Quantified Self MCP Server

一个本地 Model Context Protocol（MCP）服务器，让 LLM（例如 Claude Desktop）可以查询你的个人健康和财务数据。所有数据都存储在两个本地 SQLite 文件中，由你控制的 Python 进程直接从磁盘读取。没有云数据库，没有仪表盘，没有第三方服务。

包含内容

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

运行 init_db.py 会在 server.py 旁边创建一个 data/ 文件夹，其中包含 health.db 和 finance.db——该文件夹不包含在此处，因为它是在你的机器上根据你自己的数据生成的。

Related MCP server: apple-health-mcp

暴露的工具

两个工具都返回匹配的行以及计算出的汇总（健康数据的平均值/最小值/最大值，财务数据按类别的总计），这样模型就不必自行跨多行进行聚合。

1. 设置环境

需要 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. 加载你的数据

使用附带的示例立即试用：

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

要使用你自己的数据，请将其导出为包含以下列的 CSV，然后对你的文件运行相同的命令：

• 健康 CSV：date, steps, sleep_hours, resting_heart_rate

• 财务 CSV：date, category, amount, description（description 可选）

日期应为 ISO 格式（2026-08-23）；也接受 MM/DD/YYYY 并会自动转换。金额/数字可以包含 $ 和 ,（例如 $1,234.56）——这些会被自动去除。有问题的行（日期错误、金额非数字、缺少类别等）会被跳过并发出警告，而不会中止整个导入；最后打印的一行总会告诉你加载了多少行、跳过了多少行。

再次运行 init_db.py health 会按日期进行 upsert（随着你添加天数，可以安全地重复运行）；init_db.py finance 每次都会追加新行，因为账本没有天然的唯一键。向任一命令添加 --replace 可改为先清空表。

3.（可选）单独测试

在接入任何客户端之前，你可以打开 MCP Inspector 并在浏览器中直接调用工具：

fastmcp dev inspector server.py

4. 连接到 Claude Desktop

Claude Desktop 将本地 MCP 服务器作为子进程启动，并通过 stdio 与它们通信，基于一个 JSON 配置文件：

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

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

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

你可以从应用直接跳转：设置 → 开发者 → 编辑配置。

在 mcpServers 下添加一个条目，使用绝对路径——重要的是，将 command 指向你刚刚创建的虚拟环境内部的 Python 解释器，而不是裸的 python。Claude Desktop 在最小化环境中运行服务器，该环境不能可靠地继承你 shell 的 PATH 或已激活的 venv，因此裸的 "python" 通常会解析到错误的解释器（或根本解析不到），服务器会静默地无法启动。

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

在 Windows 上，通常是：

{
  "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"]
    }
  }
}

保存文件，然后完全退出并重新打开 Claude Desktop（不仅仅是关闭窗口——必须重启才能加载配置更改）。查看聊天框中的锤子/工具图标，确认 quantified-self 已连接。

FastMCP 还附带一个 CLI 快捷方式，可以为你编辑此文件——fastmcp install claude-desktop server.py --name "Quantified Self"——值得一试（运行 fastmcp install claude-desktop --help 查看当前标志），但上面的手动 JSON 始终有效，并且在出问题时更容易调试。Anthropic 还有一种较新的一键式"桌面扩展"打包格式，用于本地 MCP 服务器；对于像这样的个人使用来说不是必需的，但如果你想把此服务器分享给不太习惯编辑 JSON 的人，值得了解一下。

5.（可选）在 Docker 中运行 / 托管在 Glama 上

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

项目包含一个 Dockerfile，供任何想在容器中而不是本地 venv 中运行的人使用——包括托管在 Glama 上，当仓库中存在 Dockerfile 时，Glama 会直接从中构建。

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

该镜像仅包含 Python（python:3.12-slim + pip install -r requirements.txt）；此项目中没有任何 Node.js。HEALTH_DB_PATH 和 FINANCE_DB_PATH 默认为容器内的 /data/health.db 和 /data/finance.db，这样挂载的卷（例如 Glama 的 /data 挂载）可以在重新部署时持久化你的数据库——请参阅 server.py 顶部的 Configuration 部分来覆盖它们。

glama.json 有意保持极简——它只是将 Glama 指向此仓库；Dockerfile 才是镜像如何构建和启动（python server.py，通过 stdio）的实际事实来源。glama.json 的早期版本试图手动配置一个通用 buildpack（裸的 debian:trixie-slim 基础镜像加上手动 pip install 构建步骤和 cmdArguments），而不是使用 Dockerfile——该镜像没有可靠地预置 Python 解释器，平台会回退到尝试运行此仓库中不存在的 Node.js 入口点（Cannot find module '/app/server.js'）。提供 Dockerfile 消除了这种歧义。

隐私模型——"本地"到底意味着什么

值得对此精确说明，因为这是整个项目的意义所在：

• 两个 SQLite 数据库只存在于你的磁盘上，位于此项目的 data/ 文件夹内。服务器不进行任何网络调用，没有遥测，也不会同步到任何地方。

• server.py 以 SQLite 的只读模式打开两个数据库（不仅仅是"不发出写入"——连接在物理上无法写入）。即使是有缺陷或恶意的提示词，也无法让任一工具修改你的数据；只有由你在终端中运行的 init_db.py 才会写入它们。

• 当 MCP 客户端调用这些工具之一时，该查询返回的特定行会成为发送给回答模型的对话的一部分——这就是 MCP 向模型提供信息的机制。如果你使用 Claude Desktop 搭配托管模型，这意味着你询问的任何数据切片都会在该轮对话中发送给 Anthropic，就像你在聊天中键入的任何其他内容一样。

• 所以这里的"本地"意味着：你的完整数据集永远不会存储在任何第三方数据库中，也不会同步到任何第三方数据库，除非实际调用工具，否则不会传输任何内容——即使调用，也只有该特定调用返回的行，而不是整个数据库。这并不意味着端到端完全离线。要做到这一点，你需要一个完全本地的模型运行时（例如 Ollama）搭配一个兼容 MCP 的客户端。

故障排除

• 服务器没有出现在 Claude Desktop 中：检查 command 和 args 是否使用绝对路径，确认 venv 的 Python 路径确实存在，并确认你完全退出并重新打开了应用。日志位于 ~/Library/Logs/Claude（macOS）或 %APPDATA%\Claude\logs（Windows）——mcp-server-quantified-self.log 会专门显示此服务器的 stderr。

• 工具报"未找到健康/财务数据库"：先为该数据集运行 init_db.py——工具故意不自动创建空数据库，这样你就不会得到静默的空答案。

• 对 server.py 的编辑似乎没有生效：重启 Claude Desktop；它每个应用会话启动一次服务器进程，而不是每条消息启动一次。

• 在 Glama 上托管失败，报 Cannot find module '/app/server.js'：这意味着部署回退到了 Node.js 运行时而不是 Python——此仓库没有 server.js。请从附带的 Dockerfile 构建（参见上面的"在 Docker 中运行 / 托管在 Glama 上"），而不是使用通用 buildpack 配置，这样平台才能可靠地运行 python server.py。

扩展此项目

几个自然的后续步骤，如果你想要的话——这些都没有内置，只是模式指向的方向：

• 编写工具（log_expense、log_daily_metric），以便通过 LLM 而不是直接通过 CSV/SQL 添加条目。

• 更多指标——体重、锻炼、情绪、饮水量——每个都只是另一张表和另一个读取工具。

• 一个预算对比实际工具，将 read_finance_data 的总计与你定义的目标进行比较。