自律アナリスト

🧠 概要

Autonomous Analyst は、次のような機能を備えたローカルのエージェント AI パイプラインです。

表形式のデータを分析する
マハラノビス距離で異常を検出
ローカルLLM（Ollama経由のllama3.2:1b）を使用して解釈要約を生成します。
セマンティックリコールのために結果をChromaDBに記録する
モデルコンテキストプロトコル（MCP）を介して完全にオーケストレーションされます

⚙️ 機能

成分	説明
FastAPI Web UI	合成データセットまたはアップロードされたデータセット用の使いやすいダッシュボード
MCPツールオーケストレーション	各プロセスステップは呼び出し可能なMCPツールとして公開されます
異常検出	マハラノビス距離に基づく外れ値検出
視覚的な出力	保存された正常値と異常値の散布図
ローカルLLM要約	Ollama経由で`llama3.2:1b`を使用して生成された洞察
ベクターストアのログ記録	要約は永続メモリとしてChromaDBに保存されます
エージェントプランニングツール	専用のLLMツール（ `autonomous_plan` ）はデータセットのコンテキストに基づいて次のステップを決定します。
エージェントフロー	LLM + 記憶 + ツールの使用 + 自動推論 + 文脈認識

🧪 ツールの定義（MCP経由）

ツール名	説明	LLM使用
`generate_data`	合成表形式データ（ガウス+カテゴリ）を作成する	❌
`analyze_outliers`	マハラノビス距離を使用して行にラベルを付ける	❌
`plot_results`	正常値と異常値を視覚化したプロットを保存する	❌
`summarize_results`	`llama3.2:1b`を使用して外れ値分布を解釈および説明する	✅
`summarize_data_stats`	`llama3.2:1b`を使用してデータセットの傾向を説明する	✅
`log_results_to_vector_store`	将来の参照用に要約を ChromaDB に保存します	❌
`search_logs`	ベクトル検索を使用して関連する過去のセッションを検索する（LLM の使用はオプション）	⚠️
`autonomous_plan`	パイプライン全体を実行し、LLM を使用して次のアクションを自動的に推奨します	✅

🤖 エージェント機能

Autonomy : autonomous_planによる LLM ガイド実行パス選択
ツールの使用: LLM推論を介して登録されたMCPツールを動的に呼び出す
推論:データセットの条件と外れ値分析から技術的な洞察を生成します
メモリ: ChromaDB ベクトル検索を使用して知識を保持および呼び出します
LLM : Ollama とllama3.2:1bを搭載 (温度 = 0.1、決定論的)

Related MCP server: MCP Prompt Enhancer

🚀 はじめに

1. クローンとセットアップ

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. MCPサーバーを起動する

mcp run server.py --transport streamable-http

3. Webダッシュボードを起動する

uvicorn web:app --reload --port 8001

次に、 http://localhost:8000にアクセスします。

🌐 ダッシュボードフロー

**ステップ1:**独自のデータセットをアップロードするか、 Generate Synthetic Dataをクリックします
**ステップ2:**システムはfeature_1とfeature_2に対して異常検出を実行します。
**ステップ3:**外れ値の視覚的なプロットが生成される
ステップ4: LLMで要約を作成する
**ステップ5:**結果はオプションでベクトルストアに記録され、リコールされる

📁 プロジェクトレイアウト

📦 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

📚 技術スタック

MCP SDK: mcp
LLM推論: llama3.2:1bを実行するOllama
UI サーバー: FastAPI + Uvicorn
メモリ: ChromaDB ベクターデータベース
データ: pandas 、 matplotlib 、 scikit-learn

✅ .gitignore の追加

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

🙌 謝辞

このプロジェクトは、オープンソースコミュニティの素晴らしい努力なしには実現できませんでした。特に感謝申し上げます。

ツール / ライブラリ	目的	リポジトリ
🧠モデルコンテキストプロトコル (MCP)	エージェントツールのオーケストレーションと実行	モデルコンテキストプロトコル/Python-SDK
💬オラマ	ローカル LLM 推論エンジン ( `llama3.2:1b` )	オラマ/オラマ
🔍クロマDB	ログ記録と検索のためのベクターデータベース	クロマコア/クロマ
🌐高速API	インタラクティブで高速なウェブインターフェース	ティアンゴロ/ファスタピ
⚡ウビコーン	FastAPIバックエンドを支えるASGIサーバー	エンコード/uvicorn

💡 このプロジェクトを使用する場合は、スターを付けたり、それを可能にするアップストリームツールに貢献することを検討してください。

このリポジトリは、llama3.2:1b を使用したローカル rag-llm の支援を受けて作成されました。

MCP Autonomous Analyst