Analista Autónomo

🧠 Descripción general

Autonomous Analyst es un pipeline de IA local y agente que:

• Analiza datos tabulares

• Detecta anomalías con la distancia de Mahalanobis

• Utiliza un LLM local (llama3.2:1b a través de Ollama) para generar resúmenes interpretativos

• Registra los resultados en ChromaDB para su recuperación semántica

• Está completamente orquestado a través del Protocolo de Contexto de Modelo (MCP)

⚙️ Características

🧪 Herramientas definidas (a través de MCP)

🤖 Capacidades de agente

• Autonomía : selección de ruta de ejecución guiada por LLM con autonomous_plan

• Uso de la herramienta : invoca dinámicamente herramientas MCP registradas a través de inferencia LLM

• Razonamiento : genera información técnica a partir de las condiciones del conjunto de datos y el análisis de valores atípicos.

• Memoria : Persiste y recuerda el conocimiento mediante la búsqueda vectorial de ChromaDB

• LLM : Desarrollado por Ollama con llama3.2:1b (temperatura = 0,1, determinista)

Related MCP server: coremcp

🚀 Primeros pasos

1. Clonar y configurar

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. Inicie el servidor MCP

mcp run server.py --transport streamable-http

3. Inicie el Panel de Control Web

uvicorn web:app --reload --port 8001

Luego visita: http://localhost:8000

Flujo del panel

• Paso 1: Cargue su propio conjunto de datos o haga clic en Generate Synthetic Data

• Paso 2: El sistema ejecuta la detección de anomalías en feature_1 frente a feature_2

• Paso 3: Se genera un gráfico visual de valores atípicos

• Paso 4: Los resúmenes se crean a través de LLM

• Paso 5: Los resultados se registran opcionalmente en el almacén de vectores para su recuperación.

📁 Diseño del proyecto

📦 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

Pila tecnológica

• SDK de MCP: mcp

• Inferencia LLM: Ollama ejecutando llama3.2:1b

• Servidor de interfaz de usuario: FastAPI + Uvicorn

• Memoria: base de datos vectorial ChromaDB

• Datos: pandas , matplotlib , scikit-learn

✅ Adiciones de .gitignore

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

🙌 Agradecimientos

Este proyecto no sería posible sin el increíble trabajo de la comunidad de código abierto. Agradecimientos especiales a:

💡 Si utiliza este proyecto, considere destacarlo o contribuir con las herramientas upstream que lo hacen posible.

Este repositorio fue creado con la ayuda de un rag-llm local usando llama3.2:1b