forecast-mcp

Un servidor MCP (Model Context Protocol) que expone un pipeline de previsión de demanda y reposición de tres niveles como herramientas. Cualquier cliente MCP puede invocarlo: Cursor, Claude Desktop, Claude Code, Google Antigravity, Windsurf y cualquier otra cosa que hable MCP. Cada serie se clasifica con estadísticas de Syntetos–Boylan (ADI y CV²) y se enruta a un modelo:

Límites: ADI = 1.32, CV² = 0.49 (classification.py).

Herramientas

Related MCP server: shopify-forecast-mcp

Datos

El servidor genera un panel sintético de 25 SKU en memoria al iniciarse (regular, errático, intermitente, irregular y de inicio en frío). No se requiere ningún conjunto de datos externo ni clave API.

Para usar tu propio historial, pasa un CSV con unique_id, ds (fecha), y (unidades):

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

Configuración

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

Ejecutar

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

Salud HTTP: http://127.0.0.1:8765/health
Punto final MCP: http://127.0.0.1:8765/mcp
Interfaz de usuario: http://127.0.0.1:7860

Apunta el command de MCP al .venv/bin/python de este proyecto.

Pruebas

pip install pytest
pytest tests/ -v

Configuración del cliente

Se admiten tanto stdio (predeterminado) como HTTP transmisible. Las configuraciones de ejemplo están en examples/mcp/, además de .cursor/mcp.json y .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"
    }
  }
}

Algunos clientes usan serverUrl en lugar de url.

Extensiones

• Inicio en frío: reemplazar la alternativa de la media en forecast_cold_start() con un modelo fundacional de cero disparos (por ejemplo, Chronos-Bolt).

• Candidatos adicionales por nivel: puntuar con MASE en evaluation.py.

• Almacenamiento: intercambiar DataStore por ClickHouse, Postgres o DuckDB.

• Nivel regular con características exógenas: mlforecast + LightGBM.

Diseño

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