自主分析师

🧠 概述

自主分析师是一个本地代理人工智能管道，它：

• 分析表格数据

• 使用马氏距离检测异常

• 使用本地 LLM（通过 Ollama 的 llama3.2:1b）生成解释性摘要

• 将结果记录到 ChromaDB 以进行语义调用

• 通过模型上下文协议 (MCP) 进行全面协调

⚙️ 功能

🧪 工具定义（通过 MCP）

🤖 代理能力

• 自主性：使用autonomous_plan进行 LLM 引导的执行路径选择

• 工具使用：通过 LLM 推理动态调用已注册的 MCP 工具

• 推理：从数据集条件和异常值分析中产生技术见解

• 记忆：使用 ChromaDB 向量搜索保存和回忆知识

• LLM ：由 Ollama 提供支持，使用llama3.2:1b （温度 = 0.1，确定性）

Related MCP server: MCP Prompt Enhancer

🚀 入门

1. 克隆并设置

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. 启动 MCP 服务器

mcp run server.py --transport streamable-http

3. 启动 Web 仪表板

uvicorn web:app --reload --port 8001

然后访问： http://localhost:8000

🌐 仪表板流程

• **步骤 1：**上传您自己的数据集或单击Generate Synthetic Data

• **步骤 2：**系统对feature_1与feature_2运行异常检测

• **步骤 3：**生成异常值的可视化图表

• **步骤 4：**通过 LLM 创建摘要

• **步骤 5：**结果可选择记录到向量存储中以供调用

📁 项目布局

📦 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

📚 技术栈

• MCP SDK： mcp

• LLM 推理： Ollama运行llama3.2:1b

• UI 服务器： FastAPI + Uvicorn

• 内存： ChromaDB矢量数据库

• 数据： pandas 、 matplotlib 、 scikit-learn

✅ .gitignore 附加内容

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

🙌 致谢

如果没有开源社区的辛勤付出，这个项目就不可能实现。特别感谢：

💡 如果您使用这个项目，请考虑为实现该项目的上游工具加注或做出贡献。

此 repo 是在本地 rag-llm 的帮助下使用 llama3.2:1b 创建的