多因子智能分析器———融合模糊数学与多属性决策的MCP服务

基于 Model Context Protocol (MCP) 的多因子综合智能数据分析工具，提供数据上传、字段分析、极性调整、隶属度计算、多准则算法、综合评定和内存资源管理功能。

🏆 项目状态

✅ MVP阶段功能完整验证通过 - 所有核心功能已实现并经过充分测试，当前为内存模式MVP版本
版本：v0.9.0-MVP
状态：生产就绪 - 内存模式，功能完整
最后更新：2025年10月

Cherry Studio 配置方法

将以下JSON配置添加到CherryStudio的MCP服务器设置中：

{
  "mcpServers": {
    "duoyinzi-mcp": {
      "command": "uv",
      "args": [
        "--directory",
        "/absolute/path/to/duoyinzi_MCP",
        "run",
        "main.py"
      ]
    }
  }
}

📋 核心功能

✅ 数据上传与解析（已完成）

• 支持 CSV/Excel 格式文件上传
• 自动检测文件格式和编码
• 基础文件信息展示（行数、列数、字段名）
• 内存缓存：上传数据自动保存到内存缓存（MVP阶段特性）

✅ 智能字段分析（已完成）

• 数值字段分析：基本统计、分布特征、数据质量
• 分类字段分析：频率分析、熵值计算、多样性评估
• 极性自动识别：自动判断字段极性（极大型/极小型指标）
• 数据质量评估：缺失值分析、异常值检测

✅ 极性调整系统（已完成）

• 字段极性智能检测：自动触发极性检测，LLM引导评估字段极性类型
• 极性调整工具：支持手动确认字段极性，应用极性调整配置
• 数值转换：对"越大越好"字段自动进行取倒数转换，确保所有字段极性一致
• 调整报告：生成详细的极性调整报告和隶属度规则描述

✅ 隶属度计算（已完成）

• 下界型隶属度函数：基于数学公式实现，支持多级别隶属度计算
• 配置验证：自动检查配置格式和参数有效性
• 矩阵生成：完整的隶属度矩阵计算结果
• 持久化存储：计算结果自动保存为内存资源（MVP阶段特性）

✅ 多准则计算（已完成）

• TOPSIS综合评价算法：基于逼近理想解排序法，支持多维度决策分析
• VIKOR折衷排序算法：实现多准则妥协解排序方法，提供折衷解决方案
• 权重配置支持：支持自定义权重分配，适应不同业务场景需求
• 结果可视化：生成详细的综合评价报告和排序结果
• 算法验证模式：支持论文数据验证，确保算法准确性
• 内存缓存优化：计算结果自动缓存，支持快速查询和导出

✅ 等级综合评定（已完成）

• 级别特征值计算：基于公式4-32实现综合隶属度向量的加权平均值计算
• 二元语义评定：基于公式4-33实现离散等级划分和符号偏移值计算
• 等级划分算法：支持多级别（默认4级）的精确等级评定
• 评定报告生成：自动生成包含综合隶属度、级别特征值、二元语义和最终等级的详细报告
• 符号偏移分析：提供等级边界的细微差异信息，支持精确决策分析

内存资源系统（MVP阶段已完成）

• 内存缓存基础架构：内存缓存机制实现、资源索引管理、轻量级部署支持
• 自动缓存功能：上传数据自动缓存到内存、计算结果自动保存到内存、资源索引自动维护
• 会话内数据管理：当前会话数据可用性、资源查询和筛选功能、资源导出功能、资源删除功能
• 轻量级部署支持：无需磁盘文件管理、简化部署流程、降低系统复杂度

🏗️ 模块设计

三层架构设计：

• 数据层 (data_layer/)：负责CSV文件解析、字段类型识别、极性检测和数据质量检查
• 算法层 (algorithm_layer/)：实现下界型隶属度函数、TOPSIS多准则决策算法、数据规范化处理
• 交互层 (interaction_layer/)：提供MCP Prompt模板、步骤指导和业务场景建议
  核心组件依赖关系：数据上传 → 字段分析 → 极性调整 → 隶属度计算 → 多准则计算 → 二元语义分割
  内存资源管理（MVP阶段特性）：
• 会话期间数据自动缓存到内存
• 支持资源查询、导出和删除操作
• 重启后数据清除，确保轻量级部署

🚀 技术栈

• MCP 框架: FastMCP + 标准 MCP Server 混合实现
• 数据处理: pandas, numpy, scipy
• 算法实现: 模糊数学、多准则决策、二元语义
• 交互设计: MCP Prompts + 动态资源管理
• 持久化存储: 基于 pickle 序列化 + JSON 索引管理的内存缓存机制（MVP阶段）
• 资源管理: 标准化资源命名 + 依赖链跟踪

📁 项目结构

完整文件结构：

duoyinzi_MCP-main/
├── modules/                    # 核心功能模块（三层架构）
│   ├── data_layer/            # 数据层：文件解析与字段分析
│   │   ├── __init__.py
│   │   ├── file_parser.py    # CSV文件解析器（支持多编码格式）
│   │   └── field_analyzer.py  # 智能字段分析器（自动极性检测）
│   ├── algorithm_layer/       # 算法层：隶属度计算与综合评价
│   │   ├── __init__.py
│   │   ├── membership_functions.py  # 下界型隶属度函数实现
│   │   ├── topsis_comprehensive_evaluation.py  # TOPSIS多准则决策
│   │   └── vikor_comprehensive_evaluation.py  # VIKOR多准则决策
│   └── interaction_layer/     # 交互层：Prompt模板与业务指导
│       ├── __init__.py
│       └── prompt_templates.py  # 步骤指导与业务场景建议模板
├── persistent_resources/       # 内存资源缓存（MVP阶段）
│   └── resource_index.json   # 内存资源索引文件（MVP阶段仅索引）
├── resources/                # 静态资源目录
│   └── sample_data/          # 业务场景示例数据
├── test_resources/           # 测试资源目录
│   └── test_topsis.csv       # TOPSIS算法测试数据
├── main.py                   # MCP服务器主入口文件
├── main_old.py              # 旧版本主文件（备份）
├── pyproject.toml            # 项目配置与依赖管理
├── uv.lock                   # 依赖版本锁定文件
├── README.md                 # 项目使用说明文档
├── MEMORY_STORAGE_SUMMARY.md # 内存存储机制说明
├── MODULE_STRUCTURE.md       # 模块结构说明
├── QUICK_REFERENCE.md        # 快速参考指南
└── 函数分类.md               # 函数分类说明文档

数据层组件：

• file_parser.py - 支持GBK/UTF-8多编码格式的CSV文件解析，自动处理数据类型转换
• field_analyzer.py - 智能分析字段统计特征，自动推荐极性配置（效益型/成本型）

算法层组件：

• membership_functions.py - 实现下界型隶属度函数，支持三级（低/中/高）隶属度计算
• topsis_comprehensive_evaluation.py - TOPSIS多准则决策算法，支持论文数据验证模式
• vikor_comprehensive_evaluation.py - VIKOR多准则决策算法，支持折衷排序方法
• grade_comprehensive_assessment.py - 等级综合评定算法，实现级别特征值计算和二元语义评定

交互层组件：

• prompt_templates.py - 提供分步骤操作指导和业务场景应用建议

主服务器文件：

• main.py - MCP服务器主入口，集成所有功能模块，提供完整的数据处理工作流

内存资源管理（MVP阶段特性）：

• 会话期间数据自动缓存，支持查询/导出/删除操作
• 重启后数据清除，实现轻量级无状态部署
• 资源命名规范：{类型}_{uuid}_{步骤标识}

🛠️ 可用工具列表

基于main.py文件实现的MCP工具函数，提供完整的数据分析工作流支持：

📊 数据上传与解析工具

• upload_csv - 上传CSV文本数据并缓存为资源，自动触发字段极性智能检测
• upload_excel - 上传Excel文件数据并缓存为资源，自动触发字段极性智能检测

🔍 数据管理与查询工具

• list_data_resources - 列出当前缓存的所有数据资源
• list_resources_by_type - 按类型列出资源
• clear_data_cache - 清空数据缓存
• list_persistent_resources - 列出存储中的所有资源，支持按类型筛选
• delete_persistent_resource - 删除指定资源，仅从内存和索引中删除
• get_resource_dependency_chain - 获取资源的依赖链信息，追踪资源生成路径

📈 字段分析与极性配置工具

• analyze_data_fields - 分析数据集的字段特征，包括字段类型识别、统计特征、缺失值分析、数据质量评估和字段极性检测
• apply_polarity_adjustment_tool - 根据极性配置调整数据极性，支持min/max类型字段处理
• generate_membership_config_template - 生成下界型隶属度计算配置模板，基于数据特征自动生成默认3级别参数

🧮 隶属度计算工具

• validate_membership_config - 验证下界型隶属度计算配置，检查参数有效性、字段一致性和级别参数顺序
• calculate_membership_with_config - 使用下界型函数配置执行隶属度计算，生成隶属度矩阵结果

⚖️ 多准则决策工具

• perform_topsis_comprehensive_evaluation - 实现TOPSIS多准则决策分析算法，基于欧氏距离计算相对接近度，支持自定义权重分配
• perform_vikor_comprehensive_evaluation - 使用VIKOR方法进行综合评估计算，实现多准则妥协排序分析

🎯 等级综合评定工具

• perform_grade_comprehensive_assessment - 执行等级综合评定算法，基于TOPSIS结果进行级别特征值计算和二元语义评定，支持多级别等级划分

💾 数据导出工具

• export_resource_to_csv - 将指定资源导出为CSV格式，提供详细的字段解释和下一步行动建议

🔧 辅助工具

• generate_data_quality_summary - 生成数据质量摘要报告
• generate_analysis_summary - 生成分析总结报告

🚀 使用方法

🔄 标准工作流程

MCP智能数据分析工具遵循标准的多准则决策分析流程，包含以下7个核心步骤：

1. 数据上传 - 使用 upload_csv 或 upload_excel 工具上传结构化数据
2. 极性配置 - 使用 apply_polarity_adjustment_tool 统一字段极性（越大越好/越小越好）
3. 隶属度计算 - 使用 calculate_membership_with_config 进行数据模糊化处理
4. 综合评估 - 使用 perform_topsis_comprehensive_evaluation 或 perform_vikor_comprehensive_evaluation 进行多准则决策分析
5. 等级评定 - 使用 perform_grade_comprehensive_assessment 进行等级综合评定，获得业务对象的最终等级划分
6. 结果解读 - 分析评估报告，获取业务洞察和决策建议
7. 数据导出 - 使用 export_resource_to_csv 导出分析结果

📊 核心工具使用指南

数据上传与极性配置

• 支持格式：CSV、Excel等结构化数据格式
• 极性设置：根据业务逻辑设置字段极性（效益型指标设为"越大越好"，成本型指标设为"越小越好"）
• 自动缓存：上传数据自动保存为内存资源，支持会话内复用

数据示例
用户可以直接在对话中粘贴csv格式的数据或上传excel文件：

业务对象,f1（超量库存/倍）,f2（库存呆滞/天）,f3（超量采购/倍）,f4（运营年限/年）
T1,16.92,160.17,70.53,3.5
T2,0,86.91,0,6.0
T3,0,0,0,5.5
T4,2.0,507.12,1.0,6.5
T5,20.0,618.24,41.63,8.5
T6,0,0,9.0,1.5
T7,18.68,823.42,40.28,3.5

极性设置示例：

f1\f2\f3\f4都是越小越好 (min)

说明：所有字段均为成本型指标，设置为"越小越好"极性
系统也会根据数据特征自动生成数据极性配置建议，根据需要，用户可以在对话中进行调整。

隶属度计算配置

• 配置模板：可使用 generate_membership_config_template 生成默认配置
• 参数调整：根据数据特征调整级别参数，支持多级别隶属度计算
• 配置验证：使用 validate_membership_config 验证参数有效性

配置示例（库存管理场景）：

{
  "级别参数": {
    "f1（超量库存/倍）": [15, 10.0, 5.0, 2],
    "f2（库存呆滞/天）": [180, 90, 60, 30],
    "f3（超量采购/倍）": [20, 10, 5, 2],
    "f4（运营年限/年）": [3, 2, 1, 0.5]
  }
}

说明：每个字段对应4个级别参数，分别表示不同隶属度级别的阈值划分
系统首先会根据数据统计特征自动生成默认的隶属度计算配置，用户可以根据实际情况进行调整。

多准则决策分析

• TOPSIS方法：基于逼近理想解排序法，适合需要明确最优解的决策场景
• VIKOR方法：基于妥协排序法，适合需要平衡多个目标的决策场景
• 权重分配：根据业务重要性自定义权重，支持不同决策偏好

TOPSIS计算示例：

使用TOPSIS综合评估方法，继续进行评估，权重设置为(0.32,0.24,0.24,0.20)

说明：权重分配根据业务重要性设置，总和为1.0。如果没有说明权重配置，系统默认为等权重配置。

等级综合评定

• 等级划分：支持多级别（默认4级）的精确等级评定
• 二元语义：提供(k, α)格式的评定结果，k为等级，α为符号偏移值
• 参数调整：可根据业务需求调整等级数量参数

等级评定示例：

使用等级综合评定方法，继续进行等级评定，等级数量设置为4级

说明：等级数量默认为4级，可根据业务场景调整为3级、5级等不同级别。

📈 结果解读指南

TOPSIS评估结果解读

• 相对接近度（V值）：值越大表示方案越优，V=1.000表示达到理想状态
• 级别分析：分析不同级别下的最优方案，识别稳定表现者
• 排序结果：基于V值进行方案排序，识别标杆和需改进对象

VIKOR评估结果解读

• Q值排序：基于妥协解的综合排序结果
• S值和R值：分别表示群体效用和个体遗憾，帮助理解决策权衡
• 折衷分析：识别在不同决策偏好下的最优方案

等级综合评定结果解读

• 级别特征值（V值）：综合隶属度向量的加权平均值，反映业务对象的整体等级倾向
• 二元语义（k, α）：k为评定等级，α为符号偏移值，提供等级边界的细微差异信息
• 最终等级：根据二元语义确定的业务对象等级，支持精确的等级划分
• 符号偏移分析：α>0表示偏向更高等级，α<0表示偏向更低等级，α=0表示等级边界清晰

💡 最佳实践建议

1. 数据预处理：确保数据格式规范，字段含义清晰
2. 极性一致性：统一所有字段极性方向，确保评估逻辑一致
3. 参数调优：根据数据分布特征调整隶属度计算参数
4. 方法对比：同时使用TOPSIS和VIKOR方法获得全面决策视角
5. 权重敏感性：测试不同权重分配对结果的影响
6. 结果验证：通过业务逻辑验证评估结果的合理性

🔧 辅助工具使用

• 资源管理：使用 list_data_resources 查看当前会话资源状态
• 数据质量：使用 analyze_data_fields 进行数据质量评估
• 配置验证：使用 validate_membership_config 确保计算参数正确
• 结果导出：使用 export_resource_to_csv 保存分析结果

📞 联系方式

如有问题或建议，请通过以下方式联系：

• 156375079@qq.com

理论方法拓展阅读

参考书籍信息：

• 《目标威胁多因子综合评估稳定性分析方法》
• 作者：李登峰 著
• ISBN：9787030746825
• 出版日期：2023-09
• 版次：1

💡 推荐阅读：本MCP工具主要实现了本书中的多因子等级评估方法，包括隶属度函数计算、TOPSIS/VIKOR多准则决策、二元语义等级评定等核心算法。对多因子综合评估理论感兴趣的朋友，建议阅读原著深入了解算法原理和数学基础。

购买链接：👈
【卷后限时秒杀价】78.5元🍖
https://u.jd.com/BOUtDeI

复制链接到京东,即可领券下单