MCP Autonomer Analyst

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

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.

Related MCP Servers

MCP Variance Log
truaxki
A
security
A
license
A
quality
Agentic tool that looks for statistical variations in conversation structure and logs unusual events to a SQLite database. Built using the Model Context Protocol (MCP), this system is designed to be used with Claude Desktop or other MCP-compatible clients.
Last updated -
8
4
Python
MIT License
Linear MCP Integration Server
skspade
-
security
F
license
-
quality
Enables AI models to interact with Linear for issue tracking and project management through the Model Context Protocol, supporting capabilities like creating issues, searching, managing sprints, and bulk updating statuses.
Last updated -
5
TypeScript
WebEvalAgent MCP Serverofficial
Operative-Sh
A
security
A
license
A
quality
Unleashes LLM-powered agents to autonomously execute and debug web apps directly in your code editor, with features like webapp navigation, network traffic capture, and console error collection.
Last updated -
1
1,128
Python
Apache 2.0
Web-LLM MCP Server
ragingwind
-
security
F
license
-
quality
A server that enables browser-based local LLM inference using Playwright to automate interactions with @mlc-ai/web-llm, supporting text generation, chat sessions, model switching, and status monitoring.
Last updated -
1
TypeScript

View all related MCP servers

MCP Autonomous Analyst