定制_MCP_郊区
一个全面的模型上下文协议服务器，通过从多个API获取和聚合真实世界的位置数据，将人工智能助手转化为智能社区分析师。
目的
邻里智能MCP服务器使人工智能模型能够通过自动收集和合成来自10多个不同数据源的信息，提供有关任何位置的数据驱动见解。无论您是搬迁、投资房地产，还是只是探索一个新的地区，此服务器都会将简单的地址查询转换为全面的邻里分析。
为什么邻里情报很重要
糟糕选址决策的实际成本 搬迁危机： 美国人一生中平均搬家11.7次，但44%的人对第一年内的最后一次住房决定表示遗憾。主要原因？在承诺之前，对社区的研究不足。
财务影响：
搬迁的平均成本（包括搬家费、押金和交易费）在8000美元到15000美元之间 在主要大都市地区，2英里半径内的房产价值可能会变化30-40% 一个糟糕的社区选择可能会在5年内使房主损失5万至15万美元的资产
生活质量统计：
- 可步行社区的居民报告生活满意度得分提高了13%
- 相邻邮政编码之间的犯罪率可能相差10倍
- 通勤时间超过45分钟与压力水平增加40%和离婚率上升有关
- 一个城市内的空气质量差异可能会使预期寿命缩短1-3年
关键能力
- 智能上下文组装 -自动确定与每个查询相关的数据
- 多源综合 –汇总天气、犯罪、住房、步行能力等
- 人工智能驱动的评估 –用途 *克劳德3.5十四行诗* 将原始数据综合成可操作的见解
- 比较分析 –并排评估和比较多个街区
______________________________________________________________________
🌐 数据源和API
| 数据源 | 用途 | 使用的API |
|---|---|---|
| OpenStreetMap（提名） | 地址地理编码和反向查找 | 免费 |
| 开放天气 | 三天天气预报 | 免费 |
| OpenAQ | 空气质量指标 | AIR_QUALITY_API_KEY |
| RapidAPI – jgentes 犯罪数据 | 犯罪统计和安全评分 | RAPIDAPI_KEY |
| Rapidapi-Zillow | 房价、房产信息 | RAPIDAPI_KEY |
| 谷歌地图API | 地点、通勤、附近设施 | GOOGLE_MAPS_API_KEY |
| 步行分数API | 步行能力评级 | WALKSCORE_API_KEY |
| 开放路由器（克劳德3.5 Sonnet） | AI上下文分析 | OPENROUTER_API_KEY |
______________________________________________________________________
快速开始
先决条件
- Python 3.8+
pip包管理器- 有效的API密钥（请参阅配置）
安装
#Clone the repository
git clone
cd neighborhood-intelligence-mcp
# Install dependencies
pip install mcp requests openai
配置
创建.env文件或导出环境变量：
AI评估所需
export OPENROUTER_API_KEY=“sk-or-v1-…”
功能所需
export GOOGLE_MAPS_API_KEY=“AIza…” export WALKSCORE_API_KEY=“…” 导出RAPIDAPI_KEY=“…” export AIR_QUALITY_API_KEY=“…”
可选回退键
export ATTOM_API_KEY=“…”
正在运行的服务器
单机模式
python服务器.py
或与Claude Desktop集成
添加到MCP设置配置中
\`
______________________________________________________________________
示例提示
当与Claude Desktop集成时，请尝试以下查询：
- “评估德克萨斯州奥斯汀市主街123号附近的社区，寻找有小孩的家庭”
- “比较达拉斯市中心和达拉斯上城的步行能力”
- “纽约中央公园附近的空气质量和犯罪率是多少？”
- “我要搬到休斯顿去得克萨斯医疗中心工作。在30分钟内给我找一个安全、负担得起的社区。”
______________________________________________________________________
可用工具
| 工具 | 说明 | 参数 |
|---|---|---|
geocode | 将地址转换为坐标 | address |
weather | 三天天气预报 | lat, lon |
air_quality | AQI指标 | lat, lon |
walkability | 步行分数和OSM密度 | lat, lon, address |
crime_data | 安全指标 | lat, lon |
housing | 市场数据 | lat, lon, address |
commute | 通勤分析 | lat, lon, destination |
amenities | 附近的学校、公园、商店 | lat, lon, type |
demographics | 收入、教育、密度 | lat, lon |
evaluate | 全面的人工智能社区评估 | address, goals |
______________________________________________________________________
建筑
┌─────────────────────────────────────────────────────────────────┐ │ 🏗️ 建筑│ └─────────────────────────────────────────────────────────────────┘
👤 User Query
│
↓
┌─────────────────────┐
│ 🏗️ MCP Server │
│ (server.py) │
└─────────────────────┘
│
↓
┌───────────────────────────────────────────────┐
│ ⚙️ Context Assembly Engine │
│ ┌─────────────────────────────────────────┐ │
│ │ 1. 📍 Geocode Address │ │
│ │ 2. 🎯 Determine Needed Data Sources │ │
│ │ 3. ⚡ Fetch Data in Parallel │ │
│ │ 4. 🛡️ Handle API Failures Gracefully │ │
│ └─────────────────────────────────────────┘ │
└───────────────────────────────────────────────┘
│
↓
┌───────────────────────────────────────────────┐
│ 📊 Data Sources (10+ APIs) │
├───────────────────────────────────────────────┤
│ ☀️ Weather │ 🚨 Crime │ 🏠 Housing │
│ 🏫 Schools │ 🚇 Transit │ 🍽️ Dining │
│ 💼 Demographics │ 🏥 Health │ 🎭 Culture │
│ 🌳 Parks │ 📈 Trends │ ... More │
└───────────────────────────────────────────────┘
│
↓
┌───────────────────────────────────────────────┐
│ 🤖 AI Evaluation Layer │
│ │
│ Claude 3.5 Sonnet synthesizes raw data │
│ into actionable insights │
│ │
│ • Identifies patterns │
│ • Contextualizes statistics │
│ • Generates recommendations │
└───────────────────────────────────────────────┘
│
↓
┌───────────────────────────┐
│ ✨ Output │
│ │
│ 📄 Comprehensive │
│ Neighborhood Report │
└───────────────────────────┘\`
特点
智能回退
- Zillow不可用时的预测房价
- WalkScore失败时OSM可步行性回退
- 不存在犯罪数据时的综合安全指数
多源可走性
- 结合谷歌地点、WalkScore和OpenStreetMap密度
- 提供稳健的混合指标
真实犯罪数据（2024）
- 由...驱动
jgentes-crime-data - 提供总事件、趋势分析和严重性评分
比较分析模式
demo.py评估多个街区- 使用克劳德3.5十四行诗进行自然语言比较报告
______________________________________________________________________
样本输出
\` 通过Claude 3.5 Sonnet运行AI比较分析。..
人工智能比较总结：
以下是奥斯汀市中心和北达拉斯的结构化比较：
总分： 奥斯汀市中心：8.2/10 北达拉斯：7.0/10
最适合： 奥斯汀市中心：
- 年轻专业人士（25-35岁）
- 技术工人
- 单身/无子女夫妇
- 夜生活爱好者
- 城市生活方式寻求者
- 高收入人群
北达拉斯：
- 年轻的家庭
- 以教育为重点的家庭
- 职业中期专业人士
- 有郊区意识的城市人
- 学龄儿童
- 那些寻求城市/郊区平衡的人
核心指标比较： 住房成本：
- 奥斯汀市中心：租金更高（1850美元，中位数55万美元）
- 北达拉斯：中等（租金1600美元，中位数37.5万美元）
设施：
- 奥斯汀市中心：强大的娱乐、餐饮、文化场所
- 北达拉斯：强大的教育设施，面向家庭的服务
安全：
- 这两个地区的安全评分均为7/10（基于现有数据）
单行建议： 奥斯汀市中心：“寻求充满活力的城市的年轻专业人士的理想选择 尽管生活成本较高，但生活方式有很强的职业机会。"
北达拉斯：“家庭优先考虑教育和 在保持城市便利性的同时，保持郊区品质。"
最佳总体选择：奥斯汀市中心 （由于整体得分更高，设施更强，对齐更好 随着当前城市发展趋势。)
寻找最佳邻里模式
输入：查看college_station_test.py。以德克萨斯州大学站为中心的社区智能MCP服务器演示。
评估多个社区，并提供个人和比较AI分析。
输出：
人工智能比较总结：
以下是您对大学城社区的结构化比较：
- 邻里概览
- 南木谷：已建立的家庭友好区，拥有强大的教育基础设施和适中的住房成本，但依赖汽车
- Wolf Pen Creek区：\[数据有限\]
- Pebble Creek：远离市中心的高档郊区开发项目，提供安静的生活和优质的学校，但需要更长的通勤时间
- 比较见解
南木谷：
- 最适合：年轻家庭、大学教职员工
- 优势：学校附近，10分钟校园通勤
- 缺点：步行能力差
卵石溪：
- 最适合：职业生涯中期的专业人士、成熟的家庭
- 优势：安静的环境，安全
- 缺点：通勤时间16分钟，非常依赖汽车
狼笔溪：
- \[用于比较的数据不足\]
- 按整体宜居性排名
1.️⃣ 南木谷（7.2/10）
- 更好的位置
- 通勤时间更短
- 附近有更多便利设施
- 与Pebble Creek的安全评分相同
2.️⃣ 卵石溪（7.2/10）
- 更多郊区感
- 通勤时间更长
- 附近设施较少
- 同等安全等级
3.️⃣ Wolf Pen Creek区
- 由于数据不足，无法排名
主要区别：
- 位置：南木谷位于市中心
- 通勤：南木谷（10分钟）vs圆石溪（16分钟）
- 设施：Southwood Valley提供更好的服务
- 学校：这两个地区都有优秀的学校
- 安全性：两者均为7/10
- 住房成本：两个地区相似（中位数285000美元）
最佳整体社区：南木谷 推理：虽然这两个社区的评分都是7.2/10，但Southwood Valley因其更方便的位置、更短的通勤时间和更好的设施而领先于Pebble Creek，同时保持相同的安全评级和住房成本。它为大学城居民提供了家庭友好功能和实用便利的最佳平衡。
大学站比较演示完成。
贡献
该项目是为2025年TAMUDATATHON的“构建自己的MCP挑战赛”而开发的。 我们欢迎捐款！请提交拉取请求或未决问题：
新的数据源集成 增强的评估算法 性能优化 文档改进
许可证
MIT许可证-免费使用、分叉和修改。
致谢
MCP和Claude AI的拟人化 用于地理空间数据的OpenStreetMap RapidAPI用于住房和犯罪API 谷歌地图和WalkScore用于本地指标 OpenRouter用于模型编排
支持
对于问题、疑问或功能请求：
在GitHub上打开一个问题 联系开发团队 查看文档wiki