AI-Schnittstellen misst, ob ein Projekt maschinenlesbare Schnittstellen bereitstellt: formale API-Schemata, einen Model-Context-Protocol-Server oder lauffähige Beispiele. Wo sie existieren, kann ein KI-Agent die Software über einen Vertrag konsumieren, statt ihr Verhalten aus dem Quellcode zurückentwickeln zu müssen.
- Kategorie: AI Readiness (15% innerhalb der Kategorie)
- Gewicht im Gesamtindex: 0% — Teil des unabhängigen AI-Readiness-Badges
- Metrikschlüssel:
ai_interfaces null, wenn das Repository keines der Signale aufweist — Abwesenheit gilt als nicht anwendbar, niemals als Malus
Wie der Wert berechnet wird
| Komponente | Gewicht | Beleg |
|---|---|---|
| API-Schema | 40 | OpenAPI/Swagger-, GraphQL-SDL-, protobuf- oder AsyncAPI-Dateien |
| MCP-Server | 20 | eine Model-Context-Protocol-Server-Abhängigkeit oder eine mcp.json-Konfiguration |
| Lauffähige Beispiele | 40 | Verzeichnisse examples/, recipes/ oder samples/ oder Notebooks |
Die Null-Regel, erklärt
Eine einfache Hilfsbibliothek hat legitimerweise kein API-Schema, keine MCP-Oberfläche und womöglich kein Beispielverzeichnis — und es wäre falsch, sie für ihre Natur abzuwerten. Die Metrik erzeugt daher nur dann einen Wert, wenn mindestens ein Signal vorhanden ist; andernfalls ist sie null, und die Kategorie AI Readiness renormalisiert auf ihre übrigen Metriken, gemäß der methodikweiten Regel für fehlende Daten (siehe der Gesundheitsindex).
Warum diese drei Signale
- API-Schemata sind Verträge, die ein Modell exakt lesen kann — Endpunkte, Typen und Fehler ohne Schlussfolgerung.
- Ein MCP-Server ist die stärkstmögliche Aussage über Agentenbereitschaft: Das Projekt liefert eine erstklassige Schnittstelle für KI-Tooling mit.
- Lauffähige Beispiele sind ausführbare Dokumentation. Für einen Agenten ist ein funktionierendes Beispiel ein verifizierter Ausgangspunkt statt zu deutender Prosa — und Beispiele fungieren zugleich als De-facto-Test der öffentlichen API.
Den Wert verbessern
- Das API-Schema veröffentlichen, das das Projekt ohnehin impliziert: OpenAPI aus dem Framework generieren, die
.proto- oder GraphQL-SDL-Dateien einchecken. - Ein
examples/-Verzeichnis mit kleinen, lauffähigen Programmen pflegen, die in der CI aktuell gehalten werden. - Wo das Projekt naturgemäß Tooling bedient, die Auslieferung eines MCP-Servers erwägen.
Verwandt: AI-Agentenkontext · AI Readiness