MCP 服务器，为语言模型提供一组用于分析表格数据的工具：加载、清洗、绘图、生成报告。不开发自有聊天界面——使用现成平台的 Web 界面（Claude 作为主要客户端，ChatGPT 作为备选）。
同一个工具注册表同时通过两种协议发布：
协议 | 端点 | 客户端 |
MCP（Streamable HTTP） |
| Claude — Web、桌面端、任意 MCP 客户端 |
REST + OpenAPI |
| ChatGPT Custom GPT Action |
12 个工具，5 项技能。 完整列表可通过调用 describe_system 或查看 ARCHITECTURE.md 获得。
工具 | 技能 | 用途 |
| — | 可用数据目录 |
| DataLoadingSkill | 从目录、路径或 URL 加载 CSV/TSV/Excel/JSON/Parquet |
| DataLoadingSkill | 结构、类型、缺失值、重复值 |
| DataCleaningSkill | 重复值、缺失值、规范化、异常值 |
| InsightGenerationSkill | 根据数据结构自动推荐分析计划 |
| VisualizationSkill | 指标随时间的变化趋势 |
| VisualizationSkill | 直方图或条形图（类型自动选择） |
| VisualizationSkill | 相关性热力图 |
| VisualizationSkill | 按类别拆分指标 |
| InsightGenerationSkill | 供报告文本使用的可验证数据 |
| ReportingSkill | 生成 Markdown、HTML 和 PDF 报告 |
| — | 内省：技能与工具的组成 |
其他能力：
自动选择分析方案 —— suggest_analysis 判断哪一列是时间轴、哪些是指标、哪些是维度，并返回完整的调用计划及每一步的说明。
多格式与多来源 —— CSV、TSV、Excel、JSON、Parquet；目录、本地路径或 HTTP(S) 链接。最后一点对于 Web 场景至关重要：上传到浏览器聊天中的文件，服务器无法访问。
一条命令生成报告 —— build_report 自动补全缺失的图表，并输出三种格式的文档。
Related MCP server: Claude Data Buddy
需要 Python 3.10 或更高版本。
git clone <адрес-репозитория>
cd llm-analytics-mcp
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt仓库中的数据按照 Superstore 模式合成生成。技术任务书明确允许这样做：“您可以自行生成数据，或使用知名数据集”。
python scripts/prepare_dataset.py --synthetic --rows 4000现成文件已经放在 data/ 中——仅当您想要重新生成或调整数据量时才需要运行该命令。
生成器可以控制系统具体展示什么：
内置可验证的规律 —— 上升趋势、年末达到峰值的年度季节性，以及“折扣超过 30% → 负利润”的关联。这样分析结论才有意义，而不是随机的。
有意引入缺陷。 真实的 Superstore 数据集几乎完美干净：如果没有任何缺失值和重复值，DataCleaningSkill 会报告“删除 0 行”，那样就没有什么可演示清洗的了。
可复现性。 固定使用 seed=42——评审者将获得与示例中完全一致的数据和报告数字。
仓库自包含。 运行项目无需 Kaggle 账号。
也支持加载真实的 Superstore 数据——列结构一致：
python scripts/prepare_dataset.py --input ~/Downloads/Sample-Superstore.csv文件 | 用途 |
| 按技术任务书列结构整理的数据 |
| 同一张表，但注入了缺陷 |
列：Date、Product、Region、Sales、Quantity、Profit（来自技术任务书），另有维度 Category、Sub-Category、Segment、Discount、Ship Mode。时间范围：2021–2024，共 48 个月。
缺陷构成在运行时打印，并且是确定性的：
缺陷 | 规模 |
| ~3.5% / 4.5% / 2% |
完全重复的行 | ~0.8% |
| ~6% 的行 |
| 12 行 |
替代日期格式（ | ~10% 的行 |
对整个链路进行端到端运行——从加载到 PDF 报告：
PYTHONPATH=src python -m analytics_mcp.selfcheck该脚本以确定性的方式重复 LLM 在对话中所做的工作。适合作为演示前的冒烟测试：如果它能通过，问题几乎肯定出在集成，而不是分析功能。
PYTHONPATH=src uvicorn analytics_mcp.app:app --host 127.0.0.1 --port 8000检查：
curl http://127.0.0.1:8000/health常用地址：
地址 | 说明 |
| 状态及已注册组件数量 |
| Swagger UI：可手动调用所有工具 |
| 用于 Custom GPT Action 的规范 |
| MCP 端点 |
如果端口被占用。 先前启动的进程可能仍在用旧代码响应——这个现象很有迷惑性：
/health有响应，但修改没有生效。重启之前：pkill -f uvicorn。
Claude 需要从外部访问服务器，因此需要 HTTPS 地址。
# 1. Установка и регистрация: https://ngrok.com/download
ngrok config add-authtoken <ваш-токен>
# 2. В личном кабинете ngrok зарезервируйте бесплатный статический домен
# (Domains -> Create Domain). Без него адрес меняется при каждом
# перезапуске, и настройку коннектора придётся повторять.
# 3. Запуск туннеля
ngrok http 8000 --domain=ваш-домен.ngrok-free.app然后把地址写入环境变量并重启服务器：
cp .env.example .env
# в .env укажите:
# PUBLIC_BASE_URL=https://ваш-домен.ngrok-free.app
export PUBLIC_BASE_URL=https://ваш-домен.ngrok-free.app
export MCP_ALLOWED_HOSTS='127.0.0.1:*,localhost:*,*.ngrok-free.app'
PYTHONPATH=src uvicorn analytics_mcp.app:app --host 127.0.0.1 --port 8000“无法连接”最常见的原因。 MCP SDK 默认启用了 DNS rebinding 防护，只接受形如
localhost的Host头。通过隧道访问时，Host包含 ngrok 域名，请求会在连接器连接阶段被拒绝，界面上也没有明确的错误提示。环境变量MCP_ALLOWED_HOSTS正是解决这个问题。
打开 Settings → Connectors → Add custom connector。
填写地址：https://ваш-домен.ngrok-free.app/mcp（注意带有 /mcp 后缀）。
保存并确认连接器已变为已连接状态。
在新对话中通过工具菜单启用 analytics_mcp 连接器。
将 prompts/system_prompt.md 的内容复制到项目说明（Project instructions）中——这会设定调用顺序。
验证请求：“有哪些数据集可用？”——模型应调用 list_datasets 并显示目录内容。
通过公网地址下载规范：
PUBLIC_BASE_URL=https://ваш-домен.ngrok-free.app \
PYTHONPATH=src python scripts/export_openapi.py创建 Custom GPT：Explore GPTs → Create → Configure。
Create new action → Schema——粘贴 openapi.json 的内容。
身份验证：None。
在 Instructions 字段中粘贴 prompts/system_prompt.md。
详细说明以及图表显示方面的注意事项，请参阅 prompts/gpt_action_setup.md。
请求的顺序经过精心安排，以便截图展示的是调用链，而不是单个请求。关键画面是第 4 步：可以看到是模型在做规划，而不是硬编码。
# | 用户请求 | 预期调用 |
1 | 有哪些数据集可用？ |
|
2 | 加载 superstore_raw 并描述结构 |
|
3 | 清洗数据 |
|
4 | 这里值得分析什么？ |
|
5 | 绘制这些图表 |
|
6 | 制作包含结论和建议的报告 |
|
结果示例见 docs/report_example.md，图表见 docs/plots/。
演示材料位于 docs/screenshots/：
文件 | 展示内容 |
Claude 调用 | |
| |
数据集“填充缺失值”与“不填充”版本的对比 | |
模型通过新的工具调用验证报告中的假设 | |
后续分析方向的优先级列表 | |
绘制图表；模型明确指出工具无法做到的事情 |
截图展示了系统的关键特性：调用链由 LLM 控制。模型自行决定调用哪些工具，发现工具集的限制（例如缺少行过滤功能），并如实告知，而不是硬凑结果。
# Полный цикл по обоим транспортам: initialize, tools/list, tools/call,
# возврат изображения, обработка ошибочных аргументов
python scripts/integration_test.pyllm-analytics-mcp/
├── README.md инструкция (этот файл)
├── ARCHITECTURE.md архитектура и роль MCP/скиллов
├── openapi.json спецификация для Custom GPT Action
├── requirements.txt
├── .env.example
├── data/ тестовые данные
├── docs/
│ ├── report_example.md/html/pdf пример сгенерированного отчёта
│ ├── plots/ примеры графиков
│ └── screenshots/ скриншоты диалога
├── prompts/
│ ├── system_prompt.md инструкция для LLM
│ └── gpt_action_setup.md настройка Custom GPT Action
├── scripts/
│ ├── prepare_dataset.py подготовка данных
│ ├── export_openapi.py выгрузка спецификации
│ └── integration_test.py проверка обоих транспортов
└── src/analytics_mcp/
├── core/ реестр инструментов, хранилище, модели
├── skills/ бизнес-логика этапов анализа
├── tools/ инструменты, публикуемые наружу
├── transports/ адаптеры MCP и REST
├── rendering/ оформление графиков, артефакты
├── app.py сборка ASGI-приложения
└── selfcheck.py сквозная самопроверка核心代码无需改动。创建文件 src/analytics_mcp/tools/my_tools.py：
from __future__ import annotations
from analytics_mcp.core.datasets import store
from analytics_mcp.core.registry import tool
@tool(tags=("stats",), skill="DataLoadingSkill", title="Топ значений")
def top_values(column: str, dataset_id: str | None = None, limit: int = 10) -> dict:
"""Возвращает самые частые значения колонки.
Args:
column: Имя колонки.
dataset_id: Датасет. По умолчанию — последний использованный.
limit: Сколько значений вернуть.
"""
record = store.get(dataset_id)
record.require_column(column)
counts = record.df[column].value_counts().head(limit)
return {str(k): int(v) for k, v in counts.items()}重启服务器。该工具会立即出现在两种协议中：MCP 的 tools/list 和 REST 的 /openapi.json。tools 包会自动导入自己的模块，JSON schema 从函数签名生成，描述来自 docstring。
这些是主动列出的——它们是原型的边界，而不是未完成的部分：
内存中的数据集存储。 服务器重启后，已加载的数据会丢失。 对原型来说可以接受；在生产环境中改用 Redis 或磁盘。
没有授权。 演示环境位于临时隧道后面。 生产环境需要在请求头中使用 API 密钥，并在 FastAPI 端进行校验。
没有行过滤。 工具处理的是整个数据集： 无法构建“仅 2024 年 West 地区”的切片。这在演示中很明显—— 模型会如实报告自己无法计算的内容， 而不是对输出进行捏造。
技能只有五个，而不是更多。 这是一个有意识的选择： 五个能用的技能胜过十个形式化的技能。
没有单元测试——只有 selfcheck.py 的端到端自检，
以及两种传输方式的集成测试。
This server cannot be installed
Unclaimed servers have limited discoverability.
If you are the server author, to access and configure the admin panel.
Gateway between LLM agents and world data through eight tools and a bundled endpoint catalog.
The grounded data layer for any LLM: governed SQL, metrics, lineage and catalog over your data.
The statistical analyst in your AI chat — validated, citable, re-runnable analysis of your data.
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/Kirill-FD/llm-analytics-mcp'
If you have feedback or need assistance with the MCP directory API, please join our Discord server