INSTALLATION_AND_USAGE_GUIDE.md•26.6 kB
# 📊 DataMaster MCP 完整安装使用指南
> **超级数据分析MCP工具** - 为AI提供强大的数据分析能力的完整使用指南
## 🎯 什么是 DataMaster MCP？
**DataMaster MCP** 是一个专为 Claude Desktop 设计的数据分析工具，它让AI能够：
- 📁 连接各种数据源（Excel、CSV、数据库、API）
- 🔍 执行复杂的数据查询和分析
- 📊 进行统计分析和数据质量检查
- 🛠️ 处理和清洗数据
- 📤 导出分析结果
**核心理念：工具专注数据获取和计算，AI专注智能分析和洞察**
---
## 📊 核心功能概览
### 🔗 数据源连接
- **Excel/CSV文件导入** - 支持多种格式和编码
- **数据库连接** - MySQL、PostgreSQL、MongoDB、SQLite
- **API数据获取** - RESTful API连接和数据提取
### 🔍 数据查询分析
- **SQL查询执行** - 本地和外部数据库查询
- **数据统计分析** - 基础统计、相关性、异常值检测
- **数据质量检查** - 缺失值、重复值分析
### 🛠️ 数据处理
- **数据清洗** - 去重、填充缺失值
- **数据转换** - 类型转换、格式化
- **数据聚合** - 分组统计、汇总
### 📤 数据导出
- **多格式导出** - Excel、CSV、JSON
- **查询结果导出** - 支持SQL查询结果导出
---
## 🚀 快速安装
### 方法一：pip 安装（推荐）
```bash
# 安装 DataMaster MCP
pip install datamaster-mcp
# 验证安装
pip show datamaster-mcp
```
### 方法二：开发者安装
```bash
# 1. 克隆项目
git clone https://github.com/szqshan/DataMaster.git
cd DataMaster
# 2. 自动设置开发环境
python scripts/setup_dev.py
# 3. 测试环境
python scripts/setup_dev.py --test-only
```
---
## ⚙️ Claude Desktop 配置
### 第一步：找到配置文件
**Windows 系统：**
```
%APPDATA%\Claude\claude_desktop_config.json
```
**macOS 系统：**
```
~/Library/Application Support/Claude/claude_desktop_config.json
```
**Linux 系统：**
```
~/.config/Claude/claude_desktop_config.json
```
### 第二步：配置 MCP 服务器
#### 🚀 推荐配置（使用 uvx）
首先安装 uv：
```bash
# Windows
scoop install uv
# 或者
pip install uv
```
然后在配置文件中添加：
```json
{
"mcpServers": {
"datamaster-mcp": {
"command": "uvx",
"args": [
"datamaster-mcp"
]
}
}
}
```
#### 🔧 备用配置（使用模块路径）
```json
{
"mcpServers": {
"datamaster-mcp": {
"command": "python",
"args": [
"-m",
"datamaster_mcp.main"
]
}
}
}
```
### 第三步：重启 Claude Desktop
配置完成后，完全关闭并重新启动 Claude Desktop 应用。
### 第三步：高级配置（可选）
如果需要设置环境变量或工作目录：
```json
{
"mcpServers": {
"datamaster-mcp": {
"command": "python",
"args": [
"-m",
"datamaster_mcp.main"
],
"env": {
"DATAMASTER_CONFIG_PATH": "C:\\path\\to\\your\\config"
},
"cwd": "C:\\path\\to\\working\\directory"
}
}
}
```
### 第四步：验证配置
在 Claude Desktop 中测试：
```
请帮我连接一个数据源
```
或者：
```
显示可用的数据分析工具
```
## 🚨 常见问题解决
### 问题 1：找不到模块
**错误信息：** `ModuleNotFoundError: No module named 'datamaster_mcp'`
**解决方案：**
1. 确认已正确安装：`pip show datamaster-mcp`
2. 检查 Python 路径是否正确
3. 尝试使用完整路径配置
### 问题 2：权限错误
**错误信息：** `Permission denied`
**解决方案：**
1. 确保 Python 有执行权限
2. 在 Windows 上可能需要管理员权限
3. 检查文件路径是否正确
### 问题 3：配置文件格式错误
**错误信息：** JSON 解析错误
**解决方案：**
1. 检查 JSON 格式是否正确（注意逗号、引号）
2. 使用 JSON 验证工具检查语法
3. 确保路径中的反斜杠正确转义（Windows）
## 💡 最佳实践
### 1. 使用模块路径
推荐使用 `-m datamaster_mcp.main` 方式，这样不依赖具体的安装路径。
### 2. 备份配置
在修改配置前，先备份原有的 `claude_desktop_config.json` 文件。
### 3. 逐步测试
先使用最简单的配置，确认能正常工作后再添加高级选项。
---
## 📚 基础使用教程
### 1. 数据库连接功能
#### 支持的数据库类型
- **MySQL** - 关系型数据库
- **PostgreSQL** - 关系型数据库
- **MongoDB** - 文档型数据库
- **SQLite** - 轻量级关系型数据库
#### 连接方式
##### 方式一：配置文件连接（推荐）
1. **配置数据库信息**
编辑 `config/database_config.json`：
```json
{
"databases": {
"my_mysql": {
"type": "mysql",
"host": "localhost",
"port": 3306,
"database": "my_database",
"username": "root",
"password": "${MYSQL_PASSWORD}",
"charset": "utf8mb4",
"description": "我的MySQL数据库",
"enabled": true
},
"my_postgres": {
"type": "postgresql",
"host": "localhost",
"port": 5432,
"database": "my_database",
"username": "postgres",
"password": "${POSTGRES_PASSWORD}",
"schema": "public",
"description": "我的PostgreSQL数据库",
"enabled": true
}
}
}
```
2. **设置环境变量**
编辑 `.env` 文件：
```env
# 数据库密码
MYSQL_PASSWORD=your_mysql_password
POSTGRES_PASSWORD=your_postgres_password
MONGO_PASSWORD=your_mongo_password
```
##### 方式二：直接连接
```python
# MySQL连接
connect_data_source(
source_type="mysql",
config={
"host": "localhost",
"port": 3306,
"database": "test_db",
"username": "root", # 支持 user 或 username
"password": "password"
}
)
# PostgreSQL连接
connect_data_source(
source_type="postgresql",
config={
"host": "localhost",
"port": 5432,
"database": "test_db",
"username": "postgres",
"password": "password"
}
)
```
#### 数据库管理
```python
# 列出所有配置
manage_database_config(action="list")
# 测试连接
manage_database_config(
action="test",
config={"database_name": "my_mysql"}
)
# 添加新配置
manage_database_config(
action="add",
config={
"database_name": "new_db",
"database_config": {
"type": "mysql",
"host": "192.168.1.100",
"port": 3306,
"database": "test_db",
"username": "user",
"password": "pass"
}
}
)
```
### 2. 文件导入功能
#### Excel文件导入
```python
connect_data_source(
source_type="excel",
config={
"file_path": "data/sales.xlsx",
"sheet_name": "Sheet1" # 可选，默认第一个工作表
},
target_table="sales_data"
)
```
#### CSV文件导入
```python
connect_data_source(
source_type="csv",
config={
"file_path": "data/customers.csv",
"encoding": "utf-8" # 可选，自动检测
},
target_table="customers"
)
```
### 2. API连接器功能
#### 支持的认证方式
- **API Key认证** - 通过Header或Query参数
- **Bearer Token认证** - JWT等Token认证
- **Basic认证** - 用户名密码认证
- **OAuth 2.0** - 标准OAuth流程
- **自定义Header** - 灵活的认证方式
#### API配置管理
##### 配置API连接
编辑 `config/api_config.json`：
```json
{
"apis": {
"weather_api": {
"base_url": "https://api.openweathermap.org/data/2.5",
"auth_type": "api_key",
"auth_config": {
"key": "${WEATHER_API_KEY}",
"location": "query",
"param_name": "appid"
},
"description": "天气数据API",
"enabled": true
},
"github_api": {
"base_url": "https://api.github.com",
"auth_type": "bearer",
"auth_config": {
"token": "${GITHUB_TOKEN}"
},
"description": "GitHub API",
"enabled": true
}
}
}
```
#### API端点获取
```python
# 获取API端点信息
get_api_endpoints(
api_name="weather_api",
endpoint="/weather",
params={"q": "Beijing", "units": "metric"}
)
# 获取GitHub仓库信息
get_api_endpoints(
api_name="github_api",
endpoint="/repos/owner/repo"
)
```
#### API数据获取与存储
```python
# 获取API数据并自动存储
get_api_data(
api_name="weather_api",
endpoint="/weather",
params={"q": "Shanghai", "units": "metric"},
store_data=True,
table_name="weather_data"
)
# 批量获取数据
cities = ["Beijing", "Shanghai", "Guangzhou"]
for city in cities:
get_api_data(
api_name="weather_api",
endpoint="/weather",
params={"q": city, "units": "metric"},
store_data=True,
table_name="weather_data"
)
```
##### 会话管理
- **自动存储** - API响应数据自动存储到本地数据库
- **数据持久化** - 支持跨会话数据查询
- **增量更新** - 支持数据增量获取和更新
### 3. 数据查询功能
#### 本地数据查询
```python
# 基本查询
execute_sql("SELECT * FROM sales LIMIT 10")
# 统计查询
execute_sql("SELECT COUNT(*) as total_sales FROM sales")
# 分组查询
execute_sql("""
SELECT category, SUM(amount) as total_amount
FROM sales
GROUP BY category
ORDER BY total_amount DESC
""")
# 复杂查询
execute_sql("""
SELECT
DATE(order_date) as date,
COUNT(*) as order_count,
SUM(amount) as total_revenue,
AVG(amount) as avg_order_value
FROM sales
WHERE order_date >= '2024-01-01'
GROUP BY DATE(order_date)
ORDER BY date
""")
```
#### 外部数据库查询
```python
# 查询外部MySQL数据库
query_external_database(
database_name="my_mysql",
query="SELECT * FROM products WHERE price > 100"
)
# 查询外部PostgreSQL数据库
query_external_database(
database_name="my_postgres",
query="""
SELECT p.name, p.price, c.name as category_name
FROM products p
JOIN categories c ON p.category_id = c.id
WHERE p.created_at >= '2024-01-01'
"""
)
```
### 3. 数据分析功能
#### 基础统计分析
```python
# 获取数据基本统计信息
analyze_data(
table_name="sales",
analysis_type="basic_stats"
)
# 获取特定列的统计信息
analyze_data(
table_name="sales",
analysis_type="basic_stats",
columns=["amount", "quantity"]
)
# 分组统计
analyze_data(
table_name="sales",
analysis_type="group_stats",
group_by="category",
agg_column="amount"
)
```
#### 数据质量检查
```python
# 检查缺失值
analyze_data(
table_name="customers",
analysis_type="missing_values"
)
# 检查重复值
analyze_data(
table_name="customers",
analysis_type="duplicates",
columns=["email"] # 检查邮箱重复
)
# 数据类型检查
analyze_data(
table_name="sales",
analysis_type="data_types"
)
# 数据范围检查
analyze_data(
table_name="sales",
analysis_type="value_ranges",
columns=["amount", "quantity"]
)
```
#### 相关性分析
```python
# 分析数值列之间的相关性
analyze_data(
table_name="sales",
analysis_type="correlation",
columns=["amount", "quantity", "price"]
)
# 计算特定列的相关系数
analyze_data(
table_name="sales",
analysis_type="correlation_matrix",
columns=["amount", "quantity", "discount"]
)
```
#### 异常值检测
```python
# 使用IQR方法检测异常值
analyze_data(
table_name="sales",
analysis_type="outliers",
column="amount",
method="iqr"
)
# 使用Z-Score方法检测异常值
analyze_data(
table_name="sales",
analysis_type="outliers",
column="amount",
method="zscore",
threshold=3
)
```
### 4. 数据处理功能
#### 数据清洗
```python
# 删除重复数据
process_data(
table_name="customers",
operation="remove_duplicates",
columns=["email"] # 基于邮箱去重
)
# 删除完全重复的行
process_data(
table_name="sales",
operation="remove_duplicates"
)
# 填充缺失值
process_data(
table_name="sales",
operation="fill_missing",
column="amount",
fill_value=0 # 用0填充
)
# 用平均值填充缺失值
process_data(
table_name="sales",
operation="fill_missing",
column="price",
fill_method="mean"
)
# 用中位数填充缺失值
process_data(
table_name="sales",
operation="fill_missing",
column="quantity",
fill_method="median"
)
# 删除包含缺失值的行
process_data(
table_name="customers",
operation="drop_missing",
columns=["email", "phone"] # 删除邮箱或电话为空的行
)
```
#### 数据转换
```python
# 数据类型转换
process_data(
table_name="sales",
operation="convert_type",
column="order_date",
target_type="datetime"
)
# 字符串格式化
process_data(
table_name="customers",
operation="format_string",
column="phone",
format_pattern="xxx-xxxx-xxxx"
)
# 数值标准化
process_data(
table_name="sales",
operation="normalize",
column="amount",
method="min_max" # 或 "z_score"
)
```
#### 数据筛选
```python
# 基于条件筛选数据
process_data(
table_name="sales",
operation="filter",
condition="amount > 1000 AND category = 'Electronics'"
)
# 基于日期范围筛选
process_data(
table_name="sales",
operation="filter",
condition="order_date >= '2024-01-01' AND order_date < '2024-02-01'"
)
# 筛选前N条记录
process_data(
table_name="sales",
operation="limit",
limit=100
)
```
#### 数据聚合
```python
# 按类别聚合销售数据
process_data(
table_name="sales",
operation="aggregate",
group_by=["category"],
aggregations={
"amount": ["sum", "avg", "count"],
"quantity": ["sum", "max"]
}
)
# 按日期聚合
process_data(
table_name="sales",
operation="aggregate",
group_by=["DATE(order_date)"],
aggregations={
"amount": ["sum"],
"order_id": ["count"]
}
)
```
### 5. 数据导出功能
#### Excel导出
```python
# 导出完整表格到Excel
export_data(
table_name="sales",
export_format="excel",
file_path="reports/sales_report.xlsx"
)
# 导出查询结果到Excel
export_data(
query="SELECT * FROM sales WHERE amount > 1000",
export_format="excel",
file_path="reports/high_value_sales.xlsx",
sheet_name="高价值销售"
)
# 导出多个工作表
export_data(
tables={
"销售数据": "sales",
"客户数据": "customers",
"产品数据": "products"
},
export_format="excel",
file_path="reports/complete_report.xlsx"
)
```
#### CSV导出
```python
# 导出为CSV文件
export_data(
table_name="customers",
export_format="csv",
file_path="exports/customers.csv",
encoding="utf-8" # 指定编码
)
# 导出查询结果为CSV
export_data(
query="""
SELECT customer_id, name, email, total_orders
FROM customers
WHERE total_orders > 5
ORDER BY total_orders DESC
""",
export_format="csv",
file_path="exports/vip_customers.csv"
)
```
#### JSON导出
```python
# 导出为JSON格式
export_data(
table_name="products",
export_format="json",
file_path="exports/products.json"
)
# 导出嵌套JSON结构
export_data(
query="""
SELECT
category,
JSON_GROUP_ARRAY(
JSON_OBJECT(
'name', name,
'price', price,
'stock', stock
)
) as products
FROM products
GROUP BY category
""",
export_format="json",
file_path="exports/products_by_category.json"
)
```
#### 数据信息查询
```python
# 查看表结构
get_data_info(
table_name="sales",
info_type="schema"
)
# 查看数据样本
get_data_info(
table_name="customers",
info_type="sample",
limit=10
)
# 查看表统计信息
get_data_info(
table_name="sales",
info_type="stats"
)
# 列出所有表
get_data_info(info_type="tables")
```
### 6. 最佳实践
#### 数据导入最佳实践
```python
# 1. 大文件分批导入
connect_data_source(
source_type="csv",
config={
"file_path": "large_dataset.csv",
"chunk_size": 10000, # 分批处理
"encoding": "utf-8"
},
target_table="large_data"
)
# 2. 数据验证导入
connect_data_source(
source_type="excel",
config={
"file_path": "sales.xlsx",
"validate_schema": True, # 验证数据结构
"skip_errors": False # 遇到错误停止
},
target_table="sales"
)
```
#### 查询性能优化
```python
# 1. 使用索引优化查询
execute_sql("""
CREATE INDEX idx_sales_date ON sales(order_date);
CREATE INDEX idx_sales_customer ON sales(customer_id);
""")
# 2. 分页查询大数据集
execute_sql("""
SELECT * FROM sales
ORDER BY order_date DESC
LIMIT 1000 OFFSET 0
""")
# 3. 使用聚合减少数据传输
execute_sql("""
SELECT
DATE(order_date) as date,
COUNT(*) as orders,
SUM(amount) as revenue
FROM sales
WHERE order_date >= '2024-01-01'
GROUP BY DATE(order_date)
""")
```
#### 数据安全实践
```python
# 1. 使用环境变量存储敏感信息
connect_data_source(
source_type="mysql",
config={
"host": "${DB_HOST}",
"database": "${DB_NAME}",
"username": "${DB_USER}",
"password": "${DB_PASSWORD}"
}
)
# 2. 限制查询结果数量
execute_sql(
"SELECT * FROM sensitive_data",
limit=100 # 自动添加LIMIT
)
# 3. 数据脱敏处理
execute_sql("""
SELECT
customer_id,
SUBSTR(email, 1, 3) || '***@' || SUBSTR(email, INSTR(email, '@')+1) as masked_email,
amount
FROM customers
""")
```
#### 错误处理和日志
```python
# 1. 带错误处理的数据导入
try:
connect_data_source(
source_type="csv",
config={"file_path": "data.csv"},
target_table="import_data"
)
except Exception as e:
print(f"导入失败: {e}")
# 记录错误日志
# 2. 查询结果验证
result = execute_sql("SELECT COUNT(*) FROM sales")
if result and len(result) > 0:
print(f"查询成功，返回 {len(result)} 条记录")
else:
print("查询无结果")
```
---
## 🔧 高级功能
### API 数据获取
#### 配置 API
```python
# 添加 API 配置
manage_api_config(
action="add",
api_name="weather_api",
config_data={
"base_url": "https://api.openweathermap.org/data/2.5",
"auth_type": "api_key",
"auth_config": {
"api_key": "your_api_key",
"key_param": "appid",
"key_location": "query"
},
"endpoints": {
"current_weather": {
"path": "/weather",
"method": "GET"
}
}
}
)
```
#### 获取 API 数据
```python
# 获取天气数据
fetch_api_data(
api_name="weather_api",
endpoint_name="current_weather",
params={"q": "Beijing", "units": "metric"}
)
```
### 数据库管理
```python
# 列出所有数据源
list_data_sources()
# 获取表信息
get_data_info(info_type="tables")
# 获取表结构
get_data_info(info_type="schema", table_name="sales")
# 获取统计信息
get_data_info(info_type="stats", table_name="sales")
# 数据库连接池管理
manage_database_config(
action="optimize",
config={
"max_connections": 10,
"connection_timeout": 30,
"retry_attempts": 3
}
)
# 数据库备份
manage_database_config(
action="backup",
config={
"database_name": "my_mysql",
"backup_path": "backups/",
"include_data": True
}
)
```
### 自动化工作流
```python
# 定义数据处理流水线
def daily_sales_report():
# 1. 导入最新数据
connect_data_source(
source_type="csv",
config={"file_path": "daily_sales.csv"},
target_table="daily_sales"
)
# 2. 数据清洗
process_data(
table_name="daily_sales",
operation="remove_duplicates"
)
# 3. 生成报告
report_data = execute_sql("""
SELECT
category,
SUM(amount) as total_sales,
COUNT(*) as order_count
FROM daily_sales
GROUP BY category
ORDER BY total_sales DESC
""")
# 4. 导出报告
export_data(
query="SELECT * FROM daily_sales",
export_format="excel",
file_path=f"reports/daily_report_{datetime.now().strftime('%Y%m%d')}.xlsx"
)
return report_data
# 执行工作流
daily_report = daily_sales_report()
```
---
## 🛡️ 安全特性
- **SQL注入防护** - 自动参数化查询
- **危险操作拦截** - 阻止 DROP、DELETE 等危险操作
- **查询结果限制** - 自动添加 LIMIT 防止大量数据返回
- **参数验证** - 严格的输入参数验证
- **环境变量管理** - 敏感信息通过环境变量管理
---
## ⚠️ 注意事项
### 安全性注意事项
- **敏感数据保护**：不要在配置文件中直接存储密码，使用环境变量
- **访问权限控制**：为数据库用户设置最小必要权限
- **数据备份**：定期备份重要数据，避免数据丢失
- **网络安全**：在生产环境中使用SSL/TLS加密连接
### 性能优化建议
- **大文件处理**：对于大型CSV/Excel文件，建议分批导入
- **查询优化**：使用适当的索引和LIMIT子句
- **内存管理**：避免一次性加载过大的数据集
- **连接池**：合理配置数据库连接池参数
### 数据质量保证
- **数据验证**：导入前检查数据格式和完整性
- **编码处理**：确保文件编码正确（推荐UTF-8）
- **类型匹配**：注意数据类型的一致性
- **异常处理**：建立完善的错误处理机制
---
## ❓ 常见问题解决
### 安装和配置问题
**Q: pip安装失败怎么办？**
```bash
# 解决方案：
# 1. 更新pip
pip install --upgrade pip
# 2. 使用国内镜像源
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ datamaster-mcp
# 3. 清除缓存重试
pip cache purge
pip install datamaster-mcp
```
**Q: Claude Desktop无法识别MCP服务器？**
```json
解决步骤：
1. 检查配置文件位置是否正确
2. 验证JSON格式是否有效
3. 确认Python路径正确
4. 重启Claude Desktop
5. 查看Claude Desktop日志
```
**Q: 配置文件在哪里？**
```
Windows: %APPDATA%\Claude\claude_desktop_config.json
macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
Linux: ~/.config/claude/claude_desktop_config.json
```
### 数据连接问题
**Q: 无法连接到数据库？**
```python
# 解决方案：
# 1. 测试连接
manage_database_config(
action="test",
config={"database_name": "my_db"}
)
# 2. 检查配置
# - 主机地址和端口
# - 用户名和密码
# - 数据库名称
# - 网络连接
# 3. 查看错误日志
# 检查具体的错误信息
```
**Q: API连接失败？**
```python
# 解决方案：
# 1. 验证API密钥
# 2. 检查网络连接
# 3. 确认API端点正确
# 4. 查看API限制和配额
# 测试API连接
get_api_endpoints(
api_name="your_api",
endpoint="/test"
)
```
### 数据处理问题
**Q: 导入的数据乱码？**
```python
# 解决方案：
connect_data_source(
source_type="csv",
config={
"file_path": "data.csv",
"encoding": "utf-8" # 或 "gbk", "gb2312"
},
target_table="data"
)
```
**Q: Excel文件导入失败？**
```python
# 解决方案：
# 1. 检查文件是否损坏
# 2. 确认工作表名称
# 3. 处理合并单元格
connect_data_source(
source_type="excel",
config={
"file_path": "data.xlsx",
"sheet_name": "Sheet1", # 指定工作表
"header_row": 0 # 指定标题行
},
target_table="data"
)
```
**Q: 查询结果为空？**
```sql
-- 解决方案：
-- 1. 检查表是否存在
SELECT name FROM sqlite_master WHERE type='table';
-- 2. 检查数据是否存在
SELECT COUNT(*) FROM your_table;
-- 3. 验证查询条件
SELECT * FROM your_table LIMIT 5;
```
### 性能问题
**Q: 查询速度很慢？**
```sql
-- 解决方案：
-- 1. 添加索引
CREATE INDEX idx_column ON table_name(column_name);
-- 2. 使用LIMIT限制结果
SELECT * FROM large_table LIMIT 1000;
-- 3. 优化查询条件
SELECT * FROM table WHERE indexed_column = 'value';
```
**Q: 内存不足？**
```python
# 解决方案：
# 1. 分批处理大文件
connect_data_source(
source_type="csv",
config={
"file_path": "large_file.csv",
"chunk_size": 10000 # 分批处理
},
target_table="data"
)
# 2. 使用流式查询
query_data(
"SELECT * FROM large_table",
stream=True,
batch_size=1000
)
```
### 错误代码说明
| 错误代码 | 说明 | 解决方案 |
|---------|------|----------|
| DB_001 | 数据库连接失败 | 检查连接参数和网络 |
| DB_002 | 认证失败 | 验证用户名和密码 |
| API_001 | API密钥无效 | 检查API密钥配置 |
| API_002 | API限制超出 | 等待或升级API计划 |
| FILE_001 | 文件不存在 | 检查文件路径 |
| FILE_002 | 文件格式错误 | 确认文件格式和编码 |
### 获取帮助
如果遇到其他问题：
1. **查看日志**：检查详细的错误信息
2. **文档参考**：查阅完整的API文档
3. **社区支持**：在GitHub Issues中提问
4. **联系支持**：发送邮件获取技术支持
---
---
## 📞 获取帮助
### 文档资源
- 🛠️ [开发者文档](开发者文档.md) - 技术文档
- 📁 [项目结构说明](项目结构说明.md) - 文件组织
- 🔄 [更新日志](CHANGELOG.md) - 版本更新记录
### 支持渠道
- 🐛 [GitHub Issues](https://github.com/szqshan/DataMaster/issues) - 报告问题
- 💬 [讨论区](https://github.com/szqshan/DataMaster/discussions) - 交流讨论
- 📧 邮件支持 - 发送邮件获取帮助
---
## 🎉 开始使用
现在你已经掌握了 DataMaster MCP 的完整使用方法！
**快速开始步骤：**
1. ✅ 安装：`pip install datamaster-mcp`
2. ✅ 配置：添加到 Claude Desktop 配置文件
3. ✅ 重启：重启 Claude Desktop
4. ✅ 测试："请帮我连接一个数据源"
5. ✅ 使用：开始你的数据分析之旅！
**记住：工具专注数据获取和计算，AI专注智能分析和洞察！**
---
**版本**: v1.0.2 | **状态**: ✅ 稳定版 | **更新**: 2025-01-24