kaggle-mcp

Сервер Kaggle MCP (протокол контекста модели)

Этот репозиторий содержит сервер MCP (Model Context Protocol) ( server.py ), созданный с использованием библиотеки fastmcp . Он взаимодействует с API Kaggle для предоставления инструментов для поиска и загрузки наборов данных, а также подсказки для генерации блокнотов EDA.

Структура проекта

• server.py : Приложение сервера FastMCP. Оно определяет ресурсы, инструменты и подсказки для взаимодействия с Kaggle.
• .env.example : Пример файла для переменных среды (учетные данные API Kaggle). Переименуйте в .env и заполните свои данные.
• requirements.txt : список необходимых пакетов Python.
• pyproject.toml и uv.lock : метаданные проекта и заблокированные зависимости для менеджера пакетов uv .
• datasets/ : каталог по умолчанию, в котором будут храниться загруженные наборы данных Kaggle.

Настраивать

1. Клонируйте репозиторий:
   git clone <repository-url> cd <repository-directory>
2. Создать виртуальную среду (рекомендуется):
   python -m venv venv source venv/bin/activate # On Windows use `venv\Scripts\activate` # Or use uv: uv venv
3. Установка зависимостей: Используя pip:
   pip install -r requirements.txt
   Или с помощью УФ:
   uv sync
4. Настройте учетные данные API Kaggle:
   • Метод 1 (рекомендуемый): переменные среды
     • Создать файл .env
     • Откройте файл .env и добавьте свое имя пользователя Kaggle и ключ API:
       KAGGLE_USERNAME=your_kaggle_username KAGGLE_KEY=your_kaggle_api_key
     • Вы можете получить свой ключ API на странице вашего аккаунта Kaggle ( Account > API > Create New API Token ). Это загрузит файл kaggle.json , содержащий ваше имя пользователя и ключ.
   • Метод 2: файл kaggle.json
     • Загрузите файл kaggle.json из своей учетной записи Kaggle.
     • Поместите файл kaggle.json в ожидаемое место (обычно ~/.kaggle/kaggle.json в Linux/macOS или C:\Users\<Your User Name>\.kaggle\kaggle.json в Windows). Библиотека kaggle автоматически обнаружит этот файл, если переменные среды не установлены.

Запуск сервера

1. Убедитесь, что ваша виртуальная среда активна.
2. Запустите MCP-сервер:
   uv run kaggle-mcp
   Сервер запустится и зарегистрирует свои ресурсы, инструменты и подсказки. Вы можете взаимодействовать с ним с помощью клиента MCP или совместимых инструментов.

Запуск Docker-контейнера

1. Настройте учетные данные API Kaggle

Для доступа к наборам данных Kaggle этому проекту требуются учетные данные API Kaggle.

• Перейдите по ссылке https://www.kaggle.com/settings и нажмите «Создать новый токен API», чтобы загрузить файл kaggle.json .
• Откройте файл kaggle.json и скопируйте свое имя пользователя и ключ в новый файл .env в корне проекта:

2. Создайте образ Docker

3. Запустите контейнер Docker, используя файл .env.

Это автоматически загрузит ваши учетные данные Kaggle в качестве переменных среды внутри контейнера.

Возможности сервера

Сервер предоставляет следующие возможности через протокол контекста модели:

Инструменты

• search_kaggle_datasets(query: str) :
  • Выполняет поиск наборов данных на Kaggle, соответствующих предоставленной строке запроса.
  • Возвращает список JSON из 10 лучших соответствующих наборов данных с такими подробностями, как ссылка, название, количество загрузок и дата последнего обновления.
• download_kaggle_dataset(dataset_ref: str, download_path: str | None = None) :
  • Загружает и распаковывает файлы для определенного набора данных Kaggle.
  • dataset_ref : идентификатор набора данных в формате username/dataset-slug (например, kaggle/titanic ).
  • download_path (Необязательно): Указывает, куда загрузить набор данных. Если не указано, по умолчанию используется ./datasets/<dataset_slug>/ относительно расположения скрипта сервера.

Подсказки

• generate_eda_notebook(dataset_ref: str) :
  • Генерирует подсказку, подходящую для модели ИИ (например, Gemini), для создания базовой записной книжки разведочного анализа данных (EDA) для указанного эталонного набора данных Kaggle.
  • В приглашении запрашивается код Python, охватывающий загрузку данных, проверку пропущенных значений, визуализацию и базовую статистику.

Подключение к Claude Desktop

Перейдите в Claude > Настройки > Разработчик > Изменить конфигурацию > claude_desktop_config.json, чтобы включить следующее:

Пример использования

Агент ИИ или клиент MCP может взаимодействовать с этим сервером следующим образом:

1. Агент: «Поиск на Kaggle наборов данных о «болезнях сердца»»
   • Сервер выполняет search_kaggle_datasets(query='heart disease')
2. Агент: «Загрузить набор данных 'user/heart-disease-dataset'»
   • Сервер выполняет download_kaggle_dataset(dataset_ref='user/heart-disease-dataset')
3. Агент: «Создать запрос блокнота EDA для 'user/heart-disease-dataset'»
   • Сервер выполняет generate_eda_notebook(dataset_ref='user/heart-disease-dataset')
   • Сервер возвращает структурированное сообщение-подсказку.
4. Агент: (Отправляет запрос в модель генерации кода) -> Получает код EDA Python.