A
licenseA
qualityD
maintenanceExposes Great Expectations data-quality checks as MCP tools for LLM agents, enabling data loading, expectation definition, validation, and result interpretation.
7
4
MIT
Feature Engineering MCP Server
by ahutosh173
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：
モデリング目的の分析
候補フィーチャーの提案
pandas のフィーチャーエンジニアリングコードの生成
そのコードの実行
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 outputRelated MCP server: skillsmcp
MCP ツール
ツール | 目的 |
| エージェントを実行する前に CSV を検査する |
| 既存の完全な LangGraph エージェントを実行する |
| 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 |
| 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 .venvWindows：
.venv\Scripts\activateLinux/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.txt4. 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 .envWindows PowerShell：
Copy-Item .env.example .env設定：
FEATURE_ENGINEERING_REPO=../automated-feature-engineering2 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-engineering6. 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
フィーチャー評価ツールを追加する。
モデル性能比較を追加する。
フィーチャー系統（lineage）メタデータを追加する。
生成コードの実行前に承認/レビューを追加する。
Streamable HTTP デプロイを追加する。
認証を追加する。
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 installed
Maintenance
–Maintainers
–Response time
–Release cycle
–Releases (12mo)
Commit activity
Resources
Unclaimed servers have limited discoverability.
Looking for Admin?
If you are the server author, to access and configure the admin panel.
Related MCP Servers
- AlicenseAqualityDmaintenanceExposes Agent Skills to AI agents as MCP tools, enabling discovery and activation of skill instructions for coding agents.327MIT
- FlicenseAqualityDmaintenanceExposes two MCP tools (discover and execute) that enable agents to query an OpenAPI schema via natural language and execute matched API operations.2
- FlicenseNot gradedqualityCmaintenanceExposes task management (add, list, complete tasks) and document search (RAG) as MCP tools for AI agents.
Related MCP Connectors
MCP server exposing the Backtest360 engine API as tools for AI agents.
Free public MCP for AI agents — 193 tools, 44 workflows. No API key.
Package intelligence MCP for AI agents — 22 tools, 19 ecosystems, AGPL SDK, free.
Latest Blog Posts
- Who's Calling? MCP Hosts Are an Identity Blind Spot (And the Spec Knows It)By Om-Shree-0709 on .mcpAgent IdentityOAuth 2.1
- Your AI Chatbot Just Exposed Your CEO's Salary to an InternBy Om-Shree-0709 on .Agent IdentityMCP SecurityOAuth Delegation
- Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)By Om-Shree-0709 on .Agentic AiPrompt InjectionWebAssembly
MCP directory API
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/ahutosh173/automated-feature-engineering-mcp'
If you have feedback or need assistance with the MCP directory API, please join our Discord server