Автономный аналитик

🧠 Обзор

Автономный аналитик — это локальный агентный конвейер ИИ, который:

Анализирует табличные данные
Обнаруживает аномалии с помощью расстояния Махаланобиса
Использует локальный LLM (llama3.2:1b через Ollama) для создания интерпретационных резюме
Регистрирует результаты в ChromaDB для семантического вызова
Полностью организован через протокол контекста модели (MCP)

⚙️ Особенности

Компонент	Описание
Веб-интерфейс FastAPI	Удобная панель инструментов для синтетических или загруженных наборов данных
Оркестровка инструмента MCP	Каждый шаг процесса представлен как вызываемый инструмент MCP
Обнаружение аномалий	Обнаружение выбросов на основе расстояния Махаланобиса
Визуальный вывод	Сохраненная диаграмма рассеяния инлайеров и аномалий
Локальное обобщение LLM	Результаты, полученные с использованием `llama3.2:1b` через Ollama
Регистрация векторного хранилища	Резюме хранятся в ChromaDB для постоянной памяти.
Инструмент агентского планирования	Специальный инструмент LLM ( `autonomous_plan` ) определяет следующие шаги на основе контекста набора данных
Агентный поток	LLM + память + использование инструментов + автоматическое рассуждение + понимание контекста

🧪 Определены инструменты (через MCP)

Название инструмента	Описание	LLM используется
`generate_data`	Создание синтетических табличных данных (гауссовских + категориальных)	❌
`analyze_outliers`	Маркируйте строки, используя расстояние Махаланобиса	❌
`plot_results`	Сохраните график, визуализирующий инлайсеры и аномалии	❌
`summarize_results`	Интерпретировать и объяснить распределение выбросов с помощью `llama3.2:1b`	✅
`summarize_data_stats`	Опишите тенденции набора данных с помощью `llama3.2:1b`	✅
`log_results_to_vector_store`	Сохраняйте сводки в ChromaDB для дальнейшего использования.	❌
`search_logs`	Извлечение соответствующих прошлых сеансов с помощью векторного поиска (необязательное использование LLM)	⚠️
`autonomous_plan`	Запустите полный конвейер, используйте LLM для автоматической рекомендации следующих действий	✅

🤖 Возможности агента

Автономность : выбор пути выполнения под руководством LLM с помощью autonomous_plan
Использование инструмента : Динамически вызывает зарегистрированные инструменты MCP через вывод LLM.
Рассуждение : формирует технические идеи на основе условий набора данных и анализа выбросов.
Память : сохраняет и восстанавливает знания с помощью векторного поиска ChromaDB.
LLM : Работает на Ollama с llama3.2:1b (температура = 0,1, детерминированная)

Related MCP server: MCP Prompt Enhancer

🚀 Начало работы

1. Клонирование и настройка

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. Запустите MCP-сервер.

mcp run server.py --transport streamable-http

3. Запустите веб-панель управления

uvicorn web:app --reload --port 8001

Затем посетите: http://localhost:8000

🌐 Поток панели инструментов

Шаг 1: Загрузите собственный набор данных или нажмите Generate Synthetic Data
Шаг 2: Система запускает обнаружение аномалий на feature_1 и feature_2
Шаг 3: Создается визуальный график выбросов.
Шаг 4: Резюме создаются с помощью LLM
Шаг 5: Результаты могут быть дополнительно записаны в хранилище векторов для последующего использования.

📁 Макет проекта

📦 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

📚 Технологический стек

MCP SDK: mcp
Вывод LLM: Оллама, работающий llama3.2:1b
Сервер пользовательского интерфейса: FastAPI + Uvicorn
Память: векторная база данных ChromaDB
Данные: pandas , matplotlib , scikit-learn

✅ .gitignore Дополнения

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

🙌 Благодарности

Этот проект не был бы возможен без невероятной работы сообщества open-source. Особая благодарность:

Инструмент/Библиотека	Цель	Репозиторий
🧠 Протокол контекста модели (MCP)	Оркестровка и исполнение агентских инструментов	modelcontextprotocol/python-sdk
💬 Оллама	Локальный механизм вывода LLM ( `llama3.2:1b` )	оллама/оллама
🔍 ХромаДБ	Векторная база данных для регистрации и поиска	chroma-core/хрома
🌐 FastAPI	Интерактивный, быстрый веб-интерфейс	тианголо/фастапи
⚡ Ювикорн	Сервер ASGI, обеспечивающий работу бэкэнда FastAPI	кодировать/uvicorn

💡 Если вы используете этот проект, пожалуйста, рассмотрите возможность поставить отметку «звездой» или внести свой вклад в инструменты, которые делают это возможным.

Этот репозиторий был создан при содействии местного rag-llm с использованием llama3.2:1b

MCP Autonomous Analyst