Skip to main content
Glama
deenesjakoruzh

MCP Autonomous Analyst

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

Analista Autónomo

🧠 Descripción general

Autonomous Analyst es un pipeline de IA local y agente que:

  • Analiza datos tabulares

  • Detecta anomalías con la distancia de Mahalanobis

  • Utiliza un LLM local (llama3.2:1b a través de Ollama) para generar resúmenes interpretativos

  • Registra los resultados en ChromaDB para su recuperación semántica

  • Está completamente orquestado a través del Protocolo de Contexto de Modelo (MCP)

⚙️ Características

Componente

Descripción

Interfaz de usuario web de FastAPI

Panel de control amigable para conjuntos de datos sintéticos o cargados

Orquestación de herramientas MCP

Cada paso del proceso se expone como una herramienta MCP invocable

Detección de anomalías

Detección de valores atípicos basada en la distancia de Mahalanobis

Salida visual

Diagrama de dispersión guardado de valores atípicos frente a valores atípicos

Resumen de LLM local

Información generada con

llama3.2:1b

a través de Ollama

Registro de la tienda de vectores

Los resúmenes se almacenan en ChromaDB para memoria persistente.

Herramienta de planificación de agentes

Una herramienta LLM dedicada (

autonomous_plan

) determina los próximos pasos según el contexto del conjunto de datos

Flujo agente

LLM + memoria + uso de herramientas + razonamiento automático + conciencia del contexto

🧪 Herramientas definidas (a través de MCP)

Nombre de la herramienta

Descripción

LLM usado

generate_data

Crear datos tabulares sintéticos (gaussianos + categóricos)

❌

analyze_outliers

Etiquetar filas usando la distancia de Mahalanobis

❌

plot_results

Guardar un gráfico que visualiza valores atípicos frente a valores atípicos

❌

summarize_results

Interpretar y explicar la distribución de valores atípicos utilizando

llama3.2:1b

✅

summarize_data_stats

Describir las tendencias del conjunto de datos utilizando

llama3.2:1b

✅

log_results_to_vector_store

Almacenar resúmenes en ChromaDB para referencia futura

❌

search_logs

Recupere sesiones pasadas relevantes mediante la búsqueda vectorial (uso opcional de LLM)

⚠️

autonomous_plan

Ejecute el pipeline completo, utilice LLM para recomendar las próximas acciones automáticamente

✅

🤖 Capacidades de agente

  • Autonomía : selección de ruta de ejecución guiada por LLM con autonomous_plan

  • Uso de la herramienta : invoca dinámicamente herramientas MCP registradas a través de inferencia LLM

  • Razonamiento : genera información técnica a partir de las condiciones del conjunto de datos y el análisis de valores atípicos.

  • Memoria : Persiste y recuerda el conocimiento mediante la búsqueda vectorial de ChromaDB

  • LLM : Desarrollado por Ollama con llama3.2:1b (temperatura = 0,1, determinista)

🚀 Primeros pasos

1. Clonar y configurar

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. Inicie el servidor MCP

mcp run server.py --transport streamable-http

3. Inicie el Panel de Control Web

uvicorn web:app --reload --port 8001

Luego visita: http://localhost:8000

Flujo del panel

  • Paso 1: Cargue su propio conjunto de datos o haga clic en Generate Synthetic Data

  • Paso 2: El sistema ejecuta la detección de anomalías en feature_1 frente a feature_2

  • Paso 3: Se genera un gráfico visual de valores atípicos

  • Paso 4: Los resúmenes se crean a través de LLM

  • Paso 5: Los resultados se registran opcionalmente en el almacén de vectores para su recuperación.

📁 Diseño del proyecto

📦 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

Pila tecnológica

  • SDK de MCP: mcp

  • Inferencia LLM: Ollama ejecutando llama3.2:1b

  • Servidor de interfaz de usuario: FastAPI + Uvicorn

  • Memoria: base de datos vectorial ChromaDB

  • Datos: pandas , matplotlib , scikit-learn

✅ Adiciones de .gitignore

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

🙌 Agradecimientos

Este proyecto no sería posible sin el increíble trabajo de la comunidad de código abierto. Agradecimientos especiales a:

Herramienta/Biblioteca

Objetivo

Repositorio

Protocolo de Contexto Modelo (MCP)

Orquestación y ejecución de herramientas de Agentic

modelocontextoprotocolo/sdk de Python

💬

Ollama

Motor de inferencia LLM local (

llama3.2:1b

)

ollama/ollama

🔍

ChromaDB

Base de datos vectorial para registro y recuperación

núcleo de croma/croma

🌐

FastAPI

Interfaz web interactiva y rápida

tiangolo/fastapi

⚡

Uvicornio

Servidor ASGI que alimenta el backend FastAPI

codificar/uvicornio

💡 Si utiliza este proyecto, considere destacarlo o contribuir con las herramientas upstream que lo hacen posible.

Este repositorio fue creado con la ayuda de un rag-llm local usando llama3.2:1b

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.

Una canalización de inteligencia artificial local y agente que analiza datos tabulares, detecta anomalías y genera resúmenes interpretativos utilizando LLM locales orquestados a través del Protocolo de contexto de modelo.

  1. 🧠 Descripción general
    1. ⚙️ Características
    2. 🧪 Herramientas definidas (a través de MCP)
    3. 🤖 Capacidades de agente
  2. 🚀 Primeros pasos
    1. 1. Clonar y configurar
    2. 2. Inicie el servidor MCP
    3. 3. Inicie el Panel de Control Web
  3. Flujo del panel
    1. 📁 Diseño del proyecto
      1. Pila tecnológica
        1. ✅ Adiciones de .gitignore
          1. 🙌 Agradecimientos

            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 -
              3

            • 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