MadMando
服务介绍
自主分析师
🧠 概述
自主分析师是一个本地的、具有代理功能的人工智能流水线，它能够：
- 分析表格数据
- 使用马氏距离检测异常
- 利用本地大语言模型（通过 Ollama 的 llama3.2:1b）生成解释性摘要
- 将结果记录到 ChromaDB 中以便语义检索
- 完全通过模型上下文协议 (MCP) 进行编排
⚙️ 功能特性
| 组件 | 描述 |
|---|---|
| FastAPI Web UI | 友好的仪表板，支持合成或上传的数据集 |
| MCP 工具编排 | 每个处理步骤都作为可调用的 MCP 工具暴露出来 |
| 异常检测 | 基于马氏距离的离群点检测 |
| 可视化输出 | 保存内点与离群点的散点图 |
| 本地 LLM 摘要 | 使用 llama3.2:1b 通过 Ollama 生成见解 |
| 向量存储日志 | 摘要被存储在 ChromaDB 中以实现持久记忆 |
| 代理规划工具 | 一个专门的大语言模型工具 (autonomous_plan) 根据数据集上下文确定下一步操作 |
| 代理流程 | 大语言模型 + 记忆 + 工具使用 + 自动推理 + 上下文感知 |
🧪 通过 MCP 定义的工具
| 工具名称 | 描述 | 使用的 LLM |
|---|---|---|
generate_data |
创建合成表格数据（高斯分布 + 类别型） | ❌ |
analyze_outliers |
使用马氏距离标记行 | ❌ |
plot_results |
保存可视化内点与离群点的图表 | ❌ |
summarize_results |
使用 llama3.2:1b 解释和说明离群点分布 |
✅ |
summarize_data_stats |
使用 llama3.2:1b 描述数据集趋势 |
✅ |
log_results_to_vector_store |
将摘要存储到 ChromaDB 以供将来参考 | ❌ |
search_logs |
使用向量搜索检索相关的历史会话（可选使用 LLM） | ⚠️ |
autonomous_plan |
运行整个流水线，使用 LLM 自动推荐下一步操作 | ✅ |
🤖 代理能力
- 自主性: 通过
autonomous_plan由 LLM 引导执行路径选择 - 工具使用: 通过 LLM 推理动态调用已注册的 MCP 工具
- 推理: 根据数据集条件和异常分析生成技术见解- 内存: 使用ChromaDB向量搜索进行知识的持久化和召回
- 大语言模型 (LLM): 由Ollama提供支持，使用
llama3.2:1b（温度 = 0.1, 确定性）
🚀 开始
1. 克隆并设置
bash
git clone https://github.com/MadMando/mcp-autonomous-analyst.git
cd mcp-autonomous-analyst
conda create -n mcp-agentic python=3.11 -y
conda activate mcp-agentic
pip install uv
uv pip install -r requirements.txt
2. 启动MCP服务器
bash
mcp run server.py --transport streamable-http
3. 启动Web仪表板
bash
uvicorn web:app --reload --port 8001
然后访问: http://localhost:8000
🌐 仪表板流程
- 步骤1: 上传您自己的数据集或点击
生成合成数据 - 步骤2: 系统对
feature_1与feature_2执行异常检测 - 步骤3: 生成离群点的可视化图表
- 步骤4: 通过大语言模型创建摘要
- 步骤5: 结果可选择性地记录到向量存储中以便召回
📁 项目布局
📦 autonomous-analyst/
├── server.py # MCP服务器
├── web.py # FastAPI + MCP客户端（前端逻辑）
├── tools/
│ ├── synthetic_data.py
│ ├── outlier_detection.py
│ ├── plotter.py
│ ├── summarizer.py
│ ├── vector_store.py
├── static/ # 保存的图表
├── data/ # 上传或生成的数据集
├── requirements.txt
├── .gitignore
└── README.md
📚 技术栈
- MCP SDK:
mcp - 大语言模型推理: Ollama 运行
llama3.2:1b - UI服务器: FastAPI + Uvicorn
- 内存: ChromaDB向量数据库
- 数据处理:
pandas,matplotlib,scikit-learn
✅ .gitignore 添加项
pycache/
*.pyc
*.pkl
.env
static/
data/
🙌 致谢
没有开源社区的杰出工作，这个项目是不可能实现的。特别感谢：
| 工具/库 | 用途 | 仓库 |
|---|---|---|
| 🧠 Model Context Protocol (MCP) | 代理工具编排与执行 | modelcontextprotocol/python-sdk |
| 💬 Ollama | 本地大语言模型推理引擎 (llama3.2:1b) |
ollama/ollama |
| 🔍 ChromaDB | 用于日志记录和检索的向量数据库 | chroma-core/chroma |
| 🌐 FastAPI | 交互式、快速的Web界面 | tiangolo/fastapi |
| ⚡ Uvicorn | 支持FastAPI后端的ASGI服务器 | encode/uvicorn |
💡 如果您使用此项目，请考虑为使其成为可能的上游工具点赞或贡献。
此仓库是在使用llama3.2:1b的本地rag-llm的帮助下创建的。
