Quantified Self MCP Server

Ein lokaler Server für das Model Context Protocol (MCP), der es einem LLM – z. B. Claude Desktop – ermöglicht, deine persönlichen Gesundheits- und Finanzdaten abzufragen. Alles wird in zwei lokalen SQLite-Dateien gespeichert und direkt von der Festplatte gelesen – von einem Python-Prozess, den du kontrollierst. Keine Cloud-Datenbank, kein Dashboard, kein Drittanbieter-Dienst.

Was enthalten ist

quantified-self-mcp/
├── server.py              # the MCP server (FastMCP) — 2 tools
├── init_db.py              # loads a CSV file into the local SQLite database
├── requirements.txt
├── .gitignore              # keeps data/ and .db files out of version control
└── sample_data/
    ├── health_sample.csv   # 30 days of sample data, so you can try it immediately
    └── finance_sample.csv  # ~2 months of sample expenses

Wenn du init_db.py ausführst, wird neben server.py ein data/-Ordner erstellt, der health.db und finance.db enthält – dieser Ordner ist hier nicht enthalten, da er auf deinem Rechner aus deinen eigenen Daten erzeugt wird.

Related MCP server: apple-health-mcp

Verfügbare Tools

Beide Tools geben die passenden Zeilen plus berechnete Zusammenfassungen zurück (Durchschnitt/Min./Max. für Gesundheit, Summen pro Kategorie für Finanzen), sodass das Modell keine eigene Aggregation über viele Zeilen durchführen muss.

1. Die Umgebung einrichten

Voraussetzung: Python 3.10+.

cd quantified-self-mcp
python3 -m venv .venv
source .venv/bin/activate      # Windows: .venv\Scripts\activate
pip install -r requirements.txt

2. Deine Daten laden

Probiere es sofort mit den enthaltenen Beispieldaten aus:

python init_db.py health  sample_data/health_sample.csv
python init_db.py finance sample_data/finance_sample.csv

Um deine eigenen Daten zu verwenden, exportiere sie als CSV mit diesen Spalten und führe dann dieselben Befehle stattdessen mit deinen Dateien aus:

• health CSV: date, steps, sleep_hours, resting_heart_rate

• finance CSV: date, category, amount, description (description ist optional)

Datumsangaben sollten im ISO-Format vorliegen (2026-08-23); MM/DD/YYYY wird ebenfalls akzeptiert und konvertiert. Beträge/Zahlen dürfen $ und , enthalten (z. B. $1,234.56) – diese werden automatisch entfernt. Eine problematische Zeile (falsches Datum, nicht-numerischer Betrag, fehlende Kategorie usw.) wird mit einer Warnung übersprungen, anstatt den gesamten Import abzubrechen; die zuletzt ausgegebene Zeile sagt dir immer, wie viele Zeilen geladen bzw. übersprungen wurden.

Ein erneutes Ausführen von init_db.py health führt ein Upsert anhand des Datums durch (du kannst es also bedenkenlos erneut ausführen, wenn du weitere Tage hinzufügst); init_db.py finance fügt bei jedem Lauf neue Zeilen hinzu, da ein Kassenbuch keinen natürlichen eindeutigen Schlüssel hat. Füge --replace zu einem der beiden Befehle hinzu, um die Tabelle stattdessen vorher zu leeren.

3. (Optional) Allein testen

Bevor du es in einen Client einbindest, kannst du den MCP Inspector öffnen und die Tools direkt im Browser aufrufen:

fastmcp dev inspector server.py

4. Mit Claude Desktop verbinden

Claude Desktop startet lokale MCP-Server als Unterprozess und kommuniziert über stdio mit ihnen, basierend auf einer JSON-Konfigurationsdatei:

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

• Windows: %APPDATA%\Claude\claude_desktop_config.json

• Linux: ~/.config/Claude/claude_desktop_config.json

Du kannst direkt aus der App dorthin springen: Einstellungen → Entwickler → Konfiguration bearbeiten.

Füge unter mcpServers einen Eintrag hinzu und verwende absolute Pfade – wichtig: command muss auf den Python-Interpreter innerhalb der soeben erstellten virtuellen Umgebung zeigen, nicht einfach nur python. Claude Desktop führt Server in einer minimalen Umgebung aus, die die PATH-Variable deiner Shell oder eine aktivierte venv nicht zuverlässig erbt. Ein einfaches "python" verweist daher oft auf den falschen Interpreter (oder gar keinen), und der Server startet stillschweigend nicht.

{
  "mcpServers": {
    "quantified-self": {
      "command": "/absolute/path/to/quantified-self-mcp/.venv/bin/python3",
      "args": ["/absolute/path/to/quantified-self-mcp/server.py"]
    }
  }
}

Unter Windows typischerweise:

{
  "mcpServers": {
    "quantified-self": {
      "command": "C:\\absolute\\path\\to\\quantified-self-mcp\\.venv\\Scripts\\python.exe",
      "args": ["C:\\absolute\\path\\to\\quantified-self-mcp\\server.py"]
    }
  }
}

Speichere die Datei und beende Claude Desktop vollständig und öffne es erneut (nicht nur das Fenster schließen – ein Neustart ist erforderlich, um Konfigurationsänderungen zu laden). Achte im Chat-Eingabefeld auf das Hammer-/Werkzeug-Symbol, um zu bestätigen, dass quantified-self verbunden ist.

FastMCP bringt außerdem eine CLI-Verknüpfung mit, die diese Datei für dich bearbeitet – fastmcp install claude-desktop server.py --name "Quantified Self" – einen Versuch wert (führe fastmcp install claude-desktop --help aus, um die aktuellen Flags zu sehen), aber das manuelle JSON oben funktioniert immer und ist leichter zu debuggen, wenn etwas nicht stimmt. Anthropic hat außerdem ein neueres Ein-Klick-Paketformat namens „Desktop Extension“ für lokale MCP-Server; für den persönlichen Gebrauch wie diesen nicht nötig, aber wissenswert, falls du diesen Server jemals mit jemandem teilen möchtest, der sich mit dem Bearbeiten von JSON weniger wohlfühlt.

5. (Optional) In Docker ausführen / auf Glama hosten

#5-optional-run-it-in-docker--host-it-on-glama

Ein Dockerfile ist für alle enthalten, die dieses Projekt statt in einer lokalen venv in einem Container ausführen möchten – einschließlich des Hostings auf Glama, das direkt aus dem Dockerfile eines Repositories baut, wenn eines vorhanden ist.

docker build -t quantified-self-mcp .
docker run -i --rm -v "$PWD/data:/app/data" quantified-self-mcp

Das Image basiert ausschließlich auf Python (python:3.12-slim + pip install -r requirements.txt); in diesem Projekt gibt es kein Node.js. HEALTH_DB_PATH und FINANCE_DB_PATH zeigen standardmäßig auf /data/health.db bzw. /data/finance.db im Container, sodass ein eingebundenes Volume (z. B. der /data-Mount von Glama) deine Datenbanken über erneute Deployments hinweg erhält – siehe den Abschnitt „Configuration“ am Anfang von server.py, um sie zu überschreiben.

glama.json ist bewusst minimal gehalten – es verweist Glama nur auf dieses Repository; das Dockerfile gibt tatsächlich vor, wie das Image gebaut und gestartet wird (python server.py, über stdio). Eine frühere Version von glama.json versuchte, ein generisches Buildpack manuell zu konfigurieren (ein reines debian:trixie-slim-Basisimage plus manuelle pip install-Buildschritte und cmdArguments), statt ein Dockerfile zu verwenden – dieses Image hatte keinen zuverlässig bereitgestellten Python-Interpreter, und die Plattform fiel darauf zurück, einen Node.js-Einstiegspunkt auszuführen, der in diesem Repository nicht existiert (Cannot find module '/app/server.js'). Ein Dockerfile mitzuliefern, beseitigt diese Mehrdeutigkeit.

Datenschutzmodell – was „lokal“ tatsächlich bedeutet

Es lohnt sich, hier präzise zu sein, denn genau darum geht es in diesem Projekt:

• Beide SQLite-Datenbanken liegen ausschließlich auf deiner Festplatte, im data/-Ordner dieses Projekts. Der Server tätigt keine Netzwerkaufrufe, hat keine Telemetrie und synchronisiert nichts nach außen.

• server.py öffnet beide Datenbanken im schreibgeschützten Modus von SQLite (nicht nur „nimmt keine Schreibvorgänge vor“ – die Verbindung ist schlicht nicht dazu in der Lage). Selbst ein fehlerhafter oder bösartiger Prompt kann keines der beiden Tools dazu bringen, deine Daten zu verändern; nur init_db.py, das du selbst im Terminal ausführst, schreibt jemals in sie.

• Wenn ein MCP-Client eines dieser Tools aufruft, werden die für diese Abfrage zurückgegebenen Zeilen Teil des Gesprächs, das an das jeweils antwortende Modell gesendet wird – das ist der Mechanismus, mit dem MCP einem Modell Informationen bereitstellt. Wenn du Claude Desktop mit einem gehosteten Modell verwendest, bedeutet das, dass der Ausschnitt deiner Daten, nach dem du fragst, für diese Runde an Anthropic gesendet wird – genau wie alles andere, was du in den Chat eingibst.

• „Lokal“ bedeutet hier also: Dein vollständiger Datensatz wird nie in einer Datenbank eines Drittanbieters gespeichert oder mit ihr synchronisiert, und es wird nichts übertragen, solange nicht tatsächlich ein Tool aufgerufen wird – und selbst dann nur die Zeilen, die dieser bestimmte Aufruf zurückgibt, nicht die gesamte Datenbank. Es bedeutet nicht durchgehend offline. Dafür bräuchtest du eine vollständig lokale Modell-Laufzeitumgebung (z. B. Ollama) zusammen mit einem MCP-kompatiblen Client.

Fehlerbehebung

• Server taucht nicht in Claude Desktop auf: Überprüfe, ob command und args absolute Pfade verwenden, stelle sicher, dass der Python-Pfad der venv tatsächlich existiert, und vergewissere dich, dass du die App vollständig beendet und neu geöffnet hast. Die Logs liegen unter ~/Library/Logs/Claude (macOS) oder %APPDATA%\Claude\logs (Windows) – mcp-server-quantified-self.log zeigt die stderr-Ausgabe dieses Servers im Speziellen.

• „No health/finance database found“ von einem Tool: Führe zuerst init_db.py für diesen Datensatz aus – die Tools erstellen absichtlich keine leeren Datenbanken automatisch, damit du nicht stillschweigend leere Antworten erhältst.

• Änderungen an server.py scheinen keine Wirkung zu zeigen: Starte Claude Desktop neu; es startet den Serverprozess einmal pro App-Sitzung, nicht pro Nachricht.

• Hosting auf Glama schlägt mit Cannot find module '/app/server.js' fehl: Das bedeutet, dass die Bereitstellung auf eine Node.js-Laufzeitumgebung zurückgefallen ist, statt auf Python – dieses Repository hat keine server.js. Baue aus dem enthaltenen Dockerfile (siehe „In Docker ausführen / auf Glama hosten“ oben) statt aus einer generischen Buildpack-Konfiguration, damit die Plattform zuverlässig python server.py ausführt.

Dieses Projekt erweitern

Ein paar naheliegende nächste Schritte, falls du sie umsetzen möchtest – nichts davon ist bereits gebaut, es ist nur die Richtung, in die das Muster führt:

• Schreib Tools (log_expense, log_daily_metric), damit Einträge über das LLM hinzugefügt werden können, statt direkt über CSV/SQL.

• Weitere Metriken – Gewicht, Workouts, Stimmung, Wasseraufnahme – jede davon ist nur eine weitere Tabelle und ein weiteres Lese-Tool.

• Ein Tool für den Soll-Ist-Vergleich des Budgets, das die Summen von read_finance_data mit von dir definierten Zielen vergleicht.