Skip to main content
Glama
deenesjakoruzh
ahutosh173

Feature Engineering MCP Server

by ahutosh173
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Local

フィーチャーエンジニアリング MCP サーバー

既存の ahutosh173/automated-feature-engineering LangGraph エージェントを再利用可能なツールとして公開する MCP（Model Context Protocol）サーバーです。

元のエージェントは、CSV、不正/手口の目的、スキーマメタデータ、ID 列、ラベル列を受け取り、次の処理を行います：

  1. モデリング目的の分析

  2. 候補フィーチャーの提案

  3. pandas のフィーチャーエンジニアリングコードの生成

  4. そのコードの実行

  5. Excel フィーチャーファイルの書き出し

このプロジェクトは、そのワークフローの上に MCP インターフェースを追加します。

アーキテクチャ

                 MCP Host / LLM Client
                         |
                         | MCP
                         v
              +-----------------------+
              | Feature Engineering   |
              | MCP Server            |
              +-----------+-----------+
                          |
              +-----------+-----------+
              |                       |
              v                       v
       Dataset profiling      Existing LangGraph
                              Feature Engineering Agent
                                      |
                       +--------------+--------------+
                       |              |              |
                    Analyze MO   Propose features  Generate code
                                                       |
                                                       v
                                                Execute features
                                                       |
                                                       v
                                                 Excel output

Related MCP server: skillsmcp

MCP ツール

ツール

目的

profile_dataset

エージェントを実行する前に CSV を検査する

run_feature_engineering

既存の完全な LangGraph エージェントを実行する

get_feature_engineering_plan

エージェントを実行し、その分析、候補フィーチャー、生成されたコードを返す

health_check

サーバー設定を検証する

重要な設計上の決定

MCP レイヤーは既存のエージェントを置き換えるものではありません。

これは既存のエージェントのアダプターであり、MCP 互換のホストがフィーチャーエンジニアリングのワークフローをツールとして発見し、呼び出せるようにするものです。

元のリポジトリは次のとおりです：

https://github.com/ahutosh173/automated-feature-engineering

1. 前提条件

  • Python 3.10+

  • Git

  • 元のフィーチャーエンジニアリングエージェントリポジトリへのアクセス

  • 元のエージェントが必要とする LLM 設定

MCP Python SDK は現在 Python 3.10+ を必要とします。

2. 両方のリポジトリをクローンする

推奨レイアウト：

projects/
├── automated-feature-engineering/
└── feature-engineering-mcp/

元のリポジトリをクローンします：

git clone https://github.com/ahutosh173/automated-feature-engineering.git

このリポジトリをクローンします：

git clone <YOUR-MCP-REPO-URL>

3. 仮想環境を作成する

このリポジトリから：

python -m venv .venv

Windows：

.venv\Scripts\activate

Linux/macOS：

source .venv/bin/activate

依存関係をインストールします：

pip install -r requirements.txt

元のエージェントの依存関係をインストールします：

pip install -r ../automated-feature-engineering/requirements.txt

4. 元のエージェントを設定する

元のリポジトリは現在、HF_TOKEN を含む独自の .env 設定を必要とします。

そのリポジトリを README に記載されているとおりに正確に設定してください。

API キーやトークンをコミットしないでください。

5. この MCP サーバーを設定する

コピー：

cp .env.example .env

Windows PowerShell：

Copy-Item .env.example .env

設定：

FEATURE_ENGINEERING_REPO=../automated-feature-engineering

2 つのリポジトリが別の場所にある場合は、絶対パスを使用してください。

例：

FEATURE_ENGINEERING_REPO=C:/projects/automated-feature-engineering

6. MCP サーバーを実行する

ローカルの stdio 使用の場合：

python server.py

プロセスは stdin/stdout 経由で MCP クライアントを待機します。

MCP Inspector 開発の場合：

mcp dev server.py

公式の MCP Python SDK は Inspector 開発ワークフローを提供し、型付き Python 関数から直接ツールを定義することをサポートしています。

7. 外部の MCP ホストなしでテストする

実行：

pytest -q

テストは MCP Python クライアントのインメモリ接続を使用するため、サブプロセスを起動せずに MCP ツール定義をテストします。

例：データセットのプロファイリング

MCP クライアントは次のように呼び出せます：

{
  "name": "profile_dataset",
  "arguments": {
    "csv_path": "../automated-feature-engineering/data/train.csv"
  }
}

応答例：

{
  "success": true,
  "rows": 10000,
  "columns": 25,
  "columns_info": [
    {
      "name": "amount",
      "dtype": "float64",
      "missing": 0,
      "missing_pct": 0.0,
      "unique": 9000
    }
  ]
}

例：エージェントの実行

{
  "name": "run_feature_engineering",
  "arguments": {
    "csv_path": "../automated-feature-engineering/data/train.csv",
    "mo_name": "Fraud Detection",
    "mo_description": "Identify fraudulent transactions based on account behavior",
    "data_schema": [
      {
        "name": "txn_id",
        "dtype": "object",
        "description": "Transaction ID"
      },
      {
        "name": "amount",
        "dtype": "float64",
        "description": "Transaction amount"
      }
    ],
    "id_column": "txn_id",
    "label_column": "fraud"
  }
}

MCP がここで役立つ理由

MCP がない場合、フィーチャーエンジニアリングのワークフローは主に Python アプリケーションです。

MCP があれば、MCP 互換のホストがフィーチャーエンジニアリングのツールを発見し、いつ呼び出すかを決定できます。

例：

User:
"Analyze my fraud dataset and create account-level features."

LLM:
  -> profile_dataset
  -> run_feature_engineering
  -> inspect result
  -> explain generated features

セキュリティに関する注意

元のエージェントは LLM で Python コードを生成し、exec() を使用して実行します。信頼できないモデル出力や信頼できないユーザーがサーバーに到達できる場合、これは高リスクな操作です。

本番環境では：

  • エージェントを分離されたコンテナで実行する

  • 制限付きファイルシステムを使用する

  • 生成されたコードを検証する

  • インポートを制限する

  • 入出力パスを制限する

  • リソースおよび CPU/時間制限を使用する

  • 任意のファイルシステムアクセスを公開しない

  • リモートデプロイ前に認証/認可を追加する

このリポジトリは、既存の生成コード実行が本番環境で安全であると意図的に主張していません。

推奨される次のアップグレード

  1. フィーチャー評価ツールを追加する。

  2. モデル性能比較を追加する。

  3. フィーチャー系統（lineage）メタデータを追加する。

  4. 生成コードの実行前に承認/レビューを追加する。

  5. Streamable HTTP デプロイを追加する。

  6. 認証を追加する。

  7. 元のワークフローで使用される固定スレッド ID の代わりに、LangGraph チェックポイント/セッション ID を追加する。

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivitySlowing
ResponsivenessNo issues

Resources

Related MCP Connectors

Related MCP Servers

  • gx-mcp-server

    davidf9999
    A
    license
    A
    quality
    C
    maintenance
    Exposes Great Expectations data-quality checks as MCP tools for LLM agents, enabling data loading, expectation definition, validation, and result interpretation.
    7
    4
    MIT

  • skillsmcp

    aviddiviner
    A
    license
    A
    quality
    D
    maintenance
    Exposes Agent Skills to AI agents as MCP tools, enabling discovery and activation of skill instructions for coding agents.
    3
    27
    MIT

  • yellow-pages

    ethank64
    F
    license
    A
    quality
    D
    maintenance
    Exposes two MCP tools (discover and execute) that enable agents to query an OpenAPI schema via natural language and execute matched API operations.
    2
    -