data-analyst-Local MCP server

🚀 企业自主代理平台（MCP）

当地第一 智能代理AI平台 与建 模型上下文协议（MCP）该系统协调LLM（Claude/GPT-4）在本地基础设施上安全地执行复杂的工程和数据科学任务，而无需数据出口。

🧠 系统架构

这个项目不是聊天机器人；它是一个 多模式工具编排引擎 能够：

1.📊 自主数据科学分析师

• 能力： 摄取原始CSV数据集(shopping_behavior_updated.csv)执行模式推理和探索性数据分析。
• 机器学习： 自动化 群集分析 （Scikit-Learn）在没有人为指导的情况下检测客户细分（例如“高支出/低忠诚度”）。
• 可视化： 使用Matplotlib自动生成分布直方图和散点图。

2.🗺️ 静态分析与建筑制图（“制图师”）

• 能力： 解析Python抽象语法树(抽象语法树)映射遗留代码库。
• 图论： 用途 网络X 构建模块依赖关系的有向无环图（DAG），自动识别“上帝对象”和高耦合风险。

3.🛡️ 自愈QA工程师

• 能力： 自主测试驱动开发（TDD）循环。
• 工作流程： 读取源代码->生成 pytest cases->执行测试->分析stderr->引用代码以修复故障。

______________________________________________________________________

🛠️ 技术栈

• 核心协议： 模型上下文协议（MCP）
• 运行时间： Python 3.12（通过管理 uv)
• 数据智能： Pandas、NumPy、Scikit学习
• 静态分析： Python AST、NetworkX
• 测试： Pytest，子流程

🚀 运作原理

系统以本地模式运行 MCP服务器 它将工具原语暴露给MCP客户端（Claude Desktop/VS Code Cline）。

工作流程示例（数据科学）：

“分析销售数据，对‘购买金额’和‘频率’进行4组K-Means细分，并将结果可视化。”

示例工作流（QA自动化）：

“阅读 utils.py 模块，生成涵盖边缘情况的全面测试套件，并确保所有测试通过。”

📂 项目结构

├── server.py                # Core MCP Server & Tool Definitions
├── shopping_behavior.csv    # Proprietary Dataset
├── mock_project/            # Target Legacy Codebase for Analysis
│   ├── main.py
│   ├── database.py          # "God Object" Dependency
│   ├── auth.py
│   ├── utils.py
│   ├── test_utils.py        # Autonomously generated test suites
│   └── payment.py
└── pyproject.toml           # Dependencies (uv)```