forecast-mcp

Ein MCP-Server (Model Context Protocol), der eine dreistufige Bedarfsprognose- und Wiederauffüllungs-Pipeline als Tools bereitstellt. Jeder MCP-Client kann ihn aufrufen: Cursor, Claude Desktop, Claude Code, Google Antigravity, Windsurf und alles andere, das MCP spricht. Jede Serie wird mit Syntetos–Boylan-Statistiken (ADI und CV²) klassifiziert und einem Modell zugeordnet:

Grenzwerte: ADI = 1,32, CV² = 0,49 (classification.py).

Tools

Related MCP server: shopify-forecast-mcp

Daten

Der Server generiert beim Start ein synthetisches Panel mit 25 SKUs im Speicher (regelmäßig, unregelmäßig, intermittierend, klumpig und Kaltstart). Es ist kein externer Datensatz oder API-Schlüssel erforderlich.

Um Ihren eigenen Verlauf zu verwenden, übergeben Sie eine CSV-Datei mit unique_id, ds (Datum), y (Einheiten):

python -m forecast_mcp.server --data examples/sample_demand.csv
# or
export FORECAST_MCP_DATA=/path/to/demand.csv

Einrichtung

python3 -m venv .venv
source .venv/bin/activate        # Windows: .venv\Scripts\activate
pip install -r requirements.txt
pip install -e ".[ui]"

Ausführen

python -m forecast_mcp.server
python -m forecast_mcp.server --transport http --port 8765
python -m forecast_mcp.ui

HTTP-Health: http://127.0.0.1:8765/health
MCP-Endpunkt: http://127.0.0.1:8765/mcp
UI: http://127.0.0.1:7860

Richten Sie den MCP-command auf die .venv/bin/python dieses Projekts.

Tests

pip install pytest
pytest tests/ -v

Client-Konfiguration

stdio (Standard) und Streamable HTTP werden beide unterstützt. Beispielkonfigurationen finden Sie in examples/mcp/, plus .cursor/mcp.json und .agents/mcp_config.json.

{
  "mcpServers": {
    "forecast-mcp": {
      "command": "/absolute/path/to/forecast-mcp/.venv/bin/python",
      "args": ["-m", "forecast_mcp.server"]
    }
  }
}

HTTP:

{
  "mcpServers": {
    "forecast-mcp": {
      "url": "http://127.0.0.1:8765/mcp"
    }
  }
}

Einige Clients verwenden serverUrl anstelle von url.

Erweiterungen

• Kaltstart: Ersetzen Sie den Mittelwert-Fallback in forecast_cold_start() durch ein Zero-Shot-Foundation-Modell (z. B. Chronos-Bolt).

• Zusätzliche Kandidaten pro Stufe: Bewerten Sie mit MASE in evaluation.py.

• Speicher: Tauschen Sie DataStore gegen ClickHouse, Postgres oder DuckDB aus.

• Regelmäßige Stufe mit exogenen Merkmalen: mlforecast + LightGBM.

Layout

forecast-mcp/
├── src/forecast_mcp/
│   ├── server.py
│   ├── data.py
│   ├── classification.py
│   ├── forecasting.py
│   ├── evaluation.py
│   ├── replenishment.py
│   └── ui.py
├── scripts/
├── examples/
├── tests/
├── requirements.txt
└── pyproject.toml

Rohan Singh · github.com/RohanSingh02