AI导哈

数据分析平台

InsightFlow是一个结合实时数据处理和AI驱动分析的高级分析平台，支持多种数据源和格式，提供RESTful和WebSocket API。

  • by ilissrk
  • Python
  • 本地部署
  • 5 星标
  • 更新于
在 GitHub 查看 ilissrk/InsightFlow

使用说明

InsightFlow

InsightFlow是一个高级分析平台，它使用模型上下文协议（MCP）将实时数据处理与人工智能驱动的见解相结合。它与Claude AI无缝集成，提供智能数据分析和决策支持。

🚀 特性

  • MCP集成：完全支持模型上下文协议，实现高级AI功能
  • 实时分析：实时处理和分析数据流
  • AI驱动的洞察：利用Claude AI进行智能数据解释
  • 灵活的数据处理：支持多种数据源和格式
  • RESTful和WebSocket API：全面的API支持，满足各种集成需求

🛠️ 技术栈

  • 后端：Python 3.9+，FastAPI
  • 人工智能集成：API
  • 数据处理：熊猫，NumPy
  • 数据库：SQLAlchemy（支持多个数据库）
  • API：REST+WebSocket
  • 协议：模型上下文协议（MCP）

📋 先决条件

  • Python 3.9或更高版本
  • 无烟煤API键
  • Redis（用于缓存和消息队列）

🔧 安装

  1. 克隆存储库：
git clone https://github.com/yourusername/insightflow.git
cd insightflow
  1. 创建并激活虚拟环境：
python -m venv venv
source venv/bin/activate  # On Windows: venv\Scripts\activate
  1. 安装依赖项：
pip install -r requirements.txt
  1. 配置环境：
cp config/config.example.yaml config/config.yaml
# Edit config.yaml with your settings
  1. 设置环境变量：
cp .env.example .env
# Edit .env with your credentials

🚀 快速开始

本地运行

  1. 启动服务器：
python app/main.py
  1. 访问API文档：
http://localhost:8000/docs

📚 API文档

REST API端点

  • GET /tools -列出可用的MCP工具
  • POST /tool/{tool_name} -执行特定工具
  • WS /ws -用于实时通信的WebSocket端点

MCP工具

  1. 数据分析

    • 使用可配置的指标分析数据集
    • 生成统计见解
    • 支持时间序列分析

  2. 查询数据

    • 灵活的数据查询功能
    • 过滤和聚合数据
    • 以多种格式导出结果

  3. 产生洞察力

    • 人工智能驱动的数据解释
    • 趋势识别
    • 异常检测

🔧 配置

该系统可以通过以下方式配置 config.yaml 或环境变量：

server:
  host: "0.0.0.0"
  port: 8000
  debug: false

mcp:
  enabled: true
  websocket_path: "/ws"
  max_connections: 100

ai:
  model_name: "claude-2"
  temperature: 0.7
  max_tokens: 2000

🔍 发展

项目结构

insightflow/
├── app/
│   ├── main.py           # Application entry point
│   ├── config.py         # Configuration management
│   ├── core/             # Core MCP and server logic
│   ├── data/             # Data processing modules
│   ├── analytics/        # Analytics engine
│   ├── ai/               # AI integration
│   ├── api/              # API endpoints
│   └── models/           # Data models
└── requirements.txt      # Python dependencies

运行测试

pytest tests/

贡献

  1. 分叉存储库
  2. 创建功能分支(git checkout -b feature/AmazingFeature)
  3. 提交您的更改(git commit -m 'Add some AmazingFeature')
  4. 推到分支(git push origin feature/AmazingFeature)
  5. 打开拉取请求

📄 许可证

此项目根据MIT许可证获得许可-有关详细信息，请参阅许可证文件。

🤝 支持

如需支持和问题，请在GitHub存储库中打开问题或联系维护人员。

🙏 致谢

  • Claude AI集成的拟人化
  • 模型上下文协议社区
  • InsightFlow的所有贡献者和用户

由以下材料制成❤️ 伊利亚斯·拉菲克；

相关 MCP