# MadMando ## 基本信息 - Slug: `madmando-mcp-autonomous-analyst` - Source: modelscope - Publisher: @MadMando/mcp-autonomous-analyst - Categories: autonomous-agents / research-and-data / vector-databases - Hosted: No - License: Other - Source URL: https://www.modelscope.cn/mcp/servers/@MadMando/mcp-autonomous-analyst ## 简介 暂无描述。 ## MCP Server 详情

Python 徽章 MCP 徽章 Ollama 徽章 ChromaDB 徽章 FastAPI 徽章 Uvicorn 徽章

# 自主分析师 ## 🧠 概述 自主分析师是一个本地的、具有代理功能的人工智能流水线，它能够： - 分析表格数据 - 使用马氏距离检测异常 - 利用本地大语言模型（通过 Ollama 的 llama3.2:1b）生成解释性摘要 - 将结果记录到 ChromaDB 中以便语义检索 - 完全通过模型上下文协议 (MCP) 进行编排 --- ### ⚙️ 功能特性 | 组件 | 描述 | |-----------------------------|---------------------------------------------------------------------------------------------| | **FastAPI Web UI** | 友好的仪表板，支持合成或上传的数据集 | | **MCP 工具编排** | 每个处理步骤都作为可调用的 MCP 工具暴露出来 | | **异常检测** | 基于马氏距离的离群点检测 | | **可视化输出** | 保存内点与离群点的散点图 | | **本地 LLM 摘要** | 使用 `llama3.2:1b` 通过 Ollama 生成见解 | | **向量存储日志** | 摘要被存储在 ChromaDB 中以实现持久记忆 | | **代理规划工具** | 一个专门的大语言模型工具 (`autonomous_plan`) 根据数据集上下文确定下一步操作 | | **代理流程** | 大语言模型 + 记忆 + 工具使用 + 自动推理 + 上下文感知 | --- ### 🧪 通过 MCP 定义的工具 | 工具名称 | 描述 | 使用的 LLM | |------------------------------|--------------------------------------------------------------------------------------------------|----------| | `generate_data` | 创建合成表格数据（高斯分布 + 类别型） | ❌ | | `analyze_outliers` | 使用马氏距离标记行 | ❌ | | `plot_results` | 保存可视化内点与离群点的图表 | ❌ | | `summarize_results` | 使用 `llama3.2:1b` 解释和说明离群点分布 | ✅ | | `summarize_data_stats` | 使用 `llama3.2:1b` 描述数据集趋势 | ✅ | | `log_results_to_vector_store`| 将摘要存储到 ChromaDB 以供将来参考 | ❌ | | `search_logs` | 使用向量搜索检索相关的历史会话（可选使用 LLM） | ⚠️ | | `autonomous_plan` | 运行整个流水线，使用 LLM 自动推荐下一步操作 | ✅ | --- ### 🤖 代理能力 - **自主性**: 通过 `autonomous_plan` 由 LLM 引导执行路径选择 - **工具使用**: 通过 LLM 推理动态调用已注册的 MCP 工具 - **推理**: 根据数据集条件和异常分析生成技术见解- **内存**: 使用ChromaDB向量搜索进行知识的持久化和召回 - **大语言模型 (LLM)**: 由Ollama提供支持，使用`llama3.2:1b`（温度 = 0.1, 确定性） --- ## 🚀 开始 ### 1. 克隆并设置 bash git clone https://github.com/MadMando/mcp-autonomous-analyst.git cd mcp-autonomous-analyst conda create -n mcp-agentic python=3.11 -y conda activate mcp-agentic pip install uv uv pip install -r requirements.txt ### 2. 启动MCP服务器 bash mcp run server.py --transport streamable-http ### 3. 启动Web仪表板 bash uvicorn web:app --reload --port 8001 然后访问: [http://localhost:8000](http://localhost:8000) --- ## 🌐 仪表板流程 - **步骤1:** 上传您自己的数据集或点击`生成合成数据` - **步骤2:** 系统对`feature_1`与`feature_2`执行异常检测 - **步骤3:** 生成离群点的可视化图表 - **步骤4:** 通过大语言模型创建摘要 - **步骤5:** 结果可选择性地记录到向量存储中以便召回 --- ## 📁 项目布局 📦 autonomous-analyst/ ├── server.py # MCP服务器 ├── web.py # FastAPI + MCP客户端（前端逻辑） ├── tools/ │ ├── synthetic_data.py │ ├── outlier_detection.py │ ├── plotter.py │ ├── summarizer.py │ ├── vector_store.py ├── static/ # 保存的图表 ├── data/ # 上传或生成的数据集 ├── requirements.txt ├── .gitignore └── README.md --- ## 📚 技术栈 - **MCP SDK:** [`mcp`](https://github.com/modelcontextprotocol/python-sdk) - **大语言模型推理:** [Ollama](https://ollama.com/) 运行 `llama3.2:1b` - **UI服务器:** FastAPI + Uvicorn - **内存:** ChromaDB向量数据库 - **数据处理:** `pandas`, `matplotlib`, `scikit-learn` --- ## ✅ .gitignore 添加项 __pycache__/ *.pyc *.pkl .env static/ data/ --- ## 🙌 致谢 没有开源社区的杰出工作，这个项目是不可能实现的。特别感谢： | 工具/库 | 用途 | 仓库 | |----------------------------|-------------------------------------------------|------------| | 🧠 **Model Context Protocol (MCP)** | 代理工具编排与执行 | [modelcontextprotocol/python-sdk](https://github.com/modelcontextprotocol/python-sdk) | | 💬 **Ollama** | 本地大语言模型推理引擎 (`llama3.2:1b`) | [ollama/ollama](https://github.com/ollama/ollama) | | 🔍 **ChromaDB** | 用于日志记录和检索的向量数据库 | [chroma-core/chroma](https://github.com/chroma-core/chroma) | | 🌐 **FastAPI** | 交互式、快速的Web界面 | [tiangolo/fastapi](https://github.com/tiangolo/fastapi) | | ⚡ **Uvicorn** | 支持FastAPI后端的ASGI服务器 | [encode/uvicorn](https://github.com/encode/uvicorn) | > 💡 如果您使用此项目，请考虑为使其成为可能的上游工具点赞或贡献。 此仓库是在使用`llama3.2:1b`的本地rag-llm的帮助下创建的。