PATHWAY Diagnostic MCP
This MCP server provides a local, hypothesis-driven organizational diagnostic workflow and generates structured reports and dashboards.
Retrieve input templates and catalog data for patterns, hypotheses, metrics, evidence, terms, and rules.
Compute 15 quantitative metrics from financial, roster, decision, and milestone inputs; missing data is marked as deferred.
Benchmark metrics against cohort P10/P50/P90 ranges, using CatBoost + SHAP when available or cohort tables otherwise.
Assess business/organizational stage and 8D domain alignment without averaging domain scores.
Screen diagnostic patterns and evaluate competing hypotheses using Bayesian updating and Monte Carlo posterior distributions.
Rank next-best evidence and interview questions to reduce uncertainty.
Recommend conditional improvement actions with 3/6/12/24-month checkpoints.
Build a diagnosis JSON (schema v1.0) and an offline HTML dashboard.
Save cases, record expert reviews, track outcomes, and retrieve case history.
Provide structured MCP prompts for starting diagnosis, assessing causes, planning interviews, and recording expert review.
Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type
@followed by the MCP server name and your instructions, e.g., "@PATHWAY Diagnostic MCP 이 회사 조직진단 시작해 줘. 인사·재무 자료는 첨부할게."
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
PATHWAY Diagnostic MCP
가설 기반 조직진단 엔진을 MCP 서버로 제공합니다. Claude Desktop 같은 MCP 클라이언트에 연결하면, 대화로 자료를 입력하고 정형화된 진단 결과(JSON)와 대시보드(HTML)를 받을 수 있습니다.
모든 계산은 사용자 PC에서 이뤄지며, 입력한 인사·재무 자료는 외부로 전송되지 않습니다. 별도 API 키는 필요하지 않습니다.
상태: v0.1 (1단계). 모든 결과는 AI 초안이며, 최종 판정은 전문가 검토(
record_review)로 확정합니다.
진단 구조
계층 | 질문 | 방법 |
1. 성장·조직 상태 | 사업 성장단계에 조직 운영체계가 정합한가 | 15개 계량지표, 코호트 벤치마크, 8D 영역별 판정, 정합성 판정 |
2. 가설 기반 원인 | 관찰된 현상의 원인은 무엇인가 | 14개 패턴·62개 경쟁가설, 베이지안 갱신 + 몬테카를로 |
3. 의사결정·성과 | 무엇을 하고, 효과가 있었는가 | 개선과제 후보, 3·6·12·24개월 성과 기록 |
설계 원칙
지표가 기대범위를 벗어나도 판정이 아니라 관찰 사실로만 사용합니다.
8D 영역 점수를 평균하지 않습니다. 영역 간 단계가 2단계 이상 벌어지면 '혼재'로 두고 정합성은 '평가 보류'입니다.
가설 판정은 확률 하나가 아니라 분포(5·50·95 백분위) 로 냅니다. 분포 폭이 신뢰도가 됩니다.
가설 검증 전에는 조직개편·인력충원을 권고하지 않습니다. 실행 과제는 '전문가 검토로 원인 확정 시' 조건부입니다.
화면과 보고서에는 코드(B3, P07-H04) 대신 한국어 표준 용어만 씁니다. 코드는 데이터에 함께 보관합니다.
Related MCP server: PeopleLens
설치
Python 3.10 이상이 필요합니다.
pip install "pathway-diagnostic-mcp[benchmark] @ git+https://github.com/isyoon41/pathway-diagnostic-mcp"
# 또는 소스에서
pip install -e ".[benchmark]"[benchmark]는 CatBoost 벤치마크 모델을 쓸 때만 필요합니다. 없으면 카탈로그의 코호트 표를 사용합니다.
Claude Desktop 연결
claude_desktop_config.json에 추가합니다.
{
"mcpServers": {
"pathway-diagnostic": {
"command": "pathway-diagnostic-mcp",
"env": {
"PATHWAY_DB": "~/.pathway-diagnostic/diagnostic.db"
}
}
}
}환경변수 | 용도 | 기본값 |
| 사례·전문가 검토·성과 기록 DB |
|
| 학습된 CatBoost 벤치마크 모델 폴더 |
|
| 비공개 카탈로그(증거 적합도·벤치마크 표 등) 폴더. 같은 이름 파일로 덮어씀 | 없음 |
사용 흐름
대화창에서 "이 회사 조직진단 해 줘"로 시작하면 Claude가 아래 순서로 도구를 호출하며 필요한 자료를 요청합니다.
순서 | 도구 | 하는 일 |
1 |
| 입력 양식 안내 |
2 |
| 15개 지표 산출. 자료가 없는 지표는 '평가 보류'와 이유 |
3 |
| 동종 코호트 기대범위(P10·P50·P90)와 위치, 주요 요인 |
4 |
| 사업·조직 단계, 8D 영역 판정, 정합성과 신뢰도 |
5 |
| 검토할 진단 패턴 후보 |
6 |
| 패턴별 경쟁가설 사후확률 분포·판정 상태·지지/반박 근거 |
7 |
| 판정을 가장 크게 바꿀 추가 증거(인터뷰·자료요청 목록) |
8 |
| 개선과제 후보와 성과 점검 시점 |
9 |
| 진단 결과 JSON + 오프라인 HTML 대시보드 |
10 |
| 사례 저장, 전문가 확정, 성과 추적 |
get_catalog로 패턴·가설·지표·증거 라이브러리·용어집·판정 기준을 조회할 수 있습니다.
정형 시작점 (MCP 프롬프트)
진단을 같은 순서로 시작할 수 있도록 프롬프트 4개를 제공합니다. Claude 데스크톱에서는 입력창의 + 메뉴, Claude Code에서는 /mcp__pathway-diagnostic__<이름>으로 부릅니다.
이름 | 제목 | 하는 일 | 입력값 |
| 조직진단 시작 | 자료 요청부터 보고서까지 전체 진단을 단계별로 진행 | 회사명, 산업 (선택) |
| 원인 가설 판정 | 인터뷰 메모를 증거로 분류해 한 패턴의 경쟁가설 판정 | 패턴 코드, 메모 |
| 다음 인터뷰 설계 | 판정을 가장 빨리 정리할 질문과 자료 요청 목록 작성 | 패턴 코드, 인터뷰 대상 |
| 전문가 판정 확정 | 저장된 사례에 전문가 판정과 성과 기록 | 사례 ID (선택) |
입력 자료
자료 | 형식 | 필수 |
인원 명단 | CSV: | 권장 |
재무 | 매출·전기 매출·영업이익·핵심 인건비(억원) | 권장 |
의사결정 기록 | CSV: | 선택 |
마일스톤 | CSV: | 선택 |
8D 영역 판단 | 영역별 조직단계·판정·신뢰도·근거 메모 | 정합성 판정 시 |
정성 관찰 | 인터뷰 메모 → 증거 ID·관찰 여부(present/absent)·근거 유형(FACT/ANALYSIS/STATEMENT) | 가설 판정 시 |
이름·주민번호 등 개인 식별정보는 넣지 마십시오. employee_id는 임의 코드로 충분합니다.
결과물
build_report는 ~/PathwayDiagnostic/reports/에 두 파일을 만듭니다.
<회사>_<기준일>_diagnosis.json— 결과 스키마 v1.0:summary,metrics,d8,hypotheses,sensitivity,actions6개 묶음 +meta,details<회사>_<기준일>_dashboard.html— 인터넷 없이 열리는 1페이지 대시보드 (요약, 성장단계 매트릭스, 8D, 지표 벤치마크, 가설 판정, 추가 증거, 개선 로드맵)
샘플 실행
python examples/run_sample.py # 가상의 '샘플 정밀부품 제조사 A'로 전체 흐름 실행
pytest # 단위 테스트 + MCP 프로토콜 종단 테스트벤치마크 모델 학습 (CatBoost)
기업 단위 CSV(한 행 = 한 기업·한 회계연도)로 지표별 분위수 회귀 모델을 학습합니다.
python scripts/train_benchmark.py companies.csv \
--targets REVENUE_PER_FTE,CORE_PEOPLE_COST_RATIO,HC_GROWTH \
--features industry,listed,employees,company_age,revenue,revenue_growth \
--cat industry,listed모델이 있으면 서버가 자동으로 사용하고, 지표별 SHAP 상위 요인을 함께 돌려줍니다. 모델이 없으면 카탈로그의 코호트 표를 쓰며, 결과에 uses_sample_benchmark로 표시합니다.
카탈로그와 공개 범위
파일 | 내용 | 공개 버전 |
| 14개 패턴·62개 가설·8D 매핑 | 전체 |
| 15개 지표 정의(산식 v1.1) | 전체 |
| 한국어 표준 용어집 | 전체 |
| 스크리닝·판정 기준·과제 템플릿 | 기본값 |
| 증거별 가설 적합도 | P07·P11 초안만 |
| 코호트 기대범위 표 | 가상 샘플 |
나머지 패턴의 증거 적합도와 실제 벤치마크는 PATHWAY_CATALOG_DIR로 연결하는 비공개 카탈로그에서 제공하는 구조입니다.
알려진 한계
증거 적합도, 상태 판정 기준, 신뢰도 기준은 전문가 초안 값이며 실증 검증 전입니다.
공개 버전의 가설 판정은 P07·P11에서만 동작합니다. 다른 패턴은 비공개 카탈로그가 필요합니다.
사업 성장단계(B1~B4)의 증거 충족 기준이 확정되지 않아, 현재는 전문가가 입력한 단계를 사용합니다.
8D–패턴 매핑은 재구성안이며 공식 매핑표 확인이 필요합니다.
라이선스
Copyright 2026 isyoon41
Apache License 2.0. 상업적 사용·수정·재배포가 가능하며, 재배포 시 라이선스 사본과 변경 사실을 함께 고지해야 합니다.
비공개 카탈로그(PATHWAY_CATALOG_DIR로 연결하는 증거 적합도·벤치마크)는 이 저장소에 포함되지 않으며 이 라이선스의 적용 대상이 아닙니다.
Available Tools
14 toolsassess_hypothesesA
한 패턴의 경쟁가설을 베이지안 갱신 + 몬테카를로로 판정합니다. observations: [{evidence_id, state: present|absent, basis: FACT|ANALYSIS|STATEMENT, reliability(0.5~1, 선택), note}] — evidence_id는 get_catalog('evidence')에서 확인. 지표·단계 연동 증거는 benchmark·stage_gap으로 자동 판정. 반환: 가설별 사후확률 분포(5·50·95 백분위), 판정 상태, 지지·반박 근거, 신뢰도.
Inputs: pattern (required), priors, benchmark, n_samples, +2 more.
assess_stageB
성장단계 정합성 판정. b_stage: B1B4(사업 성장단계, 판단 근거는 b_basis에).
domains: 8D 영역별 [{code:D01D08, o_stage:O1~O4, status:ASSESSED|TRANSITION|CONFLICTING|NOT_ASSESSED,
confidence:HIGH|MEDIUM|LOW|INSUFFICIENT, note}]. 영역 점수를 평균하지 않습니다.
Inputs: b_stage (required), domains (required), b_basis.
benchmark_metricsA
지표별 동종 코호트 기대범위(P10·P50·P90)와 위치를 계산합니다. 학습된 CatBoost 모델이 있으면 분위수 회귀와 SHAP 요인을, 없으면 카탈로그 코호트 표를 씁니다(샘플 표 사용 여부를 함께 반환). metrics: compute_metrics 결과의 metrics 목록. company_features: 산업·매출·인원·업력 등.
Inputs: metrics (required), cohort, company_features.
build_reportC
정형 결과물을 만듭니다: 진단 결과 JSON(스키마 v1.0)과 오프라인 HTML 대시보드 파일. 반환값의 files.dashboard 경로를 사용자에게 알려 주십시오.
Inputs: stage (required), actions (required), company (required), industry (required), +6 more.
compute_metricsB
15개 계량지표를 계산합니다. *_csv 인자는 파일 경로 또는 CSV 텍스트. 값이 없는 지표는 '평가 보류'와 이유를 반환합니다.
Inputs: period_end (required), period_start (required), financials, roster_csv, +2 more.
get_caseA
case_id가 있으면 사례 상세(결과·전문가 검토·성과)를, 없으면 최근 사례 목록을 돌려줍니다.
Inputs: case_id.
get_catalogA
카탈로그 조회. section: patterns(14개 패턴·62개 가설·8D) | metrics(15개 지표) | evidence(증거 적합도 라이브러리) | terms(한국어 용어집) | rules(스크리닝·판정 기준).
Inputs: section.
get_input_templatesB
입력 자료 양식(인원 명단 CSV, 재무, 의사결정 기록, 마일스톤)과 작성 규칙을 돌려줍니다.
Inputs: no named parameters.
next_best_evidenceB
아직 확보하지 않은 증거 중 가설 판정을 가장 크게 바꿀 증거를 순위대로 돌려줍니다 (기대 정보이득, 불리·유리 시 대상 가설 확률). 인터뷰 질문·자료 요청 목록으로 활용합니다.
Inputs: pattern (required), target, benchmark, stage_gap, +1 more.
recommend_actionsB
가설 판정 결과로 개선과제 후보(검증·개선·구축·모니터링·유지 등)와 3·6·12·24개월 점검 시점을 만듭니다. 검증 전 실행 과제는 '전문가 검토로 원인 확정 시' 조건부로 표시됩니다.
Inputs: hypothesis_results (required), strengths, next_evidence.
record_outcomeC
개선과제의 3·6·12·24개월 성과를 기록합니다. result: IMPROVED|NO_CHANGE|WORSENED|INCONCLUSIVE.
Inputs: month (required), result (required), case_id (required), action_id (required), +3 more.
record_reviewC
전문가 판단을 기록합니다. target: 가설 ID(P07-H04)·ALIGNMENT·8D 코드(D03) 등. AI 초안과 최종 판단을 분리 보관하며, 누적 기록은 향후 학습 데이터가 됩니다.
Inputs: target (required), case_id (required), reviewer (required), rationale (required), +2 more.
save_caseB
build_report가 만든 진단 결과 JSON 파일을 로컬 사례 DB에 저장하고 case_id를 돌려줍니다.
Inputs: diagnosis_json_path (required).
screen_patternsB
P01~P14 중 검토할 패턴 후보를 찾습니다. benchmark: benchmark_metrics 결과. stage_gap: assess_stage 결과의 stage_gap. observation_tags: rules의 tags 값(예: management_lag).
Inputs: benchmark, stage_gap, observation_tags.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 14 tools
The tools follow a clear diagnostic pipeline (templates -> metrics -> benchmark -> stage -> patterns -> hypotheses -> evidence -> actions -> report), so most purposes are distinct. Minor overlap exists between case-management tools (save_case, get_case) and content-lookup tools (get_catalog, get_input_templates), and build_report vs save_case could be momentarily confused since one produces the JSON the other stores.
Nearly all tools use a consistent snake_case verb_noun pattern (save_case, compute_metrics, assess_stage, recommend_actions, record_review). The lone outlier is next_best_evidence, a noun phrase rather than an action verb, which is a small but noticeable deviation.
14 tools is well within the ideal range and each maps to a distinct stage of the diagnostic workflow. No tool feels redundant or padded given the multi-phase scope.
The surface covers the full diagnostic lifecycle from input templates through metrics, benchmarking, hypothesis assessment, action recommendations, reporting, and outcome tracking, with both read and write for cases. Only minor gaps (no explicit case update/delete or bulk case operations) keep it from full marks.
Maintenance
Related MCP Connectors
Free executive fitness diagnostic. Finds the primary performance lever.
Build and run your business with a conversation. Invite-only alpha.
Ask your website analytics in plain language and set up funnels, features and dashboards.
Ask about revenue, MRR, ad spend, LTV and CAC; install the Pulse SDK. Read-only.
Related MCP Servers
- AlicenseAqualityBmaintenanceProvides AI coding agents with structured, evidence-based diagnostics about the local development environment, detecting tech stack, runtime mismatches, dependency state, services, ports, and Git status without exposing secrets or using network calls.10Apache 2.0
- FlicenseNot gradedqualityBmaintenanceEnables natural-language querying of governed, certified People Analytics KPIs over heterogeneous HR data while enforcing data quality, mapping, lineage, and exception rules, including knowing when not to answer.-
- AlicenseBqualityCmaintenanceEnables read-only, stack-aware diagnostics for microservices on Kubernetes, turning debugging runbooks into conversational tools that investigate slow requests, changes, leaks, and in-pod conditions without exposing cluster credentials.57Apache 2.0
- AlicenseAqualityBmaintenanceEnables AI clients to assess infrastructure-as-code deployment risk, generate incident response runbooks, review CI/CD delivery readiness, and calculate SLO error budgets through structured advisory tools. Runs locally over stdio without cloud credentials or external API calls, returning guidance for platform work, pull request review, and production readiness checks.12119 npmMIT