快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

命令预览

python -m venv .venv

详细介绍

______________________________________________________________________

title：基于MCP的上下文感知NLP分类平台表情符号🧠 颜色来源：靛蓝颜色：红色 sdk:docker app_file：Dockerfile 固定：false 许可证：mit

基于MCP的上下文感知NLP分类平台

概述

此存储库实现了 上下文感知NLP分类平台 它结合了轻量级的TF-IDF（术语频率-反向文档频率）+逻辑回归基线和可选 LLM辅助上下文重新排序 通过MCP（托管上下文平台）。它支持多领域分类（财务、人力资源、法律）、结构化上下文解析、日志记录和评估。

该平台是模块化的，可以运行 在虚拟环境中本地 或在一个 拥抱脸空间中的Docker容器.

拥抱面部空间： LeonardoMdSA/基于MCP的上下文感知NLP分类平台

______________________________________________________________________

仓库结构

Dockerfile
LICENSE
README.md
requirements-dev.txt
requirements.txt

app/
  config.py              # Configuration and settings
  logging_config.py      # Logging configuration
  main.py                # Main entry point for API server
  api/
    routes.py            # FastAPI routes
    schemas.py           # Pydantic schemas
  classification/
    decision.py          # Classification decision & abstention logic
    llm_adapter.py       # Optional LLM integration for context
    model.py             # Abstract classifier orchestration
    preprocess.py        # Text preprocessing and tokenization
    sklearn_model.py     # TF-IDF + Logistic Regression classifier
  context/
    resolver.py          # Context resolution logic
  logging/
    context_log.py       # Context logging to JSON
    inference_log.py     # Inference (label and confidence) logging to JSON

orchestration/
  context_resolver.py    # MCP-based structured context orchestration
  mcp_client.py          # MCP server communication utilities

utils/
  validators.py          # Metadata validation utilities

data/
  samples/
    train.json           # Training samples (small dataset)
    eval.json            # Evaluation samples
    training_data.json   # Full training dataset

docs/
  TECH_DEBT.md           # Technical debt documentation

logs/                     # Runtime logs

mcp_servers/
  history_server/         # Historical label MCP server
    server.py
    data/labels.csv
  policy_server/          # Policy MCP server
    server.py
    data/rules.yaml
  taxonomy_server/        # Taxonomy MCP server
    server.py
    data/taxonomy.sqlite

models/
  trained_pipeline.joblib # Trained sklearn model pipeline

scripts/
  evaluate.py             # Offline evaluation script
  populate_taxonomy.py    # Populate taxonomy.sqlite for MCP
  seed_data.py            # Seed initial data into MCP files
  train_model.py          # Train sklearn model from JSON dataset

tests/
  conftest.py             # Pytest configuration
  test_api.py             # API endpoint tests
  test_classification.py  # Classification module tests
  test_context_resolution.py  # Context resolver tests
  test_mcp_servers.py     # MCP server tests

ui/
  static/
    script.js             # Frontend JS
    style.css             # Frontend CSS
  templates/
    index.html            # Frontend template

______________________________________________________________________

安装（本地）

1.克隆存储库

git clone https://github.com/LeonardoMdSACode/Context-aware-NLP-classification-platform-with-MCP.git
cd Context-aware-NLP-classification-platform-with-MCP

2.创建虚拟环境

python -m venv .venv
source .venv/bin/activate   # Linux/macOS
.venv\Scripts\activate     # Windows

3.安装依赖项

pip install -r requirements.txt
pip install -r requirements-dev.txt  # for testing and development

4.填充MCP分类（首次设置）

python scripts/populate_taxonomy.py

这将填充 mcp_servers/taxonomy_server/data/taxonomy.sqlite.

5.训练模型

python scripts/train_model.py

这将训练TF-IDF+逻辑回归模型并将其保存到 models/trained_pipeline.joblib.

6.评估模型

python scripts/evaluate.py

显示离线评估指标（准确性、精确度、召回率、F1分数）。

______________________________________________________________________

在本地运行API

1.启动服务器

uvicorn app.main:app --reload

这将在以下位置运行FastAPI服务器 http://127.0.0.1:8000.

2.运行MCP嵌入式服务器（如果使用嵌入式模式）

嵌入式MCP服务器通过以下方式自动启动 app.orchestration.mcp_client.start_embedded_mcp_servers().

3.访问UI

打开浏览器 http://127.0.0.1:8000 使用HTML/JS前端。

4.API终点

POST /classify ：发送 text 可选 metadata 根据上下文进行分类。
Swagger用户界面： http://127.0.0.1:8000/docs

______________________________________________________________________

测试

1.运行所有测试

pytest -v

2.烟雾测试

跑 test_backend.py 以确保核心API路由正确响应。
检查MCP服务器是否响应 /resolve 端点。

3.模块特定测试

test_classification.py → 验证 SklearnClassifier 和 LLMAdapter 预言。
test_context_resolution.py → 检查上下文解析器输出。
test_mcp_servers.py → 验证分类、策略、历史MCP服务器。

______________________________________________________________________

运作原理

1.分类层

基线： app/classification/sklearn_model.py → TF-IDF+逻辑回归
LLM协助： app/classification/llm_adapter.py → 可选的MCP上下文重新排序
决策逻辑： app/classification/decision.py → 应用信心、弃权、记录

2.上下文解析

嵌入式MCP模式： app/orchestration/context_resolver.py 加载JSON/SQLite本地文件
分布式MCP模式： 从分类、策略和历史MCP服务器获取上下文
记录所有上下文解析以供审计

3.日志记录

app/logging/inference_log.py → 记录每一个预测
app/logging/context_log.py → 分类中使用的日志上下文
日志以JSON格式存储在 logs/

4.MCP服务器

taxonomy_server → 提供SQLite中的类别和描述
policy_server → 从YAML提供策略规则
history_server → 从CSV提供历史标签数据
通过HTTP端点进行通信

5.脚本

train_model.py → 训练并保存sklearn管道
evaluate.py → 离线评估
populate_taxonomy.py → 填充SQLite分类
seed_data.py → 种子MCP JSON文件

6.前端用户界面

界面简洁 ui/templates/index.html
使用JS(static/script.js)拨打电话 /classify 端点
样式通过 static/style.css

______________________________________________________________________

技术栈

该项目实现了 生产风格、上下文感知的NLP分类平台 使用经典的机器学习、基于MCP的上下文丰富和FastAPI推理层。

______________________________________________________________________

核心语言和运行时

Python 3.13

- 主要实现语言 - 虚拟环境支持(venv) - 兼容本地执行和Docker

______________________________________________________________________

机器学习与NLP

scikit学习

- TfidfVectorizer 用于文本特征提取 - LogisticRegression （多类，类平衡） - 可选概率校准(CalibratedClassifierCV)

Joblib

- 模型序列化和加载(trained_pipeline.joblib)

经典机器学习（非深度学习）

- 选择可解释性、决定论和生产现实主义

______________________________________________________________________

文本表示法

TF-IDF（词频-逆文档频率）

- 单字和双字特征 - 稀疏向量表示 - 快速、可解释和确定性

______________________________________________________________________

模型推理与决策逻辑

自定义分类编排

- 基于信任的路由 - 弃权处理 - 确定性回退启发式

上下文感知决策层

- 使用MCP导出的信号调整预测

推理日志记录

- 输入、预测标签、置信度得分和上下文

______________________________________________________________________

上下文和MCP（模型上下文协议）

受MCP启发的架构（本地服务器）

- 在推理时动态解析上下文

独立MCP服务器

- 分类服务器 （SQLite支持的文档分类） - 策略服务器 （基于YAML的业务规则） - 历史服务器 （基于CSV的标签历史记录）

上下文解析器

- 聚合来自所有MCP服务器的信号 - 将结构化上下文注入分类器决策流

______________________________________________________________________

后端API

快速API

- 基于REST的推理服务 - 请求/响应验证 - 自动OpenAPI文档

Uvicorn

- 用于本地开发和部署的ASGI服务器

Pydantic 2

- 严格的输入/输出模式 - 验证和类型安全

______________________________________________________________________

前端（最小UI）

HTML/CSS/JavaScript

Jinja2模板

FastAPI静态文件

- 轻量级推理接口 - 无Streamlit或Gradio - 拥抱面部空间–兼容

______________________________________________________________________

持久性和存储

SQLite

- 分类存储(taxonomy.sqlite)

基于文件系统的存储

- 训练有素的模特 - 日志 - 评估工件

______________________________________________________________________

测井和观测

结构化日志记录

- 推理日志 - 上下文解析日志

基于JSON的日志格式

旨在支持未来：

- 漂移检测 - 监控 - 告警

______________________________________________________________________

评估与实验

离线评估脚本

- 准确度、精密度、召回率、F1分数 - 详细的 classification_report

分离的列车/评估数据集

置信度分析

- 用于检查校准和过度自信

______________________________________________________________________

测试

pytest

- API测试 - 分类逻辑测试 - 上下文解析测试 - MCP服务器测试

冒烟测试

- 端到端推理验证

共享装置 通过 conftest.py

______________________________________________________________________

DevOps与打包

码头工人

- 可复制的构建 - 容器化推理服务

依赖管理

- requirements.txt - requirements-dev.txt

CI/CD存储库结构

- GitHub操作

______________________________________________________________________

设计理念

经典机器学习优于深度学习（有意）
基于原始预测的上下文感知推理
可解释性优于黑盒准确性
玩具演示的生产现实主义

______________________________________________________________________

建议

使用一个 更大、更多样化的数据集 用于实际部署，以避免过拟合
使用 S形校准 用于真实的置信度评分
保留日志 可审计性 以及上下文可追溯性
定期运行测试 pytest -v 以确保稳定性

______________________________________________________________________

参考文献/文件

docs/TECH_DEBT.md → 技术债务票据及改进建议
data/samples/ → 样本培训/评估数据集
models/trained_pipeline.joblib → 预训练基线模型

______________________________________________________________________

联系人/作者

存储库： LeonardoMdSCode/基于MCP的上下文感知NLP分类平台

拥抱面部空间： LeonardoMdSA/基于MCP的上下文感知NLP分类平台

______________________________________________________________________

MIT许可证

该项目根据MIT许可证获得许可。有关详细信息，请参阅LICENSE文件。

目录标签

自然语言处理Python机器学习上下文感知本地部署文本分类多领域分析

接入字段

传输方式（transport，传输协议）

stdio

鉴权方式（authType，认证方式）

none

运行时（runtime，运行环境）

Python

工具数量（toolCount，工具数）

0

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

stdionone部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

来源信息

MCP World

mcpworld.com

/detail/0bb52b298234c2bfd4427711ea337b7f

一个结合TF-IDF+逻辑回归基线模型与LLM辅助上下文重排的模块化NLP分类平台，支持金融、HR和法律等多领域文本分类。

继续浏览同类 MCP

更多运维云端 MCP（13,854）返回 MCP 目录

上一个 MCP

Context Aware MCP

一个可配置的MCP服务器，能够智能地将自然语言查询路由到正确的微服务端点。

下一个 MCP

Context Bridge

为Claude Code提供跨终端重启、上下文压缩和会话的持久化记忆功能，支持与claude.ai项目的双向同步。

Context Aware NLP Classification Platform With MCP

快速接入

详细介绍

title：基于MCP的上下文感知NLP分类平台 表情符号🧠 颜色来源：靛蓝 颜色：红色 sdk:docker app_file：Dockerfile 固定：false 许可证：mit

基于MCP的上下文感知NLP分类平台

概述

仓库结构

安装（本地）

1.克隆存储库

2.创建虚拟环境

3.安装依赖项

4.填充MCP分类（首次设置）

5.训练模型

6.评估模型

在本地运行API

1.启动服务器

2.运行MCP嵌入式服务器（如果使用嵌入式模式）

3.访问UI

4.API终点

测试

1.运行所有测试

2.烟雾测试

3.模块特定测试

运作原理

1.分类层

2.上下文解析

3.日志记录

4.MCP服务器

5.脚本

6.前端用户界面

技术栈

核心语言和运行时

机器学习与NLP

文本表示法

模型推理与决策逻辑

上下文和MCP（模型上下文协议）

后端API

前端（最小UI）

持久性和存储

测井和观测

评估与实验

测试

DevOps与打包

设计理念

建议

参考文献/文件

联系人/作者

MIT许可证

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP

title：基于MCP的上下文感知NLP分类平台表情符号🧠 颜色来源：靛蓝颜色：红色 sdk:docker app_file：Dockerfile 固定：false 许可证：mit