpunkt

Die Repository-Dokumentation beschreibt stdio für lokale Clients sowie einen öffentlich gehosteten HTTP-Endpunkt. Für den lokalen Grundbetrieb ist ein BLS-API-Schlüssel optional; eine Registrierung kann zusätzliche Kontingente ermöglichen. Das ist kein unbegrenzter Zugang. Plane wiederholte Abfragen deshalb mit angemessenen Grenzen und prüfe die aktuellen Regeln direkt bei BLS. Ein Community-Host spart Installation, bringt aber einen zusätzlichen Betreiber in den Datenfluss. Eigener Betrieb bedeutet wiederum Verantwortung für Updates und sichere Konfiguration.

Zwischengespeicherte Ergebnisse kontrollieren

Die Konfiguration sieht einen lokalen Katalogcache und optionale Funktionen für größere tabellarische Ergebnisse vor. Wer solche Zwischenspeicher verwendet, sollte ihren Speicherort, Lebenszyklus und Zugriff kennen. Das standardmäßig deaktivierte Löschen von DataCanvas-Tabellen ist nicht mit einem Schreibzugriff auf die BLS-Statistik gleichzusetzen. Dennoch erweitert jede aktivierte Funktion die Fähigkeiten des Assistenten. Aktiviere nur, was die konkrete Analyse benötigt, und vermeide unnötige technische Rechte auf gemeinsam verwendeten Systemen.

Einsatzgrenzen bei wirtschaftlichen Aussagen

Das Apache-2.0-lizenzierte Projekt kann Rechercheprozesse vereinfachen, trifft aber keine wirtschaftlichen Entscheidungen für dich. Für einen Bericht solltest du die Quelle, methodische Besonderheiten und den Datenstand dokumentieren. Für Personalentscheidungen reichen allgemeine US-Zeitreihen allein erst recht nicht aus. Sende keine personenbezogenen Beschäftigtendaten an einen öffentlichen Host. Am stärksten ist die Integration als Werkzeug für reproduzierbare öffentliche Recherche, bei der der Assistent bei der Navigation hilft und ein Mensch die statistische Interpretation prüft.

Stand der Quellenprüfung

Dieser Eintrag wurde am 2. Oktober 2026 anhand der verlinkten Primärquellen geprüft. Funktionsumfang und Einrichtung beruhen auf der Dokumentation des jeweiligen Projekts, nicht auf einem eigenen vollständigen Funktionstest. Vor dem produktiven Einsatz solltest du die Verbindung mit unkritischen Beispieldaten prüfen, die freigegebenen Werkzeuge kontrollieren und Antworten mit ihrer Originalquelle abgleichen. Änderungen am Dienst oder Client können eine erneute Prüfung erforderlich machen.

MCP-Client. Lokal laut Projekt Node.js ab Version 24 oder Bun ab 1.4.0. BLS-Schlüssel optional; für größere Kontingente bei BLS registrieren.

Lokal stdio mit dem npm-Paket und MCP_TRANSPORT_TYPE=stdio konfigurieren; BLS_API_KEY optional setzen. Remote: https://bls-labor.caseyjhand.com/mcp. Vor Produktion Paketversion festlegen statt dauerhaft @latest zu verwenden.

npx -y @cyanheads/bls-labor-mcp-server@latest

BLS_API_KEY ist für den lokalen Grundbetrieb optional. MCP-Zugriff und BLS-API-Schlüssel sind unterschiedliche Ebenen; eigenen HTTP-Betrieb angemessen absichern.

BLS-Reihen suchen, Erhebungen auflisten und Zeitreihen lesen. Optionale DataCanvas-Funktionen lesen zwischengespeicherte Tabellen; das Löschen solcher Tabellen ist standardmäßig deaktiviert.

Anfragen gehen an BLS oder über den Community-Host. Lokal kann ein SQLite-Katalogcache entstehen; optionale DataCanvas-Ergebnisse werden zwischengespeichert. Abfrageergebnisse gelangen in den KI-Kontext.

Nicht als offiziellen BLS-Server darstellen. Reihenkennung, saisonale Bereinigung, Einheit und Datenstand prüfen. Keine personenbezogenen Beschäftigtendaten übertragen; lokale Caches und HTTP-Zugriffe absichern.