kaigo_mcp

MCP-сервер, который публикует данные о спросе и предложении в японском уходе за пожилыми как инструмент, доступный ИИ-агентам.

При подключении из Claude Code или Claude Desktop можно получить ответ на вопрос «достаточно ли в этом городе домов престарелых специального типа» на основе открытых данных.

Статус: Phase 1 (сам сервер) работает. Сам агент и eval не начаты.

Что это делает

MCP (Model Context Protocol) — это стандарт для наделения LLM инструментами. Этот репозиторий создаёт сторону инструментов и не содержит саму LLM. Сам по себе сервер не вызывает никаких API и не порождает расходов.

[考える側]                    [このリポジトリ]
Claude Code / 自作エージェント  ←stdio→  kaigo-gap サーバー
「どの道具を使うか」を判断              呼ばれたらデータを返す

Инструменты

Основной показатель — число мест в домах престарелых специального типа на 100 человек с установленной степенью ухода 3 и выше (по стране 24,6; медиана 26,7). Определение и источники находятся на стороне kaigo_gap_analysis.

Агрегация здесь не выполняется

Данные выгружаются в варианте 4 (kaigo_gap_analysis) скриптом export_web.py, и здесь используется та же копия insurers.json, которую раздаёт публичная панель. Деление здесь заново не переписывается.

Если определение показателя хранится в двух местах, то при расхождении ответа агента и цифр на панели невозможно определить, какой из них правильный. dataset.py из варианта 4 написан по принципу «определение — в одном месте», и этот принцип соблюдается и здесь. Обновление — через python scripts/sync_data.py.

Что учитывалось при проектировании инструментов

По одним цифрам судить нельзя. Если передать «12,4», LLM не поймёт, много это или мало, поэтому в ответ включаются общенациональный рейтинг и общенациональное значение в описании инструмента.

Одноимённые муниципалитеты не сводятся к одному. «Футю» есть и в Токио, и в префектуре Хиросима. Возвращаются оба кандидата, а уточнение оставляется вызывающей стороне.

Ноль мест в домах престарелых специального типа не должен читаться как «худший в стране». Таких страховщиков 90, и все они оказываются на первом месте с одинаковым результатом. Обязательно прилагается число совпадающих, а также примечание: «в малых муниципалитетах это не редкость, и жители часто пользуются учреждениями соседних муниципалитетов». Без этого из результата rank_insurers можно сделать ошибочный вывод, что «Синго — худший регион страны».

Если не встроить предметные знания в ответы инструментов, то при каждой смене вызывающей модели будет повторяться одно и то же неверное прочтение. Именно поэтому они помещаются на сторону инструментов, а не в промпт.

Использование

pip install -r requirements.txt
python scripts/sync_data.py     # 案4からデータを取り込む
python scripts/smoke_test.py    # 通信の疎通確認

Чтобы использовать из Claude Code, достаточно запустить в этом каталоге — тогда будет прочитан .mcp.json. Настройки для регистрации в других клиентах:

{
  "mcpServers": {
    "kaigo-gap": {
      "command": "python",
      "args": ["-m", "kaigo_mcp"],
      "cwd": "C:\projects\kaigo_mcp"
    }
  }
}

Агент (Phase 2 · до подтверждения работы)

python -m kaigo_mcp.agent --list
python -m kaigo_mcp.agent "尼崎市は特養が足りてる？" --verbose

Инструменты вызываются через MCP-сервер (функции напрямую не импортируются). Если обойтись импортом, это не будет прохождением через MCP, и утверждение «мы создали MCP-сервер» не будет проверено.

4 сравниваемые колонки

B и C выровнены по одной линейке Qwen. Тогда разница B→C читается как «эффект только размера модели», C→D — как «разница семейств моделей», а A→B — как «эффект железа и поколения».

Пишется только один цикл. Если для одной стороны использовать SDK-раннер инструментов, а для другой — рукописный, то разницу между колонками нельзя будет отделить от разницы в реализации цикла. Бэкенд отвечает только за преобразование истории.

Фактические замеры (колонки A и B)

По 6 запусков, замер скриптом python scripts/probe_tool_calling.py.

Необходимость температуры 0 была особенностью именно 7B

У qwen2.5:7b при температуре по умолчанию повреждается открывающий тег <tool_call> (в начале появляется несколько символов вроде olith, pering), парсер ollama не распознаёт его, и вызов просачивается в текст ответа. Признак — остаётся только закрывающий тег </tool_call>. При температуре 0 это исчезает.

У qwen3.5:9b даже при температуре по умолчанию 6/6. Это повреждение — не общая проблема локального запуска, а особенность поколения и размера именно этой модели.

Гораздо больше разница в «следовании инструкции»

В системном промпте указано: «перед ответом проверить общенациональное базовое значение через get_national_baseline». 9B следует этому в 6/6 случаев, 7B не последовал ни разу — 0/6. При этом 9B вызывает два инструмента параллельно за один шаг.

7B смог дать правильный ответ, потому что подхватил общенациональное значение (24,6), встроенное в описание инструмента, но предписанную процедуру не выполнил. Разница не в стабильности, а в следовании инструкции, и она будет тем заметнее, чем больше инструментов.

Ограничения этого сравнения

В A→B одновременно меняются и железо, и поколение модели, поэтому нельзя отделить, чем вызвано улучшение — GPU или 9B. Для разделения нужно запустить qwen2.5:7b и на GPU-машине (бесплатно, несколько минут).

Секунды также искажаются первой загрузкой модели, которая поднимает среднее. В фактических замерах колонки A было 102,6 с в первый раз и 7,6 с в последующие (среднее 23,4 с). Скрипт исправлен так, чтобы выводить медиану и первый запуск отдельно, но значения колонки B получены старым скриптом, поэтому нужен повторный замер.

Дальнейшие планы

• Повторный замер колонки B (переснять секунды улучшенным скриптом)

• Запустить qwen2.5:7b на GPU-машине и разделить эффекты железа и поколения модели

• Колонки C и D не выполнялись (поскольку это платно, только один раз, когда колонки будут готовы)

• Phase 3: сам eval (доля правильных ответов и доля завершённых прогонов при нескольких вопросах × нескольких запусках)

Связанное

• kaigo_matching — структурное извлечение записей по уходу (вариант 1)

• kaigo_gap_analysis — анализ разрыва спроса и предложения по страховщикам (вариант 4 · источник этих данных)