Demand MCP

需求计划MCP服务器

MCP服务器暴露 19工具 用于自动化需求计划分析。 LLM协调这些工具来导航产品/位置层次结构， 计算准确性/偏差/FVA指标，确定根本原因，并产生 一个自包含的Reveal.js HTML演示文稿——以及加载和编辑 一个现有的演示文稿，而无需从头开始重建。

______________________________________________________________________

项目结构

demand_mcp/
├── server.py          # FastMCP server entry point — 19 tools
├── data.py            # Data loading, PackContent normalization, filters
├── metrics.py         # Accuracy, bias, FVA, YoY, evolution computations
├── presentation.py    # Reveal.js + Plotly HTML builder
├── config.yaml        # Server configuration (paths, fiscal year, defaults)
├── brand.json         # Brand colors, fonts — edit to match your org
├── requirements.txt
├── prompts/
│   └── system.md      # System prompt for your LLM orchestrator
└── output/            # Generated HTML presentations go here

______________________________________________________________________

设置

pip install -r requirements.txt

______________________________________________________________________

配置

1.编辑 config.yaml

parquet_path: "path/to/your/demand.parquet"
output_dir:   "output"
brand_config: "brand.json"
fiscal_year_start_month: 1   # 1=Jan, 4=Apr, 7=Jul, 10=Oct

2.编辑 brand.json

预填充Stryker默认值。更新 colors, fonts，以及 logo_path 以匹配您组织的品牌。关键字段：

{
  "company_name": "Your Company",
  "colors": {
    "primary":   "#F4A11D",   // main accent (buttons, bars, highlights)
    "secondary": "#003087",   // headings, slide headers
    "df_color":  "#F4A11D",   // DF forecast line/bars in charts
    "stat_color":"#003087",   // Stat forecast line/bars in charts
    "actual_color":"#2E7D32"  // Actuals line/bars in charts
  },
  "fonts": {
    "heading": "Calibri, Arial, sans-serif",
    "body":    "Calibri, Arial, sans-serif"
  }
}

______________________________________________________________________

运行服务器

cd demand_mcp
python server.py
# or with a custom config:
python server.py --config /path/to/config.yaml

服务器启动于 127.0.0.1:8000 （可在中配置 config.yaml). 拼花地板文件已加载 一旦启动 --重新启动服务器以获取新数据。

______________________________________________________________________

连接您的法学硕士

配置本地LLM客户端以连接到MCP服务器。 复制以下内容 prompts/system.md 正如系统提示的那样。

使用任何支持MCP的OpenAI兼容客户端的示例：

client = YourLLMClient(
    mcp_server_url="http://127.0.0.1:8000",
    system_prompt=open("prompts/system.md").read(),
)
response = client.chat("Generate a demand planning review for last month.")

______________________________________________________________________

19工具

数据探索

指标

演示文稿（新建）

高效的报告生成

编辑现有演示文稿

______________________________________________________________________

时间窗口

所有度量工具都接受 window 参数：

______________________________________________________________________

层次结构参考

位置（粗略→ fine)

Stryker Group Region → Area → Region → Country

产品（粗→ fine)

Business Sector → Business Unit → Franchise → Product Line → IBP Level 5 → IBP Level 6 → IBP Level 7 → CatalogNumber

预测水平 （用于准确性报告）：

• 东亚地区→ uses 区域 作为预测水平
• 所有其他→ uses 区域 作为预测水平

______________________________________________________________________

度量定义

所有卷系列均 包装内容物标准化 （除以装载时的包装内容物）。

______________________________________________________________________

输出

生成的演示文稿将保存到 output_dir 在...中指定 config.yaml. 打开 .html 任何浏览器中的文件——不需要服务器，所有依赖项都是CDN链接的。

使用箭头键或单击浏览幻灯片。演讲者笔记可以通过以下方式切换 S.

侧车状态文件

finalize_presentation() 每次写入两个文件：

output/
  demand_review_20260225_1200.html           ← the browser presentation
  demand_review_20260225_1200.html.state.json ← structured slide data (editable)

这 .state.json 存储每张幻灯片的布局、图表数据、表格数据、评论， 和 slide_id. load_presentation(filename) 读取此文件以还原完整 编辑会话--所有后续工具(add_slide, add_commentary, drill_down_slide, finalize_presentation)然后像会话一样工作 从未结束。