🏀 篮球教练MCP-职业篮球MLOPS平台（2025年）
*具有MLOPS、MCP和IA的智能篮球分析、教练和侦察系统*
MLOps • Analyse Joueur • Scouting • Classement LFB • Actualités • Recommandations d'entraînement • LLM Orchestration (MCP) • RAG
NBA级UI•MCP•RAG•MLF•气流•CI/CD•Docker•LLM代理
🚀 本地演示（30秒）
git clone
cd basketcoach-mcp-demo/docker
docker compose up -d
# Puis ouvre ton navigateur :
# → http://localhost:8501 ← Interface Streamlit complète
# → http://localhost:8000/docs ← API MCP (Swagger)______________________________________________________________________
唯一一个在单一患者界面中进行辅导、侦察、培训和MLOPS的平台。
______________________________________________________________________
现场功能（2025）
| 功能 | 状态 | 技术 |
|---|---|---|
| NBA直播+LFB直播 | 直播 | 铲球+MCP |
| IA战术分析 | LIVE | LLM+MCP |
| 侦察完成+得分 | 现场 | 侦察代理 |
| 培训计划 | 现场 | TrainingAgent |
| Rapport赛后IA | 直播 | MCP+RAG |
| RAG医疗指南 | ||
| 玩家影响预测 | r²=0.995 | 随机森林+MLFlow |
| CI/CD自动 | 实时 | GitHub操作→GHCR |
| Docker Multi-Image | Live | 独立API+StreamLit |
______________________________________________________________________
一键部署（2025年）
# Option 1 : Local (Méthode recommandée)
cd docker && docker compose up -d
# Option 2 : Cloud (Render, Railway, Fly.io, etc.)
git push origin main # → CI/CD rebuild & push les images automatiquement sur GHCR______________________________________________________________________
🏷️ 徽章
\
\ \ \ \ \ \ \ \ p
______________________________________________________________________
📚 目录
______________________________________________________________________
🎯 引言
篮球教练MCP 是一个先进的MLOps平台，结合了：
- MLOps ：使用MLflow进行模型生命周期管理，使用气流进行管道编排，CI/CD
- 本地数据LFB （JSON 2021-2024）和外部数据（抓取）
- 人工智能 （玩家冲击模型）和 LLM 通过 *模型上下文协议*
- 发动机RAG 对于医疗和技术指南
- 专业代理人 （教练、侦察、培训）
一切都在 只有一个智能界面 中央集权 *教练*, *侦察*, *培训* 和 *团队分析* 采用MLOPS方法。
______________________________________________________________________
✨ 功能
🔍 球员和团队分析
- 影响ML ：通过随机森林模型预测玩家的影响
- 历史多游戏 玩家与玩家的比较
- LFB排名 实时和高级统计
- 新闻，伤害，网络文章
🤖 智能代理（LLM+MCP）
- 教练代理 ：战略分析、游戏计划、不利趋势
- 侦察代理 ：深入分析球员、比较、招聘建议
- 培训代理 ：个性化培训计划、伤害预防
📚 RAG指南
- 医学和技术文档中的语义搜索
- 使用SentenceTransformers和FAIS搜索嵌入
🛠️ MCP（模型上下文协议）
- 9 MCP工具 可用：比赛分析、球员影响、NBA排名、新闻等。
- Streamlit中集成的实时日志和测试
🚀 MLOps
- MLFlow ：经验跟踪、模型注册、生命周期管理
- 气流 ：数据和培训管道的协调
- CI/CD ：测试、构建和部署自动化
- 码头工人 ：可重复环境的集装箱化
- 监控 ：性能指标、数据和概念导数
______________________________________________________________________
🏗️ 架构MLOps
📁 项目结构
basketcoach-mcp/
├── 🚀 app.py # Interface Streamlit
├── 🔧 basketcoach_mcp_server.py # Serveur MCP principal
├── 📡 mcp_direct_client.py # Client MCP avec logging
├── ⚙️ config.yaml # Configuration
├── 📋 requirements.txt # Dépendances
├── 🏗️ setup.py
├── 📚 README.md
├── 🔐 .env
│
├── .github/workflows/
│ ├── cicd.yml # Build & push API + Streamlit sur GHCR
│ └── ci.yml # Tests + Ruff
│
├── 📊 data/
│ ├── raw/ # JSON LFB bruts
│ ├── processed/ # Données traitées
│ └── external/ # Cache web scraping
│
├── 🤖 agents/
│ ├── __init__.py
│ ├── coaching_agent.py # ✅ Analyse stratégique
│ ├── scouting_agent.py # ✅ Recrutement et analyse
│ ├── smart_coaching_agent.py
│ └── training_agent.py # ✅ Préparation physique
│
├── airflow/
│ └── dags/
│ └── basketcoach_mcp_pipeline.py # DAG Airflow
│
├── 🧠 ml/
│ ├── __init__.py
│ ├── train.py # ✅ Entraînement modèle
│ ├── predict.py # ✅ Prédictions
│ └── model/ # Modèles MLflow
│
├── 🔍 rag/
│ ├── __init__.py
│ ├── embed.py # ✅ Système RAG
│ ├── search.py # ✅ Recherche guidelines
│ └── guidelines/ # Documents PDF
│
├── tests/
│ ├── test_coaching_agent.py
│ ├── test_scouting_agent.py
│ ├── test_training_agent.py
│ ├── test_nba_scraping.py
│ └── test_mcp_tools.py
│
├── 🌐 utils/
│ ├── __init__.py
│ ├── data_processor.py # ✅ Traitement JSON
│ ├── ollama_client.py
│ ├── config.py
│ └── logger.py # ✅ Logging centralisé
│
├── 📦 scripts/
│ ├── __init__.py
│ ├── run_mcp_server.py # Lancement serveur
│ ├── run_training.py # ✅ Entraînement ML
│ └── setup_environment.py # Configuration
│
└── 🐳 docker/
├── Dockerfile # Image du serveur MCP
├── Dockerfile.streamlit # Image de l'interface Streamlit
└── docker-compose.yml🔥 全球架构图（ASCII）
┌─────────────────────────┐
│ Streamlit │
│ UI (app.py) │
└─────────────┬───────────┘
│
▼
┌───────────────────────┐
│ MCP Client │
│ (logging avancé) │
└─────────────┬─────────┘
│
▼
┌────────────────────────┐
│ MCP Server │
│ 9 Outils disponibles │
└──────┬────────┬────────┘
│ │
┌───────────────────────────┘ └───────────────────────────┐
▼ ▼
┌──────────────────────┐ ┌─────────────────────┐
│ Web Scraping │ │ Modèle MLflow │
│ (classement, news) │ │ Impact Joueur │
└──────────────────────┘ └─────────────────────┘
│ │
▼ ▼
┌──────────────────────┐ ┌─────────────────────┐
│ Data Processor │ │ Agents LLM (3) │
│ JSON → CSV → Features│ │ coaching/scouting/...│
└──────────────────────┘ └─────────────────────┘
│ │
▼ ▼
┌──────────────────────┐ ┌─────────────────────┐
│ Airflow DAGs │ │ RAG Guidelines │
│ (orchestration) │ │ (recherche) │
└──────────────────────┘ └─────────────────────┘🔄 工作流MLOps
- 数据摄入 ：气流协调LFB和外部数据的收集和预处理。
- 模型训练 ：触发驱动管道，使用MLFlow跟踪度量和模型。
- 评估和验证 ：对模型进行评估，如果指标令人满意，则将其推广到生产中。
- 部署 ：模型通过CI/CD管道（Docker容器、API等）部署。
- 监控 ：监控生产中的模型性能（数据漂移、业务指标）。
______________________________________________________________________
🚀 安装速度快
1.克隆项目
git clone
cd basketcoach-mcp2.安装依赖项
pip install -r requirements.txt3.准备数据
python -c "from utils.data_processor import process_data_pipeline; process_data_pipeline()"4.Lancer les服务
# Serveur MCP
python scripts/run_mcp_server.py
# Interface Streamlit
streamlit run app.py
# MLflow (optionnel)
mlflow server --host localhost --port 5000
# Airflow (optionnel)
airflow webserver --port 8080
airflow scheduler5.访问接口
- 溪流 : http://localhost:8501
- MLW : http://localhost:5000
- 气流 : http://localhost:8080
______________________________________________________________________
📊 使用
界面流光
Streamlit界面提供对所有功能的访问：
- 仪表盘 ：功能和指标概述
- NBA现场 ：NBA排名和球员统计
- 分析比赛 ：LFB比赛的战略分析
- 侦察玩家 ：深入分析和比较玩家
- 培训计划 ：个性化计划和伤害预防
- Rapport教练 ：IA生成的详细赛后报告
- MLOps仪表板 ：监测MLOPS模型和指标
- MCP工具 ：MCP工具的直接测试
- 篮球指南 ：研究医疗和技术指南
- 配置 ：服务和配置法规
______________________________________________________________________
📡 API MCP
MCP服务器公开了几种工具：
from mcp_direct_client import direct_client
# Exemples d'utilisation
impact = direct_client.get_player_impact("2051529", "Marine Johannès")
ranking = direct_client.get_nba_live_ranking()
news = direct_client.get_player_news("Marine Johannès")
guidelines = direct_client.search_guidelines("entorse cheville")
coaching_report = direct_client.generate_coaching_report("2051529")______________________________________________________________________
🔧 配置
文件 config.yaml 允许配置：
mcp:
server:
host: "localhost"
port: 8000
ml:
model:
name: "player_impact_predictor"
web_sources:
lfb_ranking: "[https://www.basketlfb.com/classement/](https://www.basketlfb.com/classement/)"
rag:
guidelines_path: "rag/guidelines/"______________________________________________________________________
🐳 码头工人
该项目采用多图像架构（API+Streamlit）进行容器化。
# Développement local
cd docker && docker compose up -d
# Production (avec images taguées GHCR)
cd docker && docker compose -f docker-compose.prod.yml up -d图像将自动发布在 GitHub容器注册表（GHCR） 每次按下 main :
ghcr.io/otienta/basketcoach-mcp-demo:latestghcr.io/otienta/basketcoach-mcp-demo-streamlit:latest
______________________________________________________________________
📈 ML模型
玩家影响模型是基于LFB数据训练的随机森林。
- 特性 ：得分、篮板、传球、拦截、控球、失误、加减
- 目标 ：玩家影响（加权公式）
- 演出 ：R²~0.995
培训：
python scripts/run_training.py跟踪工作流程： http://localhost:5000
______________________________________________________________________
🚀 CI/CD和部署
GitHub操作（当前和功能）
该项目包括一个完整的CI/CD管道（定义见 .github/workflows/) :
- 自动测试 和 代码检查 （通过
ci.yml) - 构建Docker多镜像 （API+Streamlit）
- Push-vers GitHub容器注册表 （GHCR）（通过）
cicd.yml) - 自动部署 暂存
- 手动部署 生产
______________________________________________________________________
🤝 贡献
欢迎捐款！
- 分叉项目
- 创建分支（
git checkout -b feature/AmazingFeature) - 提交您的更改（
git commit -m 'Add some AmazingFeature') - 推动分支（
git push origin feature/AmazingFeature) - 打开拉取请求
______________________________________________________________________
📝 许可证
根据MIT许可证分发。见 LICENSE 倒加上d’information。
______________________________________________________________________
🙏 致谢
- 女子篮球联盟（LFB）数据
- 用于模型跟踪的MLFlow
- 阿帕奇气流组织
- 用于用户界面的Streamlit
- LLM集成的模型上下文协议（MCP）
______________________________________________________________________
🎯 用例
🏀 对于专业俱乐部
剧本 ：LFB俱乐部希望招募一名球员来满足特定需求。
解决方案篮教练 :
- 需求分析VIA
ScoutingAgent.identify_recruitment_needs() - 可用玩家的比较
ScoutingAgent.compare_players() - 生成完整的侦察报告
- 通过MLOps仪表板进行连续性能监控
🏥 对于医务人员
剧本 ：伤害管理和预防。
解决方案篮教练 :
- 通过以下方式咨询指导方针
search_guidelines("prévention blessures cheville") - 个性化预防计划通过
TrainingAgent - 通过指标监控进行恢复监控
📊 对于体育分析师
剧本 ：为重要比赛做战术准备。
解决方案篮教练 :
- 通过分析不利趋势
CoachingAgent.analyze_opponent_tendencies() - 生成自定义游戏计划
- 使用IA的自动赛后报告
🔬 Pourles数据科学家
剧本 ：ML模型的开发和监控。
解决方案篮教练 :
- 带气流和MLflow的完整MLOPS管道
- 跟踪经验和模型版本控制
- 监测数据和概念的漂移
- 实时监控仪表板
______________________________________________________________________
🚀 MLOps与DevOps的区别
| 方面 | DevOps | MLOps |
|---|---|---|
| 生命周期 代码+基础设施 | 代码+数据+模型 | |
| 部署 | 应用程序 | 模型+应用程序 |
| 监控 | 技术性能 | 模型性能+数据漂移 |
| 再现性 | 部署环境 | 数据+培训+环境 |
| 测试 单元测试/集成 | 数据+模型+基础设施测试 |
篮球教练MCP 通过以下方式实施MLOPS最佳实践：
- ✅ CI/CD 用于自动化
- ✅ MLW 为了再现性
- ✅ 气流 为我编排
- ✅ 监控 pour la监视继续
- ✅ 轮廓化 为了便携性
______________________________________________________________________
📞 支持
如果您有任何问题，请在GitHub存储库中打开问题。
______________________________________________________________________
篮球教练MCP - *通过AI和MLOps彻底改变您的篮球方式* 🏀✨