A
licenseA
qualityC
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
Feature Engineering MCP Server
기존 ahutosh173/automated-feature-engineering LangGraph 에이전트를 재사용 가능한 도구로 노출하는 MCP(Model Context Protocol) 서버입니다.
원본 에이전트는 CSV, 사기/수법(modus-operandi) 목적, 스키마 메타데이터, ID 열 및 레이블 열을 입력받아 다음을 수행합니다:
모델링 목적을 분석하고,
후보 피처를 제안하며,
pandas 피처 엔지니어링 코드를 생성하고,
해당 코드를 실행하며,
Excel 피처 파일을 작성합니다.
이 프로젝트는 해당 워크플로우 위에 MCP 인터페이스를 추가합니다.
아키텍처
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 도구
도구 | 용도 |
| 에이전트 실행 전에 CSV 검사 |
| 기존 LangGraph 에이전트 전체 실행 |
| 에이전트를 실행하고 분석, 후보 피처 및 생성된 코드 반환 |
| 서버 구성 확인 |
중요한 설계 결정
MCP 계층은 기존 에이전트를 대체하지 않습니다.
MCP 호환 호스트가 피처 엔지니어링 워크플로우를 도구로 발견하고 호출할 수 있도록 기존 에이전트를 감싸는 어댑터입니다.
원본 저장소는 다음과 같습니다:
https://github.com/ahutosh173/automated-feature-engineering
1. 사전 요구 사항
Python 3.10+
Git
원본 피처 엔지니어링 에이전트 저장소에 대한 액세스 권한
원본 에이전트에 필요한 LLM 구성
MCP Python SDK는 현재 Python 3.10+를 요구합니다.
2. 두 저장소 모두 클론
권장 레이아웃:
projects/
├── automated-feature-engineering/
└── feature-engineering-mcp/원본 저장소 클론:
git clone https://github.com/ahutosh173/automated-feature-engineering.git이 저장소 클론:
git clone <YOUR-MCP-REPO-URL>3. 가상 환경 생성
이 저장소에서:
python -m venv .venvWindows:
.venv\Scripts\activateLinux/macOS:
source .venv/bin/activate의존성 설치:
pip install -r requirements.txt원본 에이전트의 의존성 설치:
pip install -r ../automated-feature-engineering/requirements.txt4. 원본 에이전트 구성
원본 저장소는 현재 자체 .env 구성(HF_TOKEN 포함)을 기대합니다.
해당 저장소를 README에 설명된 대로 정확히 구성하세요.
API 키나 토큰을 커밋하지 마세요.
5. 이 MCP 서버 구성
복사:
cp .env.example .envWindows PowerShell:
Copy-Item .env.example .env설정:
FEATURE_ENGINEERING_REPO=../automated-feature-engineering두 저장소가 다른 위치에 있다면 절대 경로를 사용하세요.
예시:
FEATURE_ENGINEERING_REPO=C:/projects/automated-feature-engineering6. MCP 서버 실행
로컬 stdio 사용:
python server.py프로세스는 stdin/stdout을 통해 MCP 클라이언트를 기다립니다.
MCP Inspector 개발:
mcp dev server.py공식 MCP Python SDK는 Inspector 개발 워크플로우를 제공하며 타입이 지정된 Python 함수에서 직접 도구 정의를 지원합니다.
7. 외부 MCP 호스트 없이 테스트
실행:
pytest -q테스트는 MCP Python 클라이언트의 인메모리 연결을 사용하므로 하위 프로세스를 시작하지 않고 MCP 도구 정의를 테스트합니다.
예시: 데이터셋 프로파일링
MCP 클라이언트는 다음을 호출할 수 있습니다:
{
"name": "profile_dataset",
"arguments": {
"csv_path": "../automated-feature-engineering/data/train.csv"
}
}응답 예시:
{
"success": true,
"rows": 10000,
"columns": 25,
"columns_info": [
{
"name": "amount",
"dtype": "float64",
"missing": 0,
"missing_pct": 0.0,
"unique": 9000
}
]
}예시: 에이전트 실행
{
"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"
}
}MCP가 여기서 유용한 이유
MCP가 없으면 피처 엔지니어링 워크플로우는 주로 Python 애플리케이션입니다.
MCP가 있으면 MCP 호환 호스트가 피처 엔지니어링 도구를 발견하고 언제 호출할지 결정할 수 있습니다.
예를 들어:
User:
"Analyze my fraud dataset and create account-level features."
LLM:
-> profile_dataset
-> run_feature_engineering
-> inspect result
-> explain generated features보안 참고 사항
원본 에이전트는 LLM으로 Python 코드를 생성하고 exec()를 사용하여 실행합니다. 신뢰할 수 없는 모델 출력이나 신뢰할 수 없는 사용자가 서버에 접근할 수 있다면 이는 고위험 작업입니다.
프로덕션 환경에서는:
격리된 컨테이너에서 에이전트 실행,
제한된 파일 시스템 사용,
생성된 코드 검증,
import 제한,
입출력 경로 제한,
리소스 및 CPU/시간 제한 사용,
임의 파일 시스템 액세스 노출 금지,
원격 배포 전 인증/권한 부여 추가.
이 저장소는 기존 생성 코드 실행이 프로덕션에 안전하다고 의도적으로 주장하지 않습니다.
제안된 다음 업그레이드
피처 평가 도구 추가.
모델 성능 비교 추가.
피처 계보(lineage) 메타데이터 추가.
생성된 코드 실행 전 승인/검토 추가.
Streamable HTTP 배포 추가.
인증 추가.
원본 워크플로우에서 사용하는 고정 스레드 ID 대신 LangGraph 체크포인트/세션 ID 추가.
This server cannot be deployed
Maintenance
ActivitySlowing
ResponsivenessNo issues
Related MCP Connectors
MCP server for your apps' tools and custom tools, plus hosted AI agents and approval-gated workflows
Your org's AI agents, tasks, runs, search, and brain files as MCP tools and resources.
MCP facade over the Nebelus Construction API. ~48 tools give full agent build parity: create/update/probe agents, edit graphs, attach knowledge and vector stores, wire connectors, set governance policies and locked guardrails, enable grounding-trace, and read deployment wiring. Purpose-built for regulated industries: data residency is enforced per region (EU / GCC-KSA), with PII controls and an audit trail. Agents are created as drafts — no deploy tool is exposed over MCP by design; publishing happens in the Nebelus console.
Hosted MCP runtime where your agent publishes its own tools by tool call and keeps working.
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 gradedqualityDmaintenanceExposes task management (add, list, complete tasks) and document search (RAG) as MCP tools for AI agents.-