Autonomer Analyst

🧠 Übersicht

Autonomous Analyst ist eine lokale, agentenbasierte KI-Pipeline, die:

Analysiert tabellarische Daten
Erkennt Anomalien mit Mahalanobis-Distanz
Verwendet ein lokales LLM (llama3.2:1b über Ollama), um interpretierende Zusammenfassungen zu generieren
Protokolliert Ergebnisse in ChromaDB zum semantischen Abruf
Wird vollständig über das Model Context Protocol (MCP) orchestriert

⚙️ Funktionen

Komponente	Beschreibung
FastAPI-Web-Benutzeroberfläche	Benutzerfreundliches Dashboard für synthetische oder hochgeladene Datensätze
MCP-Tool-Orchestrierung	Jeder Prozessschritt wird als aufrufbares MCP-Tool bereitgestellt
Anomalieerkennung	Mahalanobis Distanzbasierte Ausreißererkennung
Visuelle Ausgabe	Gespeichertes Streudiagramm von Inliern vs. Ausreißern
Lokale LLM-Zusammenfassung	Erkenntnisse, die mit `llama3.2:1b` über Ollama generiert wurden
Vektorspeicherprotokollierung	Zusammenfassungen werden in ChromaDB für einen dauerhaften Speicher gespeichert
Agentisches Planungstool	Ein dediziertes LLM-Tool ( `autonomous_plan` ) bestimmt die nächsten Schritte basierend auf dem Datensatzkontext
Agentischer Fluss	LLM + Gedächtnis + Werkzeugnutzung + automatisches Denken + Kontextbewusstsein

🧪 Definierte Tools (über MCP)

Werkzeugname	Beschreibung	LLM Gebraucht
`generate_data`	Erstellen Sie synthetische tabellarische Daten (Gaußsche + kategorische)	❌
`analyze_outliers`	Zeilen mit Mahalanobis-Distanz beschriften	❌
`plot_results`	Speichern Sie ein Diagramm, das Inliers vs. Ausreißer visualisiert	❌
`summarize_results`	Interpretieren und erklären Sie die Ausreißerverteilung mit `llama3.2:1b`	✅
`summarize_data_stats`	Beschreiben Sie Datensatztrends mit `llama3.2:1b`	✅
`log_results_to_vector_store`	Speichern Sie Zusammenfassungen zur späteren Verwendung in ChromaDB	❌
`search_logs`	Abrufen relevanter vergangener Sitzungen mithilfe der Vektorsuche (optionale LLM-Verwendung)	⚠️
`autonomous_plan`	Führen Sie die gesamte Pipeline aus und verwenden Sie LLM, um automatisch die nächsten Aktionen zu empfehlen	✅

🤖 Agentenfähigkeiten

Autonomie : LLM-geführte Auswahl des Ausführungspfads mit autonomous_plan
Tool-Nutzung : Ruft registrierte MCP-Tools dynamisch über LLM-Inferenz auf
Begründung : Generiert technische Erkenntnisse aus Datensatzbedingungen und Ausreißeranalyse
Speicher : Behält Wissen bei und ruft es mithilfe der ChromaDB-Vektorsuche ab
LLM : Powered by Ollama mit llama3.2:1b (Temperatur = 0,1, deterministisch)

Related MCP server: MCP Prompt Enhancer

🚀 Erste Schritte

1. Klonen und Einrichten

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. Starten Sie den MCP-Server

mcp run server.py --transport streamable-http

3. Starten Sie das Web-Dashboard

uvicorn web:app --reload --port 8001

Besuchen Sie dann: http://localhost:8000

🌐 Dashboard-Flow

Schritt 1: Laden Sie Ihren eigenen Datensatz hoch oder klicken Sie auf Generate Synthetic Data
Schritt 2: Das System führt eine Anomalieerkennung für feature_1 und feature_2 durch.
Schritt 3: Visuelle Darstellung der Ausreißer wird erstellt
Schritt 4: Zusammenfassungen werden über LLM erstellt
Schritt 5: Die Ergebnisse werden optional im Vektorspeicher protokolliert, um sie wieder abrufen zu können

📁 Projektlayout

📦 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

📚 Tech-Stack

MCP SDK: mcp
LLM-Inferenz: Ollama läuft llama3.2:1b
UI-Server: FastAPI + Uvicorn
Speicher: ChromaDB-Vektordatenbank
Daten: pandas , matplotlib , scikit-learn

✅ .gitignore-Ergänzungen

__pycache__/
*.pyc
*.pkl
.env
static/
data/

🙌 Danksagung

Dieses Projekt wäre ohne die unglaubliche Arbeit der Open-Source-Community nicht möglich. Besonderer Dank geht an:

Werkzeug / Bibliothek	Zweck	Archiv
🧠 Modellkontextprotokoll (MCP)	Orchestrierung und Ausführung von Agententools	Modellkontextprotokoll/Python-SDK
💬 Ollama	Lokale LLM-Inferenzmaschine ( `llama3.2:1b` )	ollama/ollama
🔍 ChromaDB	Vektordatenbank zur Protokollierung und Abfrage	Chroma-Core/Chroma
🌐 FastAPI	Interaktive, schnelle Weboberfläche	tiangolo/fastapi
⚡ Uvicorn	ASGI-Server, der das FastAPI-Backend betreibt	encode/uvicorn

💡 Wenn Sie dieses Projekt verwenden, denken Sie bitte darüber nach, die Upstream-Tools, die es ermöglichen, mit einem Stern zu markieren oder zu ihnen beizutragen.

Dieses Repo wurde mit Hilfe eines lokalen Rag-LLM unter Verwendung von llama3.2:1b erstellt.

MCP Autonomous Analyst