Skip to main content
Glama
deenesjakoruzh
ahutosh173

Feature Engineering MCP Server

by ahutosh173
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Local

特征工程 MCP 服务器

一个 MCP（模型上下文协议）服务器，将现有的 ahutosh173/automated-feature-engineering LangGraph 代理作为可复用工具暴露出来。

原始代理接收一个 CSV、欺诈/作案手法目标、模式元数据、 ID 列和标签列，然后：

  1. 分析建模目标，

  2. 提出候选特征，

  3. 生成 pandas 特征工程代码，

  4. 执行该代码，以及

  5. 写入一个 Excel 特征文件。

本项目在该工作流之上增加了 MCP 接口。

架构

                 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 工具

工具

用途

profile_dataset

在运行代理之前检查 CSV

run_feature_engineering

运行完整的现有 LangGraph 代理

get_feature_engineering_plan

运行代理并返回其分析、候选特征和生成的代码

health_check

验证服务器配置

重要的设计决策

MCP 层不会替换现有代理。

它是现有代理之上的一个适配器，以便兼容 MCP 的主机可以 将特征工程工作流作为工具来发现和调用。

原始仓库位于：

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

1. 前置条件

  • Python 3.10+

  • Git

  • 可访问原始特征工程代理仓库

  • 原始代理所需的 LLM 配置

MCP Python SDK 目前需要 Python 3.10+。

2. 克隆两个仓库

推荐的目录布局：

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

克隆原始仓库：

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

克隆本仓库：

git clone <YOUR-MCP-REPO-URL>

3. 创建虚拟环境

从本仓库开始：

python -m venv .venv

Windows：

.venv\Scripts\activate

Linux/macOS：

source .venv/bin/activate

安装依赖：

pip install -r requirements.txt

安装原始代理的依赖：

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

4. 配置原始代理

原始仓库目前需要自己的 .env 配置， 包括 HF_TOKEN。

按照其 README 中的描述准确配置该仓库。

不要提交 API 密钥或令牌。

5. 配置此 MCP 服务器

复制：

cp .env.example .env

Windows PowerShell：

Copy-Item .env.example .env

设置：

FEATURE_ENGINEERING_REPO=../automated-feature-engineering

如果这两个仓库在其他位置，请使用绝对路径。

示例：

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

6. 运行 MCP 服务器

用于本地 stdio 使用：

python server.py

该进程将等待 MCP 客户端通过 stdin/stdout 连接。

用于 MCP Inspector 开发：

mcp dev server.py

官方 MCP Python SDK 提供 Inspector 开发工作流，并支持直接从类型化的 Python 函数定义工具。

7. 无需外部 MCP 主机进行测试

运行：

pytest -q

测试使用 MCP Python 客户端的内存连接，因此测试 MCP 工具定义，而无需启动子进程。

示例：分析数据集

MCP 客户端可以调用：

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

示例响应：

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

示例：运行代理

{
  "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"
  }
}

为什么在这里使用 MCP 很有用

没有 MCP 时，特征工程工作流主要是一个 Python 应用程序。

有了 MCP，兼容 MCP 的主机可以发现特征工程工具，并决定何时调用它们。

例如：

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

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

安全说明

原始代理使用 LLM 生成 Python 代码，并使用 exec() 执行该代码。如果不受信任的模型输出或不受信任的 用户能够访问服务器，这是一项高风险操作。

对于生产环境：

  • 在隔离的容器中运行代理，

  • 使用受限的文件系统，

  • 验证生成的代码，

  • 限制导入，

  • 限制输入/输出路径，

  • 使用资源与 CPU/时间限制，

  • 不要暴露任意的文件系统访问，

  • 在远程部署之前添加认证/授权。

本仓库有意不声称现有的生成代码执行是生产安全的。

建议的后续升级

  1. 添加特征评估工具。

  2. 添加模型性能比较。

  3. 添加特征血缘元数据。

  4. 在生成代码执行之前添加审批/审查。

  5. 添加 Streamable HTTP 部署。

  6. 添加认证。

  7. 添加 LangGraph 检查点/会话 ID，而不是原始工作流使用的固定线程 ID。

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
    -