Wise Pizza MCP

明智的披萨mcp

像热刀切披萨一样切开你的数据。

MCP服务器，用于包装 智慧披萨 库，让LLM在多维数据中找到最有趣的片段。加载CSV一次，然后通过模型上下文协议运行多次分析。

它做什么

明智的披萨会在你的数据中发现不寻常的片段，或者解释时间段之间的变化。此MCP服务器公开了四种分析方法：

• 解释级别 --查找平均值与全球平均值差异最大的细分市场
• 解释_变更_总计 --解释是什么导致了两个数据集之间总数的变化
• 解释平均变化 --解释是什么促使两个数据集之间的平均值发生变化
• 解释时间序列 --在面板数据中查找具有不同时间模式的片段

加上数据集管理工具，用于加载、列出和删除CSV数据。

先决条件

此服务器使用 紫外线 跑步。如果没有，请安装它：

curl -LsSf https://astral.sh/uv/install.sh | sh

快速开始

使用uvx安装

添加到您的Claude桌面配置(~/.claude/claude_desktop_config.json):

{
  "mcpServers": {
    "wise-pizza": {
      "command": "uvx",
      "args": ["wise-pizza-mcp"]
    }
  }
}

如果您使用Claude Code在这个仓库的克隆中工作，服务器将通过以下方式自动配置 .mcp.json --无需手动设置。

工具

load_data

将CSV文件加载到内存中的数据集存储中。

例子：

Load the file /data/sales.csv as "sales_q1" with dimensions ["region", "product", "channel"],
total_name "revenue", and size_name "transactions"

list_loaded_datasets

返回当前存储中所有数据集名称的列表。

remove_loaded_dataset

按名称从存储中删除数据集。

explain_levels

找出平均值与全局值差异最大的细分市场。非常适合回答：“此数据集中哪些片段不寻常？”

例子：

Run explain_levels on "sales_q1" with max_segments=5 and image_size=[1200, 600]

explain_levels example

explain_changes_in_totals

找到解释两个数据集总和差异的分段。

这 how 参数控制分解：

• "totals" --分段总变化综合分析
• "split_fits" --分别分解大小变化与平均变化（回报 SplitAnalysisResult)
• "extra_dim" --将规模/平均贡献视为额外维度
• "force_dim" --与extra_dim类似，但每个段都必须指定一个Change_from约束

explain_changes_in_totals example

explain_changes_in_average

签名与 explain_changes_in_totals，但侧重于平均值变化，而不是总量变化。

explain_changes_in_average example

explain_timeseries

将时间序列面板数据分割成具有不同时间模式的片段。

explain_timeseries example

响应格式

分析结果

大多数工具返回 AnalysisResult JSON：

{
  "task": "levels",
  "segments": [
    {
      "segment": {"region": "US", "product": "A"},
      "total": 1500.0,
      "seg_size": 200.0,
      "naive_avg": 7.5,
      "impact": 120.0,
      "avg_impact": 0.6
    }
  ],
  "relevant_clusters": {},
  "global_average": 5.2,
  "markdown_summary": "| ... |",
  "image_path": "/tmp/tmpXXXXXX.png"
}

• 段：定义此段的维度值对
• 总计：细分市场内的总价值
• sec_size：节段的尺寸/重量
• 天真：分段中的简单平均值（total/seg_size）
• 影响：分段对总体的影响（仅限于套索求解器）
• avg影响：每单位重量的影响（仅限套索求解器）
• 相关集群：群集定义 cluster_values=True
• 图像路径：生成PNG文件的路径（当 image_size 已设置）

Split分析结果

使用时 how="split_fits"，响应包含单独的分析：

{
  "task": "changes (split)",
  "size_analysis": { "...AnalysisResult..." },
  "average_analysis": { "...AnalysisResult..." },
  "image_path": "/tmp/tmpXXXXXX.png"
}

用例演练

1.在当前数据中发现异常段

1. Load my sales data: load_data("/data/sales_jan.csv", "jan_sales",
   dims=["region", "product", "channel"], total_name="revenue", size_name="orders")

2. Find unusual segments: explain_levels("jan_sales", max_segments=5, image_size=[1200, 600])

这确定了每份订单的平均收入与全球平均水平差异最大的细分市场，例如，“APAC+Premium产品的每份订单收入是平均水平的3倍”。

2.解释不同时期之间的变化

1. Load both periods:
   load_data("/data/sales_q1.csv", "q1", dims=["region", "product"], total_name="revenue", size_name="orders")
   load_data("/data/sales_q2.csv", "q2", dims=["region", "product"], total_name="revenue", size_name="orders")

2. What drove the total change?
   explain_changes_in_totals("q1", "q2", image_size=[1000, 800])

3. What about average changes specifically?
   explain_changes_in_average("q1", "q2")

4. Break down size vs average contributions:
   explain_changes_in_totals("q1", "q2", how="split_fits")

3.时间序列分割

1. Load panel data:
   load_data("/data/monthly_metrics.csv", "monthly",
   dims=["region", "product"], total_name="revenue", size_name="customers")

2. Find segments with different trends:
   explain_timeseries("monthly", time_name="month", image_size=[1200, 800])

这发现像“欧盟+产品B正在下降，而美国+产品A正在增长”这样的群体。

发展

git clone https://github.com/MotleyAI/wise-pizza-mcp.git
cd wise-pizza-mcp
pip install -e ".[dev]"
pytest tests/ -v

许可证

麻省理工学院