Skip to main content
Glama
deenesjakoruzh

MCP Autonomous Analyst

by MadMando
GitHub
Python
OverviewInspectNewEndpointsSchemaRelated ServersReviewsScore
Need Help?View Source CodeReport Issue

Autonomer Analyst

🧠 Übersicht

Autonomous Analyst ist eine lokale, agentenbasierte KI-Pipeline, die:

  • Analysiert tabellarische Daten

  • Erkennt Anomalien mit Mahalanobis-Distanz

  • Verwendet ein lokales LLM (llama3.2:1b über Ollama), um interpretierende Zusammenfassungen zu generieren

  • Protokolliert Ergebnisse in ChromaDB zum semantischen Abruf

  • Wird vollständig über das Model Context Protocol (MCP) orchestriert

⚙️ Funktionen

Komponente

Beschreibung

FastAPI-Web-Benutzeroberfläche

Benutzerfreundliches Dashboard für synthetische oder hochgeladene Datensätze

MCP-Tool-Orchestrierung

Jeder Prozessschritt wird als aufrufbares MCP-Tool bereitgestellt

Anomalieerkennung

Mahalanobis Distanzbasierte Ausreißererkennung

Visuelle Ausgabe

Gespeichertes Streudiagramm von Inliern vs. Ausreißern

Lokale LLM-Zusammenfassung

Erkenntnisse, die mit

llama3.2:1b

über Ollama generiert wurden

Vektorspeicherprotokollierung

Zusammenfassungen werden in ChromaDB für einen dauerhaften Speicher gespeichert

Agentisches Planungstool

Ein dediziertes LLM-Tool (

autonomous_plan

) bestimmt die nächsten Schritte basierend auf dem Datensatzkontext

Agentischer Fluss

LLM + Gedächtnis + Werkzeugnutzung + automatisches Denken + Kontextbewusstsein

🧪 Definierte Tools (über MCP)

Werkzeugname

Beschreibung

LLM Gebraucht

generate_data

Erstellen Sie synthetische tabellarische Daten (Gaußsche + kategorische)

❌

analyze_outliers

Zeilen mit Mahalanobis-Distanz beschriften

❌

plot_results

Speichern Sie ein Diagramm, das Inliers vs. Ausreißer visualisiert

❌

summarize_results

Interpretieren und erklären Sie die Ausreißerverteilung mit

llama3.2:1b

✅

summarize_data_stats

Beschreiben Sie Datensatztrends mit

llama3.2:1b

✅

log_results_to_vector_store

Speichern Sie Zusammenfassungen zur späteren Verwendung in ChromaDB

❌

search_logs

Abrufen relevanter vergangener Sitzungen mithilfe der Vektorsuche (optionale LLM-Verwendung)

⚠️

autonomous_plan

Führen Sie die gesamte Pipeline aus und verwenden Sie LLM, um automatisch die nächsten Aktionen zu empfehlen

✅

🤖 Agentenfähigkeiten

  • Autonomie : LLM-geführte Auswahl des Ausführungspfads mit autonomous_plan

  • Tool-Nutzung : Ruft registrierte MCP-Tools dynamisch über LLM-Inferenz auf

  • Begründung : Generiert technische Erkenntnisse aus Datensatzbedingungen und Ausreißeranalyse

  • Speicher : Behält Wissen bei und ruft es mithilfe der ChromaDB-Vektorsuche ab

  • LLM : Powered by Ollama mit llama3.2:1b (Temperatur = 0,1, deterministisch)

🚀 Erste Schritte

1. Klonen und Einrichten

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. Starten Sie den MCP-Server

mcp run server.py --transport streamable-http

3. Starten Sie das Web-Dashboard

uvicorn web:app --reload --port 8001

Besuchen Sie dann: http://localhost:8000

🌐 Dashboard-Flow

  • Schritt 1: Laden Sie Ihren eigenen Datensatz hoch oder klicken Sie auf Generate Synthetic Data

  • Schritt 2: Das System führt eine Anomalieerkennung für feature_1 und feature_2 durch.

  • Schritt 3: Visuelle Darstellung der Ausreißer wird erstellt

  • Schritt 4: Zusammenfassungen werden über LLM erstellt

  • Schritt 5: Die Ergebnisse werden optional im Vektorspeicher protokolliert, um sie wieder abrufen zu können

📁 Projektlayout

📦 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

📚 Tech-Stack

  • MCP SDK: mcp

  • LLM-Inferenz: Ollama läuft llama3.2:1b

  • UI-Server: FastAPI + Uvicorn

  • Speicher: ChromaDB-Vektordatenbank

  • Daten: pandas , matplotlib , scikit-learn

✅ .gitignore-Ergänzungen

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

🙌 Danksagung

Dieses Projekt wäre ohne die unglaubliche Arbeit der Open-Source-Community nicht möglich. Besonderer Dank geht an:

Werkzeug / Bibliothek

Zweck

Archiv

🧠

Modellkontextprotokoll (MCP)

Orchestrierung und Ausführung von Agententools

Modellkontextprotokoll/Python-SDK

💬

Ollama

Lokale LLM-Inferenzmaschine (

llama3.2:1b

)

ollama/ollama

🔍

ChromaDB

Vektordatenbank zur Protokollierung und Abfrage

Chroma-Core/Chroma

🌐

FastAPI

Interaktive, schnelle Weboberfläche

tiangolo/fastapi

⚡

Uvicorn

ASGI-Server, der das FastAPI-Backend betreibt

encode/uvicorn

💡 Wenn Sie dieses Projekt verwenden, denken Sie bitte darüber nach, die Upstream-Tools, die es ermöglichen, mit einem Stern zu markieren oder zu ihnen beizutragen.

Dieses Repo wurde mit Hilfe eines lokalen Rag-LLM unter Verwendung von llama3.2:1b erstellt.

This server cannot be installed

-
security - not tested
F
license - not found
-
quality - not tested

How are these scores calculated?

local-only server

The server can only run on the client's local machine because it depends on local resources.

Eine lokale, agentenbasierte KI-Pipeline, die tabellarische Daten analysiert, Anomalien erkennt und interpretierende Zusammenfassungen mithilfe lokaler LLMs generiert, die über das Model Context Protocol orchestriert werden.

  1. 🧠 Übersicht
    1. ⚙️ Funktionen
    2. 🧪 Definierte Tools (über MCP)
    3. 🤖 Agentenfähigkeiten
  2. 🚀 Erste Schritte
    1. 1. Klonen und Einrichten
    2. 2. Starten Sie den MCP-Server
    3. 3. Starten Sie das Web-Dashboard
  3. 🌐 Dashboard-Flow
    1. 📁 Projektlayout
      1. 📚 Tech-Stack
        1. ✅ .gitignore-Ergänzungen
          1. 🙌 Danksagung

            Related MCP Servers

            • MCP-RAG

              ANSH-RIYAL
              -
              security
              F
              license
              -
              quality
              An agentic AI system that orchestrates multiple specialized AI tools to perform business analytics and knowledge retrieval, allowing users to analyze data and access business information through natural language queries.
              Last updated -
              2

            • MCP Prompt Enhancer

              soniankur948
              -
              security
              F
              license
              -
              quality
              Intelligently analyzes codebases to enhance LLM prompts with relevant context, featuring adaptive context management and task detection to produce higher quality AI responses.
              Last updated -

            • MCP Log Analyzer

              Tushar-Shrivastava
              -
              security
              A
              license
              -
              quality
              An AI-powered server that analyzes system log files to identify errors/warnings and recommend fixes using FastMCP, LangGraph ReAct agents, and Anthropic Claude.
              Last updated -
              1
              MIT License

            • Context Optimizer MCP Server

              malaksedarous
              -
              security
              A
              license
              -
              quality
              Provides AI coding assistants with context optimization tools including targeted file analysis, intelligent terminal command execution with LLM-powered output extraction, and web research capabilities. Helps reduce token usage by extracting only relevant information instead of processing entire files and command outputs.
              Last updated -
              5
              16
              45
              TypeScript
              MIT License

            View all related MCP servers

            Appeared in Searches

            New MCP Servers

            MCP directory API

            We provide all the information about MCP servers via our MCP API.

            curl -X GET 'https://glama.ai/api/mcp/v1/servers/MadMando/mcp-autonomous-analyst'

            If you have feedback or need assistance with the MCP directory API, please join our Discord server