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
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 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