Unicefstats MCP

](https://lobehub.com/mcp/jpazvd-unicefstats-mcp)

联合国统计局mcp

实验性——不是联合国儿童基金会的官方产品。对照验证检索到的值 联合国儿童基金会数据仓库 在出版物引用之前。看 局限性.

儿童基金会儿童发展统计MCP服务器。查询200多个国家的790多个以儿童为重点的指标，按性别、年龄、财富五分位数和居住地分列。不需要API密钥。

指标涵盖儿童死亡率、营养、教育、儿童保护、讲卫生运动（水/环境卫生/个人卫生）、艾滋病毒/艾滋病、免疫、幼儿发展等。许多数据集与可持续发展目标相一致，但数据集比单独的可持续发展目标更广泛。

数据来源： 联合国儿童基金会SDMX API

身份

第三方聚合器列表（LobeHub、Smithery、mcp.so、Glama）不受维护者控制。根据上述规范源进行验证。

目录

• 它与unicefdata包的关系
• 它与其他数据MCP的比较
• 景观：用于官方统计的MCP服务器
• 与sdmx-mcp的关系
• 快速开始
• 工具
• 演示
• 提示
• 基准结果
• 部署
• 发展
• 贡献
• 局限性和幻觉风险
• 来源和所有权
• 如何验证此MCP
• 许可证

关键文件

它与unicefdata包的关系

unicefstats-mcp 是 不 替代 unicefdata Python、R或Stata中的包。他们服务于不同的受众：

在幕后, unicefstats-mcp 包裹 unicefdata Python包。每次工具调用最终都会调用 unicefdata.unicefData() 或其元数据功能。将MCP视为位于同一数据层之上的薄AI友好界面。

何时使用哪个：

• 使用 联合国统计局mcp 当您与人工智能聊天并希望快速探索指标、检查值或比较国家时
• 使用 unicef数据 （Python/R/Stata）当你编写脚本、构建仪表板、运行回归或做任何可重复的分析工作时

它与其他数据MCP的比较

景观：用于官方统计的MCP服务器

该项目是用于国际和官方统计的MCP服务器生态系统的一部分。截至2026年3月：

联合国机构

国际组织

国家统计局

已知差距

以下项目不存在MCP服务器： FAO/FAOSTAT, 联合国教科文组织/UIS （4000+教育指标）， ILO/ILOSTAT, UNSD SDG API, 联合国经社部人口, 联合国开发计划署/HDI.

包含安装命令的完整目录： MCP-直接统计.md

与sdmx-mcp的关系

联合国儿童基金会还保持 sdmx-mcp，通用SDMX协议MCP服务器。这两台服务器是 互补而非竞争:

关键权衡：unicefstats mcp的准确性要高得多（EQA 0.990 vs 0.074），因为它的格式化输出针对LLM解析进行了优化。sdmx-mcp没有幻觉，因为它 assistant_guidance 字段和 validate_query_scope 该图案有效地防止了数据缺失时的制造。

何时使用哪个：

• 使用 联合国统计局mcp 联合国儿童基金会儿童发展分析——它更简单、更快、更准确
• 使用 sdmx mcp 当您需要查询非UNICEF SDMX注册表、探索数据流结构或使用分层代码列表时

完整的三方基准测试（单独LLM vs unicefstats mcp vs sdmx mcp）： 示例/结果/

快速开始

pip install unicefstats-mcp

克劳德代码

添加 ~/.claude/.mcp.json:

{
  "mcpServers": {
    "unicefstats": {
      "command": "unicefstats-mcp"
    }
  }
}

光标/VS代码

添加到MCP设置中：

{
  "unicefstats": {
    "command": "unicefstats-mcp"
  }
}

工具

工作流程

1. search_indicators("child mortality")     → find indicator codes
2. get_indicator_info("CME_MRY0T4")         → check disaggregations & SDMX details
3. get_temporal_coverage("CME_MRY0T4")      → check year range
4. get_data("CME_MRY0T4", ["BRA", "IND"])   → fetch data
5. get_api_reference("python", "unicefData") → get code template to continue in a script

资源

服务器公开了六个MCP资源，客户端可以加载这些资源以获取指导和参考数据：

这 system-prompt 和 context 资源解决了T2幻觉故障模式（数据前沿之外多年的模型制造值）。采用世界银行的模式 数据360 mcp 服务器。请参阅v0.5.0的CHANGELOG条目。

演示

步骤1：搜索指标

>>> search_indicators("stunting", limit=3)

{
  "query": "stunting",
  "total_matches": 11,
  "showing": 3,
  "results": [
    {"code": "FD_STUNTING", "name": "Moderate and severe stunting (Functional difficulties)"},
    {"code": "NT_ANT_HAZ_NE2", "name": "Height-for-age >> get_indicator_info("CME_MRY0T4")

{
  "code": "CME_MRY0T4",
  "name": "Under-five mortality rate",
  "description": "Probability of dying between birth and exactly 5 years of age, expressed per 1,000 live births",
  "dataflow": "GLOBAL_DATAFLOW",
  "sdmx_api": "https://sdmx.data.unicef.org/ws/public/sdmxapi/rest/data/UNICEF,GLOBAL_DATAFLOW,1.0/.CME_MRY0T4?format=csv",
  "disaggregation_filters": {
    "sex": ["_T (Total)", "M (Male)", "F (Female)"],
    "wealth_quintile": ["Q1 (Lowest)", "Q2", "Q3", "Q4", "Q5 (Highest)"],
    "residence": ["_T (Total)", "U (Urban)", "R (Rural)"]
  }
}

步骤3：检查时间覆盖范围

>>> get_temporal_coverage("CME_MRY0T4")

{
  "code": "CME_MRY0T4",
  "start_year": 1931,
  "end_year": 2024,
  "latest_year": 2024,
  "countries_with_data": 249,
  "note": "Not all countries have data for all years. Coverage varies by country."
}

步骤4：获取数据

>>> get_data("CME_MRY0T4", ["BRA", "IND", "NGA"], start_year=2018, end_year=2023)

{
  "indicator": "CME_MRY0T4",
  "countries_requested": ["BRA", "IND", "NGA"],
  "total_rows_available": 18,
  "rows_returned": 18,
  "rows_truncated": false,
  "format": "compact",
  "summary": {
    "value_range": {"min": 14.42, "max": 117.56, "mean": 54.78},
    "year_range": {"earliest": 2018, "latest": 2023},
    "countries_in_result": 3
  },
  "data": [
    {"iso3": "BRA", "country": "Brazil",  "period": 2018, "indicator": "CME_MRY0T4", "value": 15.22},
    {"iso3": "BRA", "country": "Brazil",  "period": 2019, "indicator": "CME_MRY0T4", "value": 15.03},
    {"iso3": "BRA", "country": "Brazil",  "period": 2020, "indicator": "CME_MRY0T4", "value": 14.87},
    {"iso3": "BRA", "country": "Brazil",  "period": 2021, "indicator": "CME_MRY0T4", "value": 14.72},
    {"iso3": "BRA", "country": "Brazil",  "period": 2022, "indicator": "CME_MRY0T4", "value": 14.59},
    {"iso3": "BRA", "country": "Brazil",  "period": 2023, "indicator": "CME_MRY0T4", "value": 14.42},
    {"iso3": "IND", "country": "India",   "period": 2018, "indicator": "CME_MRY0T4", "value": 36.87},
    {"iso3": "IND", "country": "India",   "period": 2019, "indicator": "CME_MRY0T4", "value": 34.86},
    {"iso3": "IND", "country": "India",   "period": 2020, "indicator": "CME_MRY0T4", "value": 32.98},
    {"iso3": "IND", "country": "India",   "period": 2021, "indicator": "CME_MRY0T4", "value": 31.19},
    {"iso3": "IND", "country": "India",   "period": 2022, "indicator": "CME_MRY0T4", "value": 29.53},
    {"iso3": "IND", "country": "India",   "period": 2023, "indicator": "CME_MRY0T4", "value": 27.99},
    {"iso3": "NGA", "country": "Nigeria", "period": 2018, "indicator": "CME_MRY0T4", "value": 117.19},
    {"iso3": "NGA", "country": "Nigeria", "period": 2019, "indicator": "CME_MRY0T4", "value": 117.37},
    {"iso3": "NGA", "country": "Nigeria", "period": 2020, "indicator": "CME_MRY0T4", "value": 117.42},
    {"iso3": "NGA", "country": "Nigeria", "period": 2021, "indicator": "CME_MRY0T4", "value": 117.56},
    {"iso3": "NGA", "country": "Nigeria", "period": 2022, "indicator": "CME_MRY0T4", "value": 117.46},
    {"iso3": "NGA", "country": "Nigeria", "period": 2023, "indicator": "CME_MRY0T4", "value": 116.82}
  ]
}

人工智能助手将从中提取关键见解：

• 巴西：14.4/1000----稳步下降，有望实现可持续发展目标3.2的具体目标（≤25）
• 印度：28.0/1000-快速改善（5年内37→28），最近超过可持续发展目标
• 尼日利亚：千分之117——基本持平，是可持续发展目标的4.7倍，负担最高

步骤5：获取代码模板以在脚本中继续

>>> get_api_reference("r", "unicefData")

{
  "language": "r",
  "install": "install.packages(\"unicefdata\")",
  "import": "library(unicefdata)",
  "function": "unicefData",
  "signature": "unicefData(\n    indicator = NULL,        # character — indicator code(s)\n    countries = NULL,         # character vector — ISO3 codes, NULL = all\n    year = NULL,              # numeric, character (\"2015:2023\"), or vector\n    sex = \"_T\",               # character — \"_T\", \"M\", \"F\"\n    totals = FALSE,           # logical — only return aggregate totals\n    tidy = TRUE,              # logical — standardize column names\n    country_names = TRUE,     # logical — add country name column\n    format = \"long\",          # character — \"long\", \"wide\", \"wide_indicators\"\n    latest = FALSE,           # logical — most recent value per country\n    circa = FALSE,            # logical — closest available year\n    add_metadata = NULL,      # character vector — e.g. c('region', 'income_group')\n    dropna = FALSE,           # logical — drop rows with missing values\n    simplify = FALSE,         # logical — minimal columns\n    mrv = NULL,               # integer — most recent N values per country\n    raw = FALSE,              # logical — all disaggregations, no filtering\n)",
  "returns": "tibble with columns: indicator_code, iso3, country, period, value, sex, age, wealth_quintile, residence, ...",
  "examples": [
    {"description": "Under-5 mortality for Brazil, India, Nigeria (2015–2023)", "code": "df =0.95 | 0/10| **10/10** | — |
|T1幻觉（间隔年）|9%|7%|-2pp|
|T2幻觉（从未存在）|11%|37%原始/~10%已纠正|见分析|
|每次查询的成本|0.003|0.018|6×|

### v0.7.1当天清洁繁殖（n=5002026-05-08）

在v0.7.0发布指标名称解析器后，我们在每波检查点架构（PR#53）上重新运行了一个500查询子集（100正+200 T1+200 T2），并使用v0.6.4基线运行 **同一天** 为了控制上游模型快照漂移：

|度量|仅限LLM |LLM+MCP（v0.7.1）|Δ|
|---|---|---|---|
|POS EQA平均值|0.121| **0.897** |+77.6页（约7倍）|
|T1+T2幻觉（合并）|2.0%| **13.0%** |+11.0人|
|挂钟（并行运行）|3.8小时（v0.6.4）|9.2小时（v0.7.1）|+5.4小时|

A侧EQA在两次运行中均在0.3 pp以内，证实了当天的训练有效：B侧增量是真实的，而不是快照漂移。v0.7.1的复制品证实了原始的6.7×/8.2×精度标题为7×，并表明v0.4.0安全层+v0.7.0指示器解析器将T2制造从37%（v0.3.0）降至13%，但相对于无工具基线的剩余~11pp差距似乎是结构性的，与更广泛的工具增强LLM和RAG文献文件相匹配（见 [局限性](#limitations-and-hallucination-risks)).

### EQA分解（基线_最新提示）

|组件|LLM单独|LLM+MCP|增益|
|---|---|---|---|
|ER（提取率）|0.50| **1.00** | +0.50 |
|YA（年精度）|0.24| **0.99** | +0.75 |
|VA（数值精度）|0.37| **1.00** | +0.63 |
| **EQA=ER×YA×VA** | **0.147** | **0.990** | **+0.843** |

### 关键发现

1. **EQA>=0.95的所有10个指标** 使用MCP，在40个国家复制（R1+R2，零重叠）。10个中有7个达到了完美的EQA=1.000。

1. **年份准确性是LLM最大的弱点** （YA=0.24）。它引用2021-2022年作为IGME 2024估计存在的“最新”时间。MCP查询API并返回最近的实际年份。

1. **直接提示显示更大的MCP增益** （+0.722 vs+0.613），因为它消除了YA并隔离了纯粹的检索准确性。

1. **T2幻觉（~37%）因地面真相错误分类而膨胀**：SDMX API具有地面实况管道遗漏的微观状态的IGME死亡率数据。校正后：MCP~10%，单独LLM ~5%。剩下的幻觉是由 **信心效应** --当Claude具有强域先验时，它会覆盖工具错误。

1. **信心效应**：当MCP工具返回“无数据”，但LLM具有强大的领域先验（例如，知名国家的儿童死亡率）时，它会覆盖该工具并进行捏造。这是一种基本的LLM行为，不是MCP特有的。

### 三方比较（与sdmx-mcp）

|度量|仅LLM | unicefstats mcp | sdmx mcp|
|---|---|---|---|
| **EQA（均为阳性）** | 0.147 | **0.990** | 0.074 |
|T1幻觉|9%|7%| **0%** |
|T2幻觉|11%|37%| **0%** |
|费用（300次查询）|0.89|5.47|26.20美元|
|平均延迟|5s|9.8s|60s|

sdmx-mcp的原始sdmx-JSON输出对于LLM来说很难解析（VA=0.11），但它的抗幻觉护栏非常有效（0%伪造）。看 [与sdmx-mcp的关系](#relationship-to-sdmx-mcp) 了解详情。

全面分析、按指标分解和方法： **[examples/RESULTS.md](https://github.com/jpazvd/unicefstats-mcp/blob/main/examples/RESULTS.md)**

基准数据（带完整LLM响应的拼花地板）： **[示例/结果/](https://github.com/jpazvd/unicefstats-mcp/tree/main/examples/results/)**

基准设计原理： **[示例/DESIGN_ISSUES.md](https://github.com/jpazvd/unicefstats-mcp/blob/main/examples/DESIGN_ISSUES.md)**

### 重现基准

Build ground truth from UNICEF SDMX API

python examples/00_build_ground_truth.py

Run 200-query benchmark (requires ANTHROPIC_API_KEY, ~$6)

python examples/benchmark_eqa.py

Add 100 direct-prompt queries to existing run (~$3)

python examples/01_run_direct_supplement.py

### 引用

该基准使用以下EQA指标：

> 阿泽维多，J.P.（2025）。“官方统计的人工智能可靠性：用联合国儿童基金会数据仓库对大型语言模型进行基准测试。”联合国儿童儿童基金会首席统计师办公室。 

## 部署

### 本地（stdio）

unicefstats-mcp

### 远程（SSE）

unicefstats-mcp --transport sse --port 8000

### 码头工人

docker build -t unicefstats-mcp . docker run -p 8000:8000 unicefstats-mcp

## 发展

pip install -e ".[dev]" pytest tests/ -v ruff check src/ tests/ mypy src/unicefstats_mcp/

## 贡献

欢迎捐款。

### 贡献方式

- **错误报告**：打开一个 [问题](https://github.com/jpazvd/unicefstats-mcp/issues) 带有复制步骤
- **功能请求**：通过问题建议新的工具、指标或输出格式
- **代码**：分叉、分支、提交PR——请参阅下面的开发设置
- **基准**：在不同型号上运行EQA基准测试并分享结果
- **文档**：改进示例，修复拼写错误，添加用例

### 开发设置

git clone https://github.com/jpazvd/unicefstats-mcp.git cd unicefstats-mcp pip install -e ".[dev,benchmark]" pytest tests/ -v ruff check src/ tests/ mypy src/unicefstats_mcp/

### 拉取请求指南

1. **每个PR都有一个问题** --保持更改的重点和可审查性
1. **包括测试** 用于新工具或错误修复
1. **运行门楣** (`ruff check`)和类型检查器(`mypy`)提交前
1. **更新README** 如果更改工具签名或添加新功能
1. **不提交API密钥** 或大于500KB的基准结果包

### 优先领域

看 [审计结果](https://github.com/jpazvd/unicefstats-mcp/blob/main/examples/RESULTS.md) 对于已知的问题。高影响区域：

- **MNCH数据流错误**: `MNCH_CSEC` 和 `MNCH_BIRTH18` 由于数据流解析问题，返回0 EQA `unicefdata` 包裹
- **T2幻觉减少**：当API未返回结果时，进一步减少制造（目前约为10%；请参阅 [局限性](#limitations-and-hallucination-risks))

## 局限性和幻觉风险

### 数据限制

- 指标、国家和年份的覆盖率不均衡。根据设计，基于调查的指标（营养、教育、保护）在数据点之间存在3-5年的差距。
- 死亡率指标（CME\_\*）是联合国机构间小组（IGME）的模型估计值，紧凑输出中没有出现不确定性区间。
- 并非所有指标都支持所有细分维度； `get_indicator_info()` 列出每个指标可用的内容。
- `get_data()` 每次调用最多500行。

### 幻觉风险

基准测试（在两个复制样本、10个指标、45个国家中汇集了600个查询）确定了两种模式：

|类型|描述|费率（v0.5.x）|v0.7.1当天清洁|缓解措施|
|---|---|---|---|---|
| **T1（间隔年）** |LLM引用了存在数据但不同年份的年份|~7%|T1+T2的总和： **13%** （n=400）|服务器返回实际年份；LLM偶尔会忽略它|
| **T2（前沿）** |LLM为超出数据边界的一年制造一个值|~36%|（T1+T2组合在一起）|v0.5.0提供了一个反外推系统提示(`unicef://system-prompt`)和运行时上下文(`unicef://context`).在会话开始时加载这些。 |

T2在历史上是主要风险——由 **信心效应** LLM在检索了相邻年份的数据后，向前推断。v0.4.0安全层+v0.5.0系统提示+v0.7.0指示器解析器将T1+T2组合制造从37%（v0.3.0）降至13%（v0.7.1，当天清洁基线），减少了约24 pp。

相对于无工具基线（2%），出现了约11 pp的剩余差距 **结构的**，不是我们还没有修复的错误。这一发现与更广泛的工具增强LLM和RAG文献同时记录的内容一致：

- *推理陷阱：增强LLM推理如何增强工具幻觉* （ICLR 2025）-表明这种关系是因果关系：随着模型在工具使用方面变得更好，工具幻觉也会增加 *按比例地* 有能力。
- *通过可靠性校准减少工具幻觉* （曹等人，2024， [arXiv:2412.04141](https://arxiv.org/abs/2412.04141))--将失败正式化为 *工具选择* 错误（错误的工具、拒绝失败）和 *工具使用* 误差（制造参数）。
- *ReDeEP：通过机械可解释性检测检索增强生成中的幻觉* （Sun等人，2024）——机械地表明，LLM的参数知识可以覆盖残差流中检索到的上下文。

给用户的启示是：服务器端护栏减少了工具增强幻觉的程度；根据目前的证据，他们不会改变方向。任何生产部署都应该：

1. 加载 `unicef://system-prompt` 和 `unicef://context` 会话开始时的资源（处理前沿制造）。
1. 将MCP结果视为尽力检索，而不是绝对正确的事实——根据 [联合国儿童基金会数据仓库](https://data.unicef.org/) 在引用之前。
1. 更喜欢明确年份的查询（“2023年尼日利亚五岁以下儿童死亡率”），而不是开放式查询（“尼日利亚最新的五岁以下死亡率”）——在没有数据的情况下，前者会更可靠地引发拒绝。

完整的基准方法： [examples/RESULTS.md](https://github.com/jpazvd/unicefstats-mcp/blob/main/examples/RESULTS.md)

## 来源和所有权

此MCP提供的所有数据都来自 [联合国儿童基金会数据仓库](https://data.unicef.org/)，通过公共SDMX REST API实时访问。不存储或缓存观测数据——每个 `get_data()` 呼叫导致实时SDMX请求。指标和国家登记册在首次访问时缓存在内存中以提高性能；这些是目录元数据，而不是统计值。MCP会重新格式化输出以供LLM使用，但不会更改值。

有关数据来源、所有权、分发管道和解释注意事项的完整详细信息，请参阅 [PROVENANCE.md](PROVENANCE.md).

## 如何验证此MCP

|检查|如何|
|---|---|
| **来源** |存储库是 [`jpazvd/unicefstats-mcp`](https://github.com/jpazvd/unicefstats-mcp) 在GitHub上|
| **包裹** | `pip show unicefstats-mcp` --验证 `Home-page` 指向规范仓库|
| **版本** | `python -c "import unicefstats_mcp; print(unicefstats_mcp.__version__)"` --与 `server.json` 和PyPI|
| **来源** | [PyPI证明](https://pypi.org/project/unicefstats-mcp/#files) 将每个版本链接到GitHub Actions工作流|
| **运行时** |呼叫 `get_server_metadata()` --返回规范名称、版本、发布者和数据源|

## 许可证

麻省理工学院