Kaggle MCP-Server (Model Context Protocol)

Dieses Repository enthält einen MCP-Server (Model Context Protocol) ( server.py ), der mit der Bibliothek fastmcp erstellt wurde. Er interagiert mit der Kaggle-API und bietet Tools zum Suchen und Herunterladen von Datensätzen sowie eine Eingabeaufforderung zum Generieren von EDA-Notebooks.

Projektstruktur

• server.py : Die FastMCP-Serveranwendung. Sie definiert Ressourcen, Tools und Eingabeaufforderungen für die Interaktion mit Kaggle.

• .env.example : Eine Beispieldatei für Umgebungsvariablen (Kaggle-API-Anmeldeinformationen). Benennen Sie die Datei in .env um und geben Sie Ihre Daten ein.

• requirements.txt : Listet die erforderlichen Python-Pakete auf.

• pyproject.toml & uv.lock : Projektmetadaten und gesperrte Abhängigkeiten für uv Paketmanager.

• datasets/ : Standardverzeichnis, in dem heruntergeladene Kaggle-Datensätze gespeichert werden.

Related MCP server: Kaggle-MCP

Aufstellen

1. Klonen Sie das Repository:

   git clone <repository-url> cd <repository-directory>

2. Erstellen Sie eine virtuelle Umgebung (empfohlen):

   python -m venv venv source venv/bin/activate # On Windows use `venv\Scripts\activate` # Or use uv: uv venv

3. Abhängigkeiten installieren: Verwenden von pip:

   pip install -r requirements.txt

   Oder mit UV:

   uv sync

4. Richten Sie die Kaggle-API-Anmeldeinformationen ein:

   • Methode 1 (empfohlen): Umgebungsvariablen

     • Erstellen Sie .env Datei

     • Öffnen Sie die .env Datei und fügen Sie Ihren Kaggle-Benutzernamen und API-Schlüssel hinzu:

       KAGGLE_USERNAME=your_kaggle_username KAGGLE_KEY=your_kaggle_api_key

     • Sie erhalten Ihren API-Schlüssel auf Ihrer Kaggle-Kontoseite ( Account > API > Create New API Token ). Dadurch wird eine kaggle.json Datei mit Ihrem Benutzernamen und Schlüssel heruntergeladen.

   • Methode 2:

     • Laden Sie Ihre kaggle.json Datei von Ihrem Kaggle-Konto herunter.

     • Platzieren Sie die Datei kaggle.json am erwarteten Speicherort (normalerweise ~/.kaggle/kaggle.json unter Linux/macOS oder C:\Users\<Your User Name>\.kaggle\kaggle.json unter Windows). Die kaggle Bibliothek erkennt diese Datei automatisch, wenn die Umgebungsvariablen nicht gesetzt sind.

Ausführen des Servers

1. Stellen Sie sicher, dass Ihre virtuelle Umgebung aktiv ist.

2. Führen Sie den MCP-Server aus:

   uv run kaggle-mcp

   Der Server wird gestartet und registriert seine Ressourcen, Tools und Eingabeaufforderungen. Sie können über einen MCP-Client oder kompatible Tools mit ihm interagieren.

Ausführen des Docker-Containers

1. Kaggle-API-Anmeldeinformationen einrichten

Für den Zugriff auf Kaggle-Datensätze sind für dieses Projekt Kaggle-API-Anmeldeinformationen erforderlich.

• Gehen Sie zu https://www.kaggle.com/settings und klicken Sie auf „Neues API-Token erstellen“, um Ihre kaggle.json Datei herunterzuladen.

• Öffnen Sie die Datei kaggle.json und kopieren Sie Ihren Benutzernamen und Schlüssel in eine neue .env Datei im Projektstamm:

2. Erstellen Sie das Docker-Image

3. Führen Sie den Docker-Container mit Ihrer .env-Datei aus

Dadurch werden Ihre Kaggle-Anmeldeinformationen automatisch als Umgebungsvariablen in den Container geladen.

Serverfunktionen

Der Server stellt über das Model Context Protocol die folgenden Funktionen bereit:

Werkzeuge

• search_kaggle_datasets(query: str) :

  • Sucht auf Kaggle nach Datensätzen, die der angegebenen Abfragezeichenfolge entsprechen.

  • Gibt eine JSON-Liste der 10 am besten übereinstimmenden Datensätze mit Details wie Referenz, Titel, Downloadanzahl und Datum der letzten Aktualisierung zurück.

• download_kaggle_dataset(dataset_ref: str, download_path: str | None = None) :

  • Lädt Dateien für einen bestimmten Kaggle-Datensatz herunter und entpackt sie.

  • dataset_ref : Die Dataset-Kennung im Format username/dataset-slug (z. B. kaggle/titanic ).

  • download_path (optional): Gibt an, wohin der Datensatz heruntergeladen werden soll. Wenn dieser Pfad weggelassen wird, wird standardmäßig ./datasets/<dataset_slug>/ relativ zum Speicherort des Serverskripts verwendet.

Eingabeaufforderungen

• generate_eda_notebook(dataset_ref: str) :

  • Generiert eine für ein KI-Modell (wie Gemini) geeignete Eingabeaufforderung, um ein grundlegendes EDA-Notebook (Exploratory Data Analysis) für die angegebene Kaggle-Datensatzreferenz zu erstellen.

  • Die Eingabeaufforderung verlangt Python-Code zum Laden von Daten, zur Überprüfung fehlender Werte, zu Visualisierungen und zu grundlegenden Statistiken.

Verbindung zu Claude Desktop herstellen

Gehen Sie zu Claude > Einstellungen > Entwickler > Konfiguration bearbeiten > claude_desktop_config.json, um Folgendes einzuschließen:

Anwendungsbeispiel

Ein KI-Agent oder MCP-Client könnte folgendermaßen mit diesem Server interagieren:

1. Agent: „Durchsuchen Sie Kaggle nach Datensätzen zum Thema ‚Herzkrankheiten‘“

   • Der Server führt

2. Agent: „Laden Sie den Datensatz ‚user/heart-disease-dataset‘ herunter.“

   • Der Server führt

3. Agent: „Generieren Sie eine EDA-Notebook-Eingabeaufforderung für ‚user/heart-disease-dataset‘“

   • Der Server führt

   • Der Server gibt eine strukturierte Eingabeaufforderungsnachricht zurück.

4. Agent: (Sendet die Eingabeaufforderung an ein Code generierendes Modell) -> Empfängt EDA-Python-Code.