ATEX AI Service Marketplace
Provides an OpenAI-compatible endpoint for accessing models like GPT-4o through the ATEX gateway.
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., "@ATEX AI Service MarketplaceDetect prohibited keywords in '全网最低价' on Douyin"
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.
真测 Realcast
合规版积分预测社区(类 Manifold × Good Judgment Open × Kalshi 信息呈现)。 FastAPI + SQLite,积分只送不卖 / 不可流通 / 不可回兑 / 彻底去加密,合规优先。
合规红线(贯穿全系统,不可破)
积分只送不卖(禁人民币买积分)
积分不可用户间流通
积分不可回兑现金(商城单向换实物/虚拟权益)
彻底去加密货币
结算用「平台奖励池」替代「赢家通吃输家筹码」,规避赌博三要素
台港澳属中国,不得当外国政治;国外政治仅大选季引流且需人工复核
数据出售必须匿名化(PIPL)
人工兜底(广告审核 / 敏感选题 / 群体投诉 / Oracle 冲突)
Related MCP server: Outsource MCP
部署
见 deploy/:Dockerfile / docker-compose.yml / nginx.conf / .env.example /
realcast.service(systemd) / backup.sh(热备) / healthcheck.sh / 部署运维手册.md。
cd deploy && cp .env.example .env # 填 ADMIN_TOKEN / CORS_ORIGINS
docker compose up -d --buildRailway(海外部署,绕过 ICP 备案)
Railway 提供持久化卷,SQLite 可直接用,无需改 Postgres。配置文件已就绪:
railway.json + deploy/Dockerfile.railway(构建上下文为仓库根目录,与
deploy/Dockerfile 不同,别混用)。
控制台操作步骤:
New Project → Deploy from GitHub Repo,选本仓库
Settings → Volumes → Add Volume,挂载路径填
/data(不挂卷 = 容器每次重建数据归零;库目录不存在时应用会拒绝启动并打印排查提示)Variables 里设置:
变量
值
说明
ADMIN_TOKEN长随机串(≥32 位)
运营后台/审核/结算必填
CORS_ORIGINS你的 Railway 域名
不要留
*DB_PATH/data/platform.db镜像已默认,与卷挂载点对应
APP_TZ8(国内)/0(UTC)决定「今天是哪一天」的边界
UVICORN_WORKERS1不可 >1,原因见下
SEED_ON_BOOT0演示环境可设
1自动播种(幂等)REDIS_URL可选
配了才能安全扩容到多 worker
部署后访问
https://<你的域名>/api/health,确认status=ok
为什么 UVICORN_WORKERS 必须是 1:未配 REDIS_URL 时实时广播走进程内
MemoryBackplane(app/core/backplane.py),一个 worker 就是一个独立广播域。
worker > 1 时,A 进程的市场状态变更推不到连在 B 进程上的客户端,不同用户看到的
概率会不一致。要扩容必须先配 REDIS_URL 切到 RedisBackplane,并建议同时迁 Postgres。
为什么 overlapSeconds = 0:Railway 默认在新旧容器间做短暂重叠实现零停机,
但重叠窗口内两个进程会同时写同一个 SQLite 文件,轻则锁竞争、重则损坏数据。
设为 0 = 先停旧再起新,代价是每次部署几秒中断。
质量门禁
cd app && python tests/smoke.py --fresh # 期望 123/123 全绿
cd app && python tests/uat_customer.py # 期望 90/90 全绿提示:本机若设了
HTTP_PROXY,测试脚本访问127.0.0.1会被代理拦截(表现为 502), 运行时请加env -u HTTP_PROXY -u HTTPS_PROXY -u http_proxy -u https_proxy清除。
安全边界(CSP nonce)
script-src(v0.7.1 起)与 style-src(v0.7.5 起)均已去掉 'unsafe-inline',
改为每请求生成的一次性 nonce。nonce 只能由后端在渲染 HTML 时注入,因此:
SPA 首页必须由 FastAPI 渲染下发(
_render_index),不能由 nginx 等静态托管;CSP 头只能由应用层下发,nginx 不得重复下发(见
deploy/nginx.conf文件头说明)。
市场类型
分类市场(categorical,默认):离散选项。LMSR 真实份额定价(份额≠投注额)+ 声誉加权共识概率,按份额结算。
数值市场(numeric,v0.7.8 新增,借鉴 Metaculus 连续型问题):预测区间内的一个数值,并可声明不确定性
sigma。共识 = 声誉加权的均值 / 中位数 / 离散度(与分类市场「声誉加权」同构,抑制免费积分下的噪声)。
结算用 CRPS(连续分级概率评分)——严格适当评分规则,期望最优仅在如实报出真实分布时取得, 因此同时奖励「准」与「不确定性诚实」,瞎报极窄区间会被重罚。正态分布下有闭式解,零开销。
真实值不做区间裁剪:现实结果可能落在申报区间外,强行裁剪会扭曲评分,越界只导致技能分被裁为 0。
合规:与分类市场同出一源(平台奖励池),赔付下限 1× 本金——预测得再差也不倒扣,不涉及用户间资金流转。
技能评级(v0.7.9,不确定性感知)
排行榜分两类:积分榜(sort=points,默认,反映活跃度)与技能榜(sort=skill)。
技能榜不按单点分排序,而按 Glicko-2 的保守下界 skill_rating - 1.96 × skill_rd:
skill_rd(评分偏差)直接量化「我们对这个人有多不确定」。下注越多 RD 越小; 长期不下注 RD 会回升(见rating.rd_decay)。为什么用下界:裸命中率
correct/resolved在样本极小时噪声极大——新用户下 2 注 全中就是 100% 直冲榜首,样本一多又暴跌。用区间下沿后,低样本用户自然排后面, 真实水平随样本积累才浮上来。命中率另给 Wilson 置信下界(accuracy_conservative)。市场内两两成对比较(Bradley-Terry 系思路),得分基于严格评分的相对份额
s_ij = score_j / (score_i + score_j),满足s_ij + s_ji = 1:一场比较零和, 不会凭空造分,且比「谁押中谁赢 1 分」保留了幅度与校准信息。样本不足(已结算 < 8 场)或久未参与的用户标
provisional: true,?ranked_only=1可只看正式榜位。
为什么不用 Brier 直接评 prob_at_bet:prob_at_bet 是下注时的市场价格(群体
共识),不是用户自报的信念。拿 Brier 评它,评的是「群体共识准不准」,会出现
「押中 50% 热门(0.25) 输给 未中 40% 冷门(0.16)」的反向结论。改用「跑赢共识」的
标准化技能分 (y - p) / sqrt(p(1-p)) 后方向才正:逆势押中 +2.0 > 从众押中 +0.5 >
0 > 冷门未中 −0.5 > 热门翻车 −2.0。
外部概率参考(v0.7.9,只读)
EXTERNAL_REF_ENDPOINT 配置后,可拉取外部公开市场的概率作为参考水位,用于
冷启动播种、「群体预测 vs 外部共识」偏差分析、以及校验自有 Oracle 的合理性。
合规隔离(硬约束,改动前必读):
只做 HTTP GET 拉取,不做下单、不接交易/结算接口、不涉加密或法币资金流。
结果只写入
markets.external_ref_prob / external_ref_json,绝不参与结算—— 结算只读oracle_log与自有权威源。smoke 测试有代码级断言守护这条边界 (结算/Oracle 路径出现external_ref即失败)。未配置环境变量时模块整体停用,返回
enabled=false,绝不伪造参考值。
上线硬性前提(未满足不得公开运营)
服务器 ICP 备案(腾讯云)
律所合规意见书
This server cannot be deployed
Maintenance
Related MCP Connectors
MCP server for building and testing AI agents with multi-model experimentation and insights.
MCP server unifying ERPs, CRMs, APIs and knowledge base for Claude, ChatGPT and Gemini.
Remote MCP server for China brand visibility, destination demand, and KOL discovery workflows.
MCP server for querying and analyzing data from ad platforms, analytics tools, and spreadsheets
Related MCP Servers
- FlicenseNot gradedqualityDmaintenanceMCP server that enables AI assistants to perform SEO automation tasks including keyword research, SERP analysis, and competitor analysis through Google Ads API integration.1-
- AlicenseAqualityDmaintenanceAn MCP server that enables AI applications to access 20+ model providers (including OpenAI, Anthropic, Google) through a unified interface for text and image generation.230MIT
- FlicenseAqualityNot gradedmaintenanceAn MCP server for interacting with Saptiva AI's suite of models, offering capabilities such as chat completions, chain-of-thought reasoning, and OCR. It enables users to generate semantic embeddings, access specialized prompts, and manage AI-driven workflows through a standardized interface.7-

Markifact MCP Serverofficial
AlicenseNot gradedqualityCmaintenanceA universal marketing MCP server that lets AI clients manage 20+ ad and marketing platforms (Google Ads, Meta, TikTok, etc.) with 500+ operations, including write actions with user approval.48MIT