亚马逊评论分析服务

亚马逊评论MCP服务器（FastMCP）

这个仓库包含一个 模型上下文协议（MCP） 用（某种技术或语言）构建的服务器 FastMCP 这暴露了一个 amazon_reviews 数据集和用于分析品牌提及的工具。它还包括一个小型的Python演示客户端。

包含的内容

• server.py — FastMCP 服务器暴露：
  • resource： amazon_reviews_csv （CSV文件的前~1MB）
  • tool: dataset_info() — 列与快速行数统计
  • tool： count_brand_mentions(brand, text_column=None, regex=False) — 统计提及次数
  • tool： sample_reviews_with_brand(brand, limit=5, text_column=None) — 示例代码片段
  • tool: explain_result_with_llm(brand, provider='openai'|'ollama', model=...) — 可选的大语言模型（LLM）解释
• demo_client.py — 最小化的Python客户端，通过标准输入输出启动服务器并调用工具
• requirements.txt

快速入门

1. 放置数据集
   将您的CSV文件放在以下位置之一：

   • 同一个文件夹，命名为 amazon_reviews.csv， 或者
   • 设置一个环境变量：
     复制

     export AMAZON_REVIEWS_CSV=/absolute/path/to/amazon_reviews.csv
     

2. 安装依赖项

   复制

   python -m venv .venv && source .venv/bin/activate
   pip install -r requirements.txt
   

3. 运行服务器（用于检查）

   复制

   python server.py
   

   服务器通过标准输入输出（stdio）使用MCP协议进行通信；请使用兼容MCP的客户端或随附的演示程序。

4. 运行演示客户端

   复制

   python demo_client.py Apple
   

   它将会：

   • 列出可用工具
   • 打电话；呼叫 count_brand_mentions("Apple")
   • 获取一些示例代码片段
   • （可选）如果已配置，则请大型语言模型（LLM）总结发现结果

可选：大型语言模型（LLM）解释

你可以要求服务器使用OpenAI或Ollama生成一段关于该指标的解释。

OpenAI

export OPENAI_API_KEY=sk-...
python demo_client.py Apple

演示调用 explain_result_with_llm(provider='openai', model='gpt-4o-mini') 通过服务器。

Ollama（本地）

# Ensure Ollama is running locally (defaults to http://localhost:11434)
# e.g., ollama run llama3.1
export OLLAMA_HOST=http://localhost:11434
python demo_client.py Apple

评分说明

• FastMCP 用于定义MCP服务器（server.py）以及工具/资源。
• 工具需求: count_brand_mentions(brand) 实现了品牌提及次数统计（默认不区分大小写，以单词边界为准；可切换至正则表达式）。
• 演示： demo_client.py 通过标准输入输出（stdio）将MCP服务器作为子进程启动，并调用工具进行端到端的测试。

故障排除

• 如果你看到 Dataset not found，设置 AMAZON_REVIEWS_CSV 或者将CSV文件放在旁边 server.py。
• 如果你的数据集中的文本列不是 review_body服务器将自动检测可能的列 （例如。， reviewText， reviews.text等），或者你可以通过 text_column 明确地。