LastMile AI

Was ist LastMile AI?

LastMile AI war ursprünglich eine Plattform für Entwickler von generativer KI zur Debugging, Bewertung und Verbesserung, die AI Workbooks, AutoEval, Datensätze, Experimente sowie API-Funktionen bereitstellte. Später erweiterte das Produkt sein Angebot auf Agenten, Model-Context-Protokolle und kognitive Computing-Funktionen.

Die wichtigste Veränderung derzeit ist, dass das Team von LastMile AI zu den Produkt- und Anwendungsforschungsabteilungen von Meta Superintelligence Labs gestoßen ist. Die ursprüngliche eigene Website enthält inzwischen hauptsächlich Informationen über den Standort des Teams und seine Visionen; die Angaben zur Registrierung auf der Geschäftsplattform, zum Kauf oder zu den aktuellen Paketen werden dort nicht mehr klar dargestellt.

Wie soll der aktuelle Zustand interpretiert werden?

LastMile AI kann nicht mehr einfach als ein eigenständiges SaaS-Produkt betrachtet werden, das weiterhin regulär verkauft wird. In den Verzeichnissen sollte die ursprüngliche kommerzielle Plattform als historisches Produkt angesehen werden, während die weiterhin gewarteten Open-Source-Projekte als die derzeit tatsächlich nutzbaren Kernfunktionen gelten.

Die derzeit wichtigsten Open-Source-Projekte

• mcp-agent: Verwendet MCP, um Modelle, Tools und externe Dienste zu verbinden und kombinierbare Agenten-Workflows zu erstellen.
• AIConfig: Trennt die Prompte, Modelle, Parameter sowie die Laufkonfigurationen vom Anwendungscode.
• mcp-eval: Durchführung von Tests und Qualitätsbewertungen in einem Umfeld, in dem ein echter Agent mit dem MCP-Server interagiert.
• Beispiele für OpenAI-Apps: Zeigen, wie Backend-Projekte für die Anwendungsintegration gehostet werden.
• MCP-Register-Suchfunktion: Bietet semantische Suche und Service-Schnittstellen für den MCP-Server-Katalog.

Kernfähigkeiten von mcp-agent

mcp-agent ist das derzeit bedeutendste Open-Source-Projekt von LastMile AI. Es handelt sich um ein Framework für MCP-Agenten, das hauptsächlich in Python entwickelt wurde. Dieses Framework kümmert sich um den gesamten Lebenszyklus der Verbindung zum MCP-Server, um die Aufrufe der Tools, um Konfigurationen, um Protokollierung sowie um den Ausführungskontext. Dadurch können Entwickler sich auf das Verhalten der Agenten sowie auf die Geschäftsprozesse konzentrieren.

• Unterstützung von Funktionen wie MCP-Tools, Ressourcen, Hinweisen, Benachrichtigungen, OAuth, Sampling sowie Benutzeranleitung.
• Es werden Kombinationsmuster wie Routing, Parallelisierung, Orchestrierung, Optimierung durch Bewertung sowie Zusammenarbeit mehrerer Agenten bereitgestellt.
• Die Agentenanwendungen können erneut als Standard-MCP-Server bereitgestellt werden.
• Es unterstützt die normale asynchrone Ausführung und kann zudem mit Temporal verbunden werden, um Pause, Wiederaufnahme, Wiederholung sowie dauerhafte Ausführung zu ermöglichen.
• Es werden strukturierte Protokolle, OpenTelemetry-Überwachung sowie ein Überwachungsfunktion für den Tokenverbrauch bereitgestellt.
• Es ist möglich, mit verschiedenen Modellanbietern sowie vorhandenen MCP-Servern zu verbinden.
• Bietet Befehle für die Initialisierung, Konfiguration, Ausführung, Installation und Cloud-Deployment von Projekten.

MCP-Agent-Workflow-Modus

Wie man mit dem MCP-Agent beginnt

mcp-agent eignet sich für Entwickler, die mit Python, den APIs von Modellen sowie den grundlegenden Konzepten von MCP vertraut sind. Vor dem Start müssen eine Python-Umgebung, die Anmeldeinformationen für den gewählten Modelldienst sowie mindestens ein MCP-Server, mit dem verbunden werden soll, bereitgestellt werden.

1. Installieren Sie die empfohlenen Python-Projekte sowie Tools zur Verwaltung von Abhängigkeiten.
2. Initialisieren Sie ein neues mcp-agent-Projekt und wählen Sie ein Basisvorlage aus.
3. Im Konfigurationsprofil werden die MCP-Server aufgeführt, mit denen eine Verbindung hergestellt werden soll.
4. Legen Sie den Modell-Schlüssel in eine spezielle Geheimkonfiguration oder Umgebungsvariable, und übertragen Sie ihn nicht in das Code-Repository.
5. Erstellen Sie einen Namen für den Proxy, Anweisungen sowie eine Liste der zugänglichen Server.
6. Wählen Sie den Modelladapter aus und kombinieren Sie Routen, parallele oder Optimierungsworkflows.
7. Führen Sie es zunächst lokal aus, um die Berechtigungen der Tools, die Protokolle, die Token sowie die Fehlerbehandlung zu überprüfen.
8. Nach dem Test wird entschieden, ob es sich um eine selbstverwaltete Lösung handelt, die dauerhaft läuft, oder ob sie in MCP-Cloud bereitgestellt werden soll.

MCP-Verbindung und Proxy-Server

Das Framework kann sowohl als MCP-Client zur Verbindung mit Dateisystemen, Suchfunktionen, Datenbanken und Unternehmensdiensten dienen, als auch eine vollständige Proxy-Anwendung als neuen MCP-Server veröffentlichen. Dadurch können Desktop-Hilfen, Code-Editor oder benutzerdefinierte Clients über ein einheitliches Protokoll komplexe Workflows aufrufen.

Dauerhafte Ausführung und Überwachbarkeit

Einfache Projekte können einen asynchronen Ausführungsmotor nutzen, während komplexe Aufgaben auf den Temporal-Backend umgestellt werden können. Die persistente Ausführung eignet sich für Agenten, die über einen längeren Zeitraum laufen müssen, eine manuelle Bestätigung erfordern, automatisch neu versucht werden sollen oder nach einem Abbruch wieder fortgesetzt werden müssen.

• Strukturierte Logs helfen dabei, Abweichungen in Modellen, Tools und Workflows zu identifizieren.
• OpenTelemetry kann die vollständige Aufrufkette sowie die Ausführungsspannen aufzeichnen.
• Die Token-Zählung dient dazu, den Verbrauch von Agenten, Workflows und Modellknoten zu überwachen.
• Beobachter können bei Erreichen eines Schwellenwerts Benachrichtigungen auslösen oder Steuerungen vornehmen.
• Eine dauerhafte Historie erleichtert die Überprüfung von Pausen, Wiederholungen und manuellen Eingabevorgängen.

Was ist AIConfig?

AIConfig speichert Prompt-Wörter, Modellnamen, Parameter, Variablen sowie kaskadielle Abhängigkeiten als serialisierbare Konfiguration, wodurch das Verhalten der generativen KI von dem Anwendungscode getrennt wird. Die Konfigurationsdateien können unter Versionierung gestellt werden und im Editor zur Erprobung, Ausführung und Vergleich verwendet werden.

• Verwenden Sie eine einheitliche Konfiguration zur Speicherung von Hinweisen, Modellen und Inferenzparametern.
• Unterstützung für die Entwicklung mit Python und Node.
• Es ist möglich, Prompt-Ketten mit Variablen und Abhängigkeiten auszuführen.
• Unterstützung der Erweiterung mit mehrmodalen Konfigurationen wie Text, Bildern und Audio.
• Es wird die Verbindung mit verschiedenen Modellen sowie benutzerdefinierten Inferenzendpunkten ermöglicht.
• Es eignet sich, die Hinweisszenarien, Bewertungen und Anwendungscode getrennt zu verwalten.

Verwendungsschritte von AIConfig

1. Installieren Sie die Python-Pakete oder Node-Softwarepakete entsprechend der Sprache des Projekts.
2. Erstellen Sie eine AIConfig-Konfigurationsdatei und füllen Sie Name, Modell sowie Standardparameter ein.
3. Legen Sie für jede Hinweisung einen eigenen Namen, Variablen sowie Abhängigkeiten fest.
4. Führen Sie die Anweisungen im Editor aus und beobachten Sie die Ausgabe des Modells.
5. Die stabile Konfiguration wird in die Versionskontrolle aufgenommen und einer Code-Review unterzogen.
6. Konfiguration in der Anwendung laden und über eine Laufzeitaufruf spezifizierte Hinweise anzeigen.
7. Vergleichen Sie die Leistung der Modelle, Parameter und Prompt-Versionen anhand des Testdatensatzes.

Was ist MCP-EVAL?

mcp-eval wird verwendet, um MCP-Server sowie die Agenten zu testen, die diese Server aufrufen. Dabei werden echte Prozesse zur Interaktion mit den Servern ausgeführt – anstelle nur der Simulation einzelner Funktionen. Im Rahmen des Tests können Reihenfolge der Abläufe, Inhalt der Antworten, Verzögerungen, Token sowie weitere detaillierte Daten aufgezeichnet werden.

• Unterstützung für verschiedene Testmethoden wie Decorators, pytest und datenbasierte Tests.
• Es ist möglich, festzustellen, ob ein bestimmtes Tool aufgerufen wird, wie oft es aufgerufen wird und in welcher Reihenfolge es ausgeführt wird.
• Man kann den Antworttext, die regulären Muster sowie die strukturierten Bedingungen überprüfen.
• Unterstützung von Limits für die Antwortzeit, die Anzahl der Modellaufrufe und die Pfadeffizienz.
• Man kann LLM-Bewerter nutzen, um die Qualität des Inhalts anhand eines Skalensystems zu prüfen.
• Es werden JSON-, HTML- und Markdown-Testberichte bereitgestellt.
• Es ist möglich, Rückführungstests im Rahmen des kontinuierlichen Integrationsprozesses auszuführen.

Schritte zur Implementierung von mcp-eval

1. Vorbereiten Sie Python 3.10 oder eine neuere Version sowie den MCP-Server, der getestet werden soll.
2. Installieren Sie mcpevals und initialisieren Sie das Testprojekt.
3. Startmethode des Registrierungsservers, Übertragungskonfiguration und notwendige Umgebungsvariablen.
4. Erstellen Sie Tests für normale Pfade, fehlerhafte Eingaben, Berechtigungen und Grenzwerte.
5. Einstellen von Inhalt, Werkzeugen, Leistung, Pfaden oder LLM-Bewertungsansprüchen.
6. Führen Sie Tests aus und überprüfen Sie die Verfolgung, Berichte sowie die Ursachen für Fehlschläge.
7. Fügen Sie Stabilitätsprüfungen zur kontinuierlichen Integration hinzu, um nach Änderungen Regressionstests durchzuführen.

Die historischen Fähigkeiten der ursprünglichen LastMile-Plattform

Die alte LastMile-Entwicklungsplattform ermöglichte die zentrale Verwaltung von AI Workbooks, AutoEval, Datensätzen, Experimenten, synthetischen Annotationen sowie Bewertungsmodellen. Workbooks ließen es zu, in derselben Arbeitsumgebung Texte, Bilder, Audiodateien und Modul-Einheiten zu kombinieren, während AutoEval für die Bewertung der Qualität von RAG- und generierten Inhalten diente.

Preise und Nutzungskosten

Die Preisangaben wurden am 23. August 2026 überprüft. Die tatsächlichen Beträge, Steuern, Wechselkurse sowie Rabatte können sich ändern; es gilt letztendlich das, was auf der Zahlelseite angezeigt wird.

Derzeit gibt es keine zuverlässigen Informationen zu aktuellen Paketen oder Kaufpreisen für unabhängige kommerzielle Plattformen im Bereich LastMile. Die Beschreibungen in alten Dokumenten bezüglich einer kostenlosen Einsteigerversion sowie einer Unternehmens-VPC können nicht als aktuelle Angebote angesehen werden. Der öffentlich verfügbare Open-Source-Code kann zwar kostenlos genutzt werden, doch die Nutzung von Modellen, Servern, Datenbanken sowie die Überwachung und Wartung erfordern weiterhin Kosten.

Open-Source-Lizenz

Für welche Benutzer geeignet

• Entwickler, die ein MCP-natives intelligentes Agenten mit Python erstellen möchten.
• KI-Teams, die für Routing, Parallelisierung, Orchestrierung und die Bewertung von Optimierungsmodellen benötigt werden.
• Das Produktteam, das bereit ist, den Agenten als Standard-MCP-Server zu veröffentlichen.
• Entwickler von Workflows, die eine Pause, Wiederaufnahme, erneute Ausführung sowie manuelle Freigabe benötigen.
• Entwicklerteams, die die Hinweise und Modellparameter vom Geschäftscode trennen möchten.
• Ein Qualitätsteam, das echte Interaktionstests für MCP-Server und -Proxys durchführen muss.
• Ehemalige Nutzer der LastMile-Plattform sowie Unternehmen, die einen Umzug prüfen.

Vorteile des Produkts

• mcp-agent ist auf offene Protokolle ausgerichtet; bei der Verbindung von Tools muss kein spezielles Framework für jeden Dienst entwickelt werden.
• Das Agentenmuster bleibt kombinierbar und eignet sich, um von einfachen Programmen aus schrittweise zu erweitern.
• Der Temporal-Backend bietet langen Prozessen die Fähigkeit zur Wiederherstellung und zu einer dauerhaften Ausführung.
• AIConfig erleichtert die Versionskontrolle von Prompten, Modellen und Parametern.
• mcp-eval umfasst die Überprüfung tatsächlicher Toolaufrufe, der Qualität, der Leistung sowie der Pfadverläufe.
• Die drei Projekte umfassen jeweils die Phasen der Erstellung, Konfiguration und Tests.
• Die Lizenz erlaubt Entwicklern, sie unter Erfüllung bestimmter Bedingungen zu ändern und kommerziell zu nutzen.

Einschränkungen und Risiken

• Die ursprüngliche Geschäftsplattform verfügt derzeit nicht über klare Informationen zur eigenständigen Registrierung, zum Verkauf sowie zu den aktuellen Preisen.
• Alte Dokumente und alte SDKs bedeuten nicht, dass die entsprechenden Cloud-Schnittstellen weiterhin verfügbar sind.
• Offene Frameworks erfordern eine eigene Konfiguration von Modellen, Servern, Berechtigungen und der Laufumgebung.
• Cloud-Dienste in der offenen Testphase können in Bezug auf Preise, Limits und Verfügbarkeit angepasst werden.
• Die Verbindung von Dateien, Datenbanken und Unternehmenssystemen erhöht das Risiko bezüglich der Befugnisse des Prozessors.
• Beim Modellgenerieren, bei der Auswahl von Werkzeugen sowie bei der Beurteilung durch LLMs können Fehler auftreten.
• Offene Lizenzen gewähren nicht automatisch das Recht zur kommerziellen Nutzung von Modellen, Daten und Diensten Dritter.
• Die Aktivität der verschiedenen Lager unterscheidet sich. Vor der Nutzung sollte man die Version sowie den Wartungszustand überprüfen.

Überprüfungsliste für die Migration von Nutzern der ursprünglichen Plattform

1. Überprüfen Sie, ob die vorhandenen Konten, Arbeitsbereiche, API-Endpunkte und Support-Kanäle weiterhin zugänglich sind.
2. Exportieren von Datensätzen, Bewertungsergebnissen, Experimentenotizen, Hinweisen und Modellkonfigurationen.
3. Erhalten Sie Aufzeichnungen über die verwendete SDK-Version, Abhängigkeiten, Schlüssel und Berechtigungsbereiche.
4. Hören Sie auf, die Pakete und Serviceversprechen in alten Dokumenten als Grund für eine Verlängerung zu betrachten.
5. Bewerten, ob AIConfig in der Lage ist, Prompt- und Modellkonfigurationen zu verwalten.
6. Bewerten, ob mcp-eval wichtige Bewertungs- und Regressionstests wiederaufbauen kann.
7. Wenn eine Agenten-Orchestrierung erforderlich ist, wird der Kernprozess mit mcp-agent neu implementiert.
8. Die Gesamtkosten für Modellierung, Speicherung, Bereitstellung, Überwachung und Wartung neu berechnen.
9. Stellen Sie vor der Migration Schlüssel, die nicht mehr verwendet werden, zurück und löschen Sie sensible Daten.

Empfehlungen für eine sichere Verwendung

• Für jeden MCP-Server sollten minimale Berechtigungen sowie eigene Anmeldeinformationen verwendet werden.
• Der Modell-Schlüssel wird in einem geheimen Verwaltungssystem oder in einer speziellen Konfiguration gespeichert.
• Für Aktionen wie das Schreiben von Dateien, das Senden von Nachrichten und die Änderung von Datenbanken wird eine manuelle Bestätigung erforderlich.
• Beschränken Sie die Verzeichnisse, Konten, Tabellen und Netzwerkbereiche, die ein Agent accessieren kann.
• Token, persönliche Informationen und Geschäftsgeheimnisse in Logs und Tracing verbergen.
• Setzen Sie harte Obergrenzen für Tool-Timouts, wiederholte Aufrufe, Schleifen und Kosten.
• Verwenden Sie mcp-eval, um Szenarien von Übergriffen, Prompt-Injection und Fehlerrückgewinnung abzudecken.

Häufige Fragen

Bietet LastMile AI immer noch die ursprüngliche Geschäftsplattform an?

Die aktuelle Website zeigt nicht klar die Registrierungs-, Paket- und Kaufprozesse der ursprünglichen Plattform an, und das Team hat sich bereits einer Meta-affinen Organisation angeschlossen. Die alten Dokumente sind weiterhin zugänglich, doch daraus lässt sich nicht schließen, dass das kommerzielle SaaS weiterhin regulär zum Verkauf steht.

Wurde LastMile AI von Meta übernommen?

Es ist bestätigt, dass das Team sich der Forschungsabteilung für Produkte und Anwendungen bei Meta Superintelligence Labs angeschlossen hat. Es sollten keine weiteren Angaben gemacht werden, ohne ausreichende Gründe – insbesondere nicht, dass das Unternehmen insgesamt übernommen wurde oder die ursprünglichen Produkte nun offizielle Meta-Dienste sind.

Ist LastMile AI ein Open-Source-Produkt?

Die ursprüngliche Geschäftsplattform ist kein vollständig open-source-Produkt, doch mcp-agent, AIConfig und mcp-eval werden jeweils unter einer öffentlichen Lizenz veröffentlicht. Im Verzeichnis sollte der Open-Source-Status der Plattform von dem der einzelnen Repositorien getrennt angegeben werden.

Kann der mcp-agent kostenlos verwendet werden?

Der Framework-Code kann unter der Apache-2.0-Lizenz kostenlos verwendet werden. Für den tatsächlichen Betrieb sind jedoch weiterhin Kosten für die Model-API, die Berechnungen, das Speichern, das Netzwerk, die Datenbanken sowie die Wartung anfallend.

Ist MCP-Cloud kostenpflichtig?

In diesem Dokument wird MCP-Cloud als in der Phase des offenen Tests bezeichnet und kann kostenlos genutzt werden. Die Testrichtlinien können sich ändern; für offizielle Projekte sollten vor der Implementierung die Nutzungslimits, die Kontinuität sowie die anschließenden Abrechnungsregeln erneut überprüft werden.

Kann das alte LastMile SDK noch direkt in neuen Projekten verwendet werden?

Es wird nicht empfohlen, diese ohne Überprüfung direkt zu verwenden – das alte SDK bezieht sich auf die Schnittstellen der alten Plattformen. Bei neuen Projekten sollte man zunächst den derzeit verwendeten mcp-agent, AIConfig und mcp-eval bewerten sowie die erforderlichen Endpunkte in der Praxis testen.

Zusammenfassung

Der Schwerpunkt des Artikels zu LastMile AI hat sich von einer eigenständigen Plattform für die Entwicklung von Business-AI-Lösungen auf die aktuelle Situation nach dem Beitritt des Teams zu Meta verlagert, sowie auf noch nutzbare Open-Source-Entwicklungen wie MCP-Agenten. Der praktische Nutzen für Entwickler zeigt sich hauptsächlich in der Erstellung von MCP-Agenten, der Verwaltung ihrer Konfigurationen sowie bei der Bewertung der tatsächlichen Interaktionen.

Bevor man damit beginnt, müssen die historischen SaaS-Lösungen, die aktuellen Open-Source-Repositorys sowie die Cloud-Dienste für Tests getrennt bewertet werden. Bestehende Kunden sollten zunächst ihre Daten exportieren und die Kontinuität der Dienste überprüfen, während neue Projekte mit minimalen Berechtigungen, lokalen Tests sowie wiederholbaren Bewertungen starten sollten.