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。

详细介绍

ReviewOps MCP–通过MCP+LLM（Self-Hosted MVP）提供反馈分析的平台

审查运营MCP -分析组织文本反馈的微服务平台。项目帮助获得 结构化的负面原因与确认（引用）进行全文搜索，并按标题和地区形成比较分析。这些工具可以通过REST API或 MCP（模型上下文协议） 与LLM代理集成

______________________________________________________________________

机会

工具（REST API+MCP）

手册：顶级类别和过滤区域。
评论全文搜索俄罗斯 tsvector相关片段。
负面见解：按类别/地区+引用示例+改进建议列出的负面原因。
领导者：按标题（和地区）分类的组织中的领导者和反领导者，评论次数阈值。
组织钻取：审查特定组织的底片 org_key.
比较：两个区域的交叉点和负原因的差异比较。

LLM层（本地或通过代理）

局部: llama.cpp server GGUF模型（OpenAI Compatible） /v1/chat/completions).
远程：LLM Gateway代理OpenAI Compatible Endpoint（例如Proxyapi）中的查询。
Orchestrator使用LLM 点（Summary/Compare），原因计算和证据选择在数据库中以确定性的方式进行（以降低幻觉的风险）。

工程性能

MCP优先：工具可用于MCP客户端/代理。
后备方案：Orchestrator通过MCP调用工具，并在必要时切换到直接REST API。
可观测性：活动/跟踪C trace_id в波斯特格雷斯。
Security（可选）：JWT发行和Bearer令牌验证。
Moderation（可选）：防爆注射和秘密编辑。

______________________________________________________________________

建筑

请求/数据流（Request/Data Flow）

flowchart LR
    U["User / Client"] -->|"POST /chat"| ORCH["orch: Orchestrator (LLM gateway)"]
    ORCH -->|"SSE /mcp tools"| MCP["mcp: FastMCP server"]
    MCP -->|"HTTP"| API["api: Analytics API (FastAPI)"]
    API -->|"SQL"| DB[(db: Postgres)]
    ORCH -->|"OpenAI-compatible /v1/chat/completions"| LLM["llm: llama.cpp server"]

    ORCH --> LOG["logsvc: events"]
    MCP --> LOG
    API --> LOG

    SEC["security: JWT (opt)"] -.-> ORCH
    MOD["moderator: input/output (opt)"] -.-> ORCH

互动逻辑：

Orchestrator接受用户请求（POST /chat).
如果需要上下文/统计，Orchestrator通过MCP调用工具（/mcp上海证券交易所
MCP在Analytics API上代理对Tools的调用。
Analytics API执行Postgres查询并返回结构化结果。
Orchestrator使用工具和（必要时）LLM的结果来生成响应。
关键事件和查询关联记录在 logsvc/log_event 沿着 trace_id.

Docker Compose（Docker Compose）

                ┌─────────────────────────────────────┐
Client / User → │ Orchestrator (FastAPI) :9000         │
                │  - routing (auto/search/...)         │
                │  - tool calls (MCP → fallback REST)  │
                │  - optional JWT auth                 │
                │  - optional moderation               │
                └───────────────┬─────────────────────┘
                                │
                                │ tool calls
                                ▼
                    ┌───────────────────────────┐
                    │ MCP server (FastMCP) :8787 │
                    │ tools → wraps Data API     │
                    └─────────────┬─────────────┘
                                  │
                                  ▼
                    ┌───────────────────────────┐
                    │ Data+Analytics API :8000   │
                    │  - search                  │
                    │  - leaders                 │
                    │  - insights                │
                    └─────────────┬─────────────┘
                                  │ SQL
                                  ▼
                    ┌───────────────────────────┐
                    │ Postgres 16 :5432          │
                    │  org / rev / log_event     │
                    └───────────────────────────┘

LLM side:
┌───────────────────────────┐        ┌───────────────────────────┐
│ LLM Gateway :8080          │  →    │ llama.cpp server :8081     │
│ /v1/chat/completions       │       │ (local GGUF)               │
│ backend=local|proxyapi     │       └───────────────────────────┘
└───────────────────────────┘

Optional:
- logsvc :9100  (event log API -> log_event)
- security :9200 (JWT mint/verify)
- moderator :9300 (input/output moderation)
- loader (one-shot) (HF parquet -> DB)

______________________________________________________________________

合同和接口

编排器API

`GET /health`

用途：Liveness/Readiness（验证服务是否可用）。

`POST /chat`

用户请求的主入口点。

请求

{
  "message": "string",
  "mode": "auto"
}

Response（目标合同）

{
  "trace_id": "string",
  "answer": "string",
  "evidence": [
    {
      "source": "db",
      "snippet": "string",
      "meta": {
        "org": "string",
        "rubric": "string",
        "region": "string",
        "rating": 0
      }
    }
  ]
}

保证：

trace_id 必须关联所有关键步骤（ORCH→MCP→API→DB）并与事件匹配 logsvc/log_event.
answer 总是字符串。
evidence 可能是空的；在 mode="insights" 如果找到数据，则最好提供证据。

合同扩展计划：

制度 search （相关片段的选择）和 summary （简短摘要，无建议）；
噪声控制参数： max_evidence, min_rating/a0 在请求的顶层。

______________________________________________________________________

数据和电路

数据源（默认）

Loader从HuggingFace Dataset下载Parquet文件并将数据导入Postgres。

默认情况下（见下文）。 .env / docker-compose.yml):

HF_REPO=d0rj/geo-reviews-dataset-2023
HF_FILE=data/train-00000-of-00001-49261e4e5a35a5a0.parquet

表格

org：组织（密钥、名称、地址、区域） a0/a1, рубрики rub[])
rev：отзыв（id，组织密钥，评级，文本， tsvector 俄语）
log_event：跟踪事件（traceu id、service、event、payload jsonb）

数据模型（TL；DR）

表格 `rev`

一行=一条评论。用于：

按标题/地区分列的排名，
全文/子字符串搜索，
从标题+评级阈值中提取负片。

索引：

rev_org_rating_idx -加速组织/对象和评级的过滤（见下文）。 db/init.sql 是真理的源泉。

注：

关于各栏的确切名称和类型，请参见附件一。在 db/init.sql （规范方案）；
建议在缩放时添加 created_at代用 id 和（可选） tsvector/FTS基础设施，如果尚未启用。

______________________________________________________________________

快速启动（Docker Compose）

要求

Docker+Docker组合
为GGUF模型和数据集缓存提供足够的磁盘空间

1.克隆和环境保护

git clone https://github.com/Lin-Lini/reviewops-mcp
cd reviewops-mcp
cp .env.example .env

2）LLM模式的选择

选项A：本地模型（默认）

将GGUF文件放置在路径上：

models/qwen2.5-1.5b/qwen2.5-1.5b-instruct-q4_k_m.gguf

检查（或离开） .env:

LLM_BACKEND=local
LLM_MODEL=qwen2.5-1.5b

选项B：通过代理远程LLM（网关）

请输入 .env:

LLM_BACKEND=proxyapi
PROXYAPI_OPENAI_BASE=https://openai.api.proxyapi.ru/v1
PROXYAPI_KEY=***secret***
PROXYAPI_MODEL=gemini/gemini-2.5-flash-lite

3）提升数据库并加载数据

docker compose up -d db
docker compose run --rm loader

4）服务启动

最低要求：

docker compose up -d api mcp llm orch

全套（包括LogSVC、Security、Moderator）：

docker compose up -d

______________________________________________________________________

性能检查

API文件：http://localhost:8000/docs
编排器运行状况：http://localhost:9000/health
日志：http://localhost:9100/events
LLM网关运行状况：http://localhost:8080/health

______________________________________________________________________

使用

Orchestrator（主入口点）

端点：

POST http://localhost:9000/chat

身体：

{
  "message": "Разбери негатив по кафе в Москве: причины, примеры, что улучшить",
  "mode": "auto"
}

mode:

auto （默认）
search -搜索/选择相关片段
insights -负面原因+引用+建议
leaders 领导人/反领导人
compare 两个区域比较

Insights（Insights）：

curl -s http://localhost:9000/chat   -H "Content-Type: application/json"   -d '{"message":"негатив по ресторанам в Санкт-Петербурге: причины и цитаты","mode":"insights"}'

Leaders（Leaders）：

curl -s http://localhost:9000/chat   -H "Content-Type: application/json"   -d '{"message":"худшие кафе в Москве","mode":"leaders"}'

比较（Compare）：

curl -s http://localhost:9000/chat   -H "Content-Type: application/json"   -d '{"message":"сравни кафе Москва vs Санкт-Петербург","mode":"compare"}'

______________________________________________________________________

MCP工具

MCP端点：

http://localhost:8787/mcp

可用的工具：

top_rubrics(n=50)
top_regions(n=50)
text_search(qs, n=20)
negative_insights(rubric, a0=None, n_terms=20, n_samples=5, max_docs=3000)
leaders_worst(rubric, a0=None, min_reviews=20, n=10)
leaders_best(rubric, a0=None, min_reviews=20, n=10)
org_negative_insights(org_key, n_terms=20, n_samples=5, max_docs=3000)

注意：MCP传输使用SSE。正确运行MCP客户端需要标题 Accept: text/event-stream.

工具合同（专用）

`top_rubrics(n: int)`

返回顶部n类别的评论数。

[
  { "rubric": "string", "count": 123 }
]

`top_regions(n: int)`

返回顶部n个区域的评论数。

[
  { "region": "string", "count": 123 }
]

`text_search(qs: string, n: int)`

搜索文本反馈（子字符串或FTS取决于API的实现）。

[
  { "org": "string", "rubric": "string", "region": "string", "rating": 0, "text": "string" }
]

`negative_insights(rubric: string, a0: float, n_terms: int, n_samples: int, max_docs: int)`

收集负面的原因。

参数：

a0 评级阈值（例如， `


### 获取令牌

1. 指定参数 `.env`:

ROOT_API_KEY=change-me JWT_SECRET=dev-secret


2. 请求令牌：

curl -s http://localhost:9200/token -H "X-API-Key: change-me"


3. 使用令牌：

curl -s http://localhost:9000/chat -H "Content-Type: application/json" -H "Authorization: Bearer " -d '{"message":"найди отзывы про парковку","mode":"search"}'


______________________________________________________________________

## 故障排除

**LLM不在本地启动**

- 检查路径中是否存在模型文件 `models/qwen2.5-1.5b/...gguf`.
- 检查环境变量 `LLM_BACKEND=local` 和 `LOCAL_LLM_CHAT_URL`.

**`/mcp` 返回406**

- 使用MCP客户端 `Accept: text/event-stream` 上海证券交易所

**Insights/Compare运行缓慢**

- 确保加载程序已完成 `ANALYZE` （默认情况下，在init/loader中启用）。
- 检查是否有索引（见下文）。 `db/init.sql`).

**`/chat` 返回401**

- 启用 `AUTH_ENABLED=1`，但请求没有令牌发送。要么关闭AUTH，要么通过JWT `security`.

______________________________________________________________________

## 简历亮点

- 带Docker Compose环境的微服务体系结构（Fastapi+Postgres）
- MCP集成：LLM代理可通过Model Context Protocol获得分析工具
- LLM作为可替换后端：本地GGUF模型 `llama.cpp` OpenAI Compatible Endpoint（Compatible Endpoint）
- 确定性分析和数据库的证据，LLM用于摘要
- 可选子系统：AUTH（JWT）、MODERATION、Event Logging/Tracing

______________________________________________________________________

## 许可证

麻省理工学院

目录标签

数据分析Python微服务评论分析本地部署文本挖掘LLM集成

接入字段

传输方式（transport，传输协议）

未说明

鉴权方式（authType，认证方式）

api-key

工具数量（toolCount，工具数）

7

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

未说明api-key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。

仍需确认：installCommand

来源信息

MCP World

mcpworld.com

/detail/f348c46b10d122cc0f1485dcc4899093

ReviewOps MCP 是一个用于分析组织文本评论的微服务平台，提供结构化负面原因分析、全文搜索和比较分析功能，支持通过REST API和MCP协议与LLM代理集成。

继续浏览同类 MCP

更多AI代理 MCP（18,706）返回 MCP 目录

上一个 MCP

Reviewmetric MCP

Connecting to the ReviewMetric, 15-AI agent scientific peer review pipeline

下一个 MCP

ReviewWebsite MCP Server

一个基于Model Context Protocol (MCP)的服务器，用于连接AI助手与ReviewWebsite.com API，实现网站评论的创建、管理、数据提取及URL转Markdown等功能。

Reviewops MCP

快速接入

详细介绍

ReviewOps MCP–通过MCP+LLM（Self-Hosted MVP）提供反馈分析的平台

机会

工具（REST API+MCP）

LLM层（本地或通过代理）

工程性能

建筑

请求/数据流（Request/Data Flow）

Docker Compose（Docker Compose）

合同和接口

编排器API

GET /health

POST /chat

数据和电路

数据源（默认）

表格

数据模型（TL；DR）

表格 rev

快速启动（Docker Compose）

要求

1.克隆和环境保护

2）LLM模式的选择

选项A：本地模型（默认）

选项B：通过代理远程LLM（网关）

3）提升数据库并加载数据

4）服务启动

性能检查

使用

Orchestrator（主入口点）

MCP工具

工具合同（专用）

top_rubrics(n: int)

top_regions(n: int)

text_search(qs: string, n: int)

negative_insights(rubric: string, a0: float, n_terms: int, n_samples: int, max_docs: int)

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP

`GET /health`

`POST /chat`

表格 `rev`

`top_rubrics(n: int)`

`top_regions(n: int)`

`text_search(qs: string, n: int)`

`negative_insights(rubric: string, a0: float, n_terms: int, n_samples: int, max_docs: int)`