MCP Autonomous Analyst

自主分析师

🧠 概述

Autonomous Analyst是一个本地代理AI管道，它：

• 分析表格数据
• 利用马氏距离检测异常
• 使用本地LLM（通过Ollama的llama3.2:1b）生成解释性摘要
• 将结果记录到ChromaDB以进行语义召回
• 通过模型上下文协议（MCP）完全协调

______________________________________________________________________

⚙️ 特性

______________________________________________________________________

🧪 定义的工具（通过MCP）

______________________________________________________________________

🤖 代理能力

• 自主性：LLM引导执行路径选择 autonomous_plan
• 工具使用：通过LLM推理动态调用已注册的MCP工具
• 推理：从数据集条件和异常值分析中生成技术见解
• 记忆：使用ChromaDB向量搜索持久化和回忆知识
• LLM：由Ollama提供动力 llama3.2:1b （温度=0.1，确定性）

______________________________________________________________________

🚀 入门指南

1.克隆和设置

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

mcp run server.py --transport streamable-http

3.启动Web仪表板

uvicorn web:app --reload --port 8001

然后访问： http://localhost:8000

______________________________________________________________________

🌐 仪表板流程

• 第一步： 上传您自己的数据集或单击 Generate Synthetic Data
• 第二步： 系统在上运行异常检测 feature_1 兽医 feature_2
• 步骤3： 生成异常值的可视化图
• 步骤4： 摘要通过LLM创建
• 步骤5： 结果可选择记录到矢量存储中以供调用

______________________________________________________________________

📁 项目布局

📦 autonomous-analyst/
├── server.py                  # MCP server
├── web.py                     # FastAPI + MCP client (frontend logic)
├── tools/
│   ├── synthetic_data.py
│   ├── outlier_detection.py
│   ├── plotter.py
│   ├── summarizer.py
│   ├── vector_store.py
├── static/                   # Saved plot
├── data/                     # Uploaded or generated dataset
├── requirements.txt
├── .gitignore
└── README.md

______________________________________________________________________

📚 技术栈

• MCP-SDK： mcp
• LLM推理： 没有 跑步 llama3.2:1b
• UI服务器： FastAPI + Uvicorn
• 内存： ChromaDB矢量数据库
• 数据： pandas, matplotlib, scikit-learn

______________________________________________________________________

✅ .gitignore添加

__pycache__/
*.pyc
*.pkl
.env
static/
data/

______________________________________________________________________

🙌 致谢

如果没有开源社区令人难以置信的工作，这个项目是不可能的。特别感谢：

💡 如果你使用这个项目，请考虑主演或参与使其成为可能的上游工具。

这个repo是在一家本地rag llm的帮助下使用llama3.2:1b创建的