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)

Related MCP server: MCP Prompt Enhancer

🚀 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

MCP Autonomous Analyst