使用说明

分析MCP服务器

模型上下文协议服务器为Claude提供了12种分析工具：描述性统计、回归（线性/多项式/逻辑/多元）、假设检验、数据预处理、数据可视化规范、多标准决策分析、机器学习模型评估、逻辑论证/谬误分析以及Exa支持的研究验证。溢出stdio；分析核心不需要API密钥（研究功能需要 EXA_API_KEY).

设置

先决条件

Node.js>=20.0.0
EXA_API_KEY环境变量（对于 verify_research 和 perspective_shifter，两者都在每次调用时调用Exa搜索API）

安装

选项1：直接安装

npm install
npm run build

选项2:Docker

塑造形象。服务器通过MCP协议进行通信标准 --它已启动（及其stdin/stdout管道）由MCP客户端运行，而不是作为分离的守护进程运行；看看 Docker入口下配置 Claude Desktop如何调用它。

docker build -t analytical-mcp .

# Smoke-test the image interactively (Ctrl-C to exit):
docker run --rm -i -e EXA_API_KEY=your_api_key_here analytical-mcp

配置

直接安装配置

复制 .env.example 到 .env
将您的EXA_API_KEY添加到 .env
添加到Claude桌面配置：

{
  "mcpServers": {
    "analytical": {
      "command": "node",
      "args": ["/path/to/analytical-mcp/build/index.js"],
      "env": {
        "EXA_API_KEY": "your-exa-api-key-here"
      }
    }
  }
}

Docker配置

复制 .env.example 到 .env
将您的EXA_API_KEY添加到 .env
添加到Claude桌面配置：

{
  "mcpServers": {
    "analytical": {
      "command": "docker",
      "args": [
        "run", "--rm", "-i",
        "--env-file", ".env",
        "-v", "$(pwd)/cache:/app/cache",
        "analytical-mcp"
      ]
    }
  }
}

可用工具

服务器在启动时无条件注册12个工具（注册不依赖于 EXA_API_KEY；如果密钥丢失，下面两个研究支持的工具将在调用时出错）。看 src/tools/index.ts 权威名单。

统计分析

analyze_dataset --数值或记录数组数据集的描述性统计（摘要/统计）。
advanced_statistical_analysis --描述性统计加上表格数据（对象数组）的交叉变量Pearson相关性。使用 analyze_dataset 对于单个数字序列。
advanced_regression_analysis --线性、多项式、逻辑和多元回归，由具有真实OLS/logistic数学（未模拟）的专用提供者模块支持。
hypothesis_testing --真实统计假设检验：Welch独立t检验、配对t检验、相关性、卡方检验和方差分析，使用精确的p值计算（见 src/utils/statistics.ts).
advanced_data_preprocessing --对数值数据进行归一化、标准化、缺失值处理和IQR异常检测。
data_visualization_generator --生成图表规格（散点图、折线图、条形图、直方图、方框图、热图、饼图、小提琴图、相关性）。

机器学习

ml_model_evaluation --评估模型预测：分类指标（准确性、精确度、召回率、F1）或回归指标（MSE、MAE、RMSE、R²）。

决策分析

decision_analysis --多准则加权决策排名。 需要a scores 矩阵 (options.length 行× criteria.length 列，每个值为0-10），此外 options 和 criteria; weights 是可选的，默认为等权重。这是一个突破性的要求，与仅描述的旧文档相比 options/criteria/weights.

逻辑推理

logical_argument_analyzer --分析论证结构、谬误、有效性和强度（通过专门的提供者类）。
logical_fallacy_detector --通过置信度评分检测和解释文本中的逻辑谬误。
perspective_shifter --对问题产生不同的观点（利益相关者、纪律、逆向、乐观、悲观）。需要 EXA_API_KEY：它对每个视角域进行Exa搜索，以确定每个视角。

研究验证

verify_research --交叉验证来自多个来源的研究声明。需要 EXA_API_KEY.退货 confidence.score （实际计算的一致性/置信度值，0-1）和 confidence.verified （布尔值：是否 confidence.score 遇见 minConsistencyThreshold)--阈值是通过/失败的截止值，而不是应用于报告分数的下限。

可观察性和指标

分析MCP服务器包括一个内置的Prometheus风格的度量HTTP服务器(src/utils/metrics_server.ts)用于监控缓存性能和系统健康状况。

指标端点

启用后，服务器通过端口9090上的HTTP公开指标（可配置）：

http://localhost:9090/metrics -普罗米修斯风格指标
http://localhost:9090/metrics?format=json -JSON格式度量
http://localhost:9090/health -健康检查端点
http://localhost:9090/ -度量服务器状态页面

可用指标

缓存指标

analytical_mcp_cache_hits_total -按命名空间缓存命中率
analytical_mcp_cache_misses_total -按命名空间划分的缓存缺失
analytical_mcp_cache_puts_total -按命名空间放置缓存
analytical_mcp_cache_evictions_total -按命名空间驱逐缓存
analytical_mcp_cache_size -按命名空间列出的当前缓存大小

系统指标

analytical_mcp_uptime_seconds -服务器正常运行时间（秒）
analytical_mcp_memory_usage_bytes -内存使用情况（RSS、堆、外部）
analytical_mcp_cpu_usage_microseconds -CPU时间使用率（用户、系统）

配置

通过设置环境变量启用指标：

METRICS_ENABLED=true        # Enable metrics server (default: false; unauthenticated, opt-in)
METRICS_PORT=9090          # Metrics server port (default: 9090)
METRICS_HOST=127.0.0.1     # Metrics server host (default: 127.0.0.1, use 0.0.0.0 to bind to all interfaces)

使用示例

# Get Prometheus metrics
curl http://localhost:9090/metrics

# Get JSON metrics
curl http://localhost:9090/metrics?format=json

# Health check
curl http://localhost:9090/health

审计日志

每次工具调用都会向以下对象发出一条结构化审计记录 标准错误 （永远不要stdout——那是MCP 协议通道），独立于 LOG_LEVEL:

[2026-07-05T22:56:12.629Z] AUDIT: {"event":"tool_call","tool":"verify_research","ok":true,"durationMs":1352,"argBytes":120,"argHash":"31b769fe1f66","exaCalls":2}

每条记录都包含工具名称、结果、持续时间、 字节大小和SHA-256指纹 参数（从不包含原始参数值，因此不会泄露任何内容），以及 exaCalls --the 发出呼叫的出站Exa请求数。这为操作员提供了法医线索（超大或重复输入、意外外部扇出）而不记录敏感内容。它有门通过一个标志，默认打开，独立于 LOG_LEVEL:

ENABLE_AUDIT_LOG=true   # per-call audit records to stderr (default: true)

使用示例

数据集分析

{
  "data": [23, 45, 67, 12, 89, 34, 56, 78],
  "analysisType": "stats"
}

决策分析

{
  "options": ["Option A", "Option B", "Option C"],
  "criteria": ["Cost", "Quality", "Speed"],
  "scores": [
    [7, 6, 8],
    [5, 9, 6],
    [9, 4, 7]
  ],
  "weights": [0.4, 0.4, 0.2]
}

假设检验

{
  "testType": "t_test_independent",
  "data": [[23, 45, 67, 12, 89], [34, 56, 78, 90, 21]],
  "alpha": 0.05
}

逻辑分析

{
  "argument": "All birds can fly. Penguins are birds. Therefore, penguins can fly.",
  "analysisType": "comprehensive"
}

发展

测试

# Run the offline unit suite (no API key needed) — same as test:unit
npm test

# Unit tests only (offline, no API key needed)
npm run test:unit

# Integration tests (non-blocking heads-up without EXA_API_KEY; live-Exa cases self-skip)
npm run test:integration

# Integration tests excluding the live-API suite
npm run test:integration:no-api

# Or via the thin wrapper script
./tools/test-runner.sh unit
./tools/test-runner.sh integration
./tools/test-runner.sh integration:no-api

脚本

npm run build -将TypeScript构建为JavaScript
npm run watch -观察变化并重建
npm run typecheck -类型检查 src/ （不包括测试文件）
npm run typecheck:src -类型检查 src/ 加上集成测试
npm run lint / npm run lint:fix -埃斯林特
npm run format / npm run format:check -更漂亮
npm test / npm run test:unit / npm run test:integration -杰斯特（见测试)
npm run smoke -通过stdio JSON-RPC构建、启动真实服务器并驱动initialize/tools list/tools调用
npm run cache:stats / cache:clear / cache:preload -管理磁盘上的研究缓存
npm run inspector -启动MCP检查器进行调试

项目结构

analytical-mcp/
├── src/
│   ├── tools/           # MCP tool implementations (12 registered tools + supporting providers)
│   ├── utils/           # Utility functions, regression/NLP providers, caching, resilience, metrics
│   ├── integration/     # Integration tests (live-Exa cases self-skip without EXA_API_KEY)
│   ├── __tests__/       # Server-level protocol test (InMemoryTransport)
│   └── index.ts         # Main server entry point
├── docs/                # Documentation
├── tools/               # Development and testing scripts
├── scripts/             # Build/smoke-test scripts
└── examples/            # Usage examples

架构说明

提供商架构：复杂的工具（回归、NLP、可视化、论证分析）被分解为单个责任提供者模块 src/utils/ 和 src/tools/ （例如。 linear_regression_provider.ts, logistic_regression_provider.ts, polynomial_regression_provider.ts, multivariate_regression_provider.ts, regression_metrics_provider.ts).工具文件的编排和格式化；提供者掌握着逻辑。
韧性: src/utils/rate_limit_manager.ts 处理Exa速率限制（密钥旋转、每个端点限制）； src/utils/api_helpers.ts 提供显式重试 shouldRetry 谓语。
缓存: src/utils/cache_manager.ts, src/utils/enhanced_cache.ts，以及 src/utils/research_cache.ts 提供分层、命名空间感知的缓存（启用 ENABLE_RESEARCH_CACHE=true).
统计: src/utils/statistics.ts 根据精确p值计算的第一性原理实现对数伽玛、不完全贝塔/伽玛和t/F/卡方CDF，没有统计近似或模拟结果。

工具类别

统计分析

描述性统计：平均值、中位数、标准差、四分位数
回归分析：线性、多项式、逻辑、多元
假设检验：Welch t检验、配对t检验、相关性、卡方检验、方差分析

决策支持

基于显式期权×准则得分矩阵的多准则加权决策排序

逻辑推理

论证结构、有效性和强度分析
通过置信度评分进行谬误检测
视角生成

研究整合

通过Exa进行多源验证
事实提取
冲突/一致性检查
信心评分

安全和隐私

所有分析处理都在本地进行
研究功能使用Exa API（可选，需要 EXA_API_KEY)
除了可选的本地磁盘缓存外，没有永久数据存储
通过环境变量管理的API密钥

许可证

MIT许可证。有关详细信息，请参阅LICENSE文件。

贡献

看贡献.md 关于贡献工作流程和惯例，以及 docs/DEVELOPMENT.md 供全面开发参考。全部预计参与者将遵循行为准则.

简而言之：分支机构 main，确保 npm run typecheck, npm run lint, npm test，以及 npm run smoke 全部通过，添加新行为的测试，并使用模板打开PR。

要报告安全漏洞，请执行以下操作安全.md --不要打开a 公共问题。

故障排除

常见问题

JSON解析错误：所有日志记录必须转到stderr，而不是stdout。MCP协议使用stdout进行通信。使用 Logger 类，不是 console.log.

工具未出现：验证Claude Desktop设置中的服务器配置，然后重新启动Claude Desktop应用程序。

研究功能在调用时失败：设置 EXA_API_KEY 在您的环境中或 .env 文件-- verify_research 和 perspective_shifter 即使所有12个工具都已注册，无论是否设置，两者都需要它。

服务器未启动：检查Node.js版本是否为20或更高，所有依赖项是否已安装 npm install.

看 docs/TROUBLESHOOTING.md 获取详细的故障排除指南。

调试模式

使用MCP检查器启动服务器：

npm run inspector

使用说明

分析MCP服务器

设置

先决条件

安装

选项1：直接安装

选项2:Docker

配置

直接安装配置

Docker配置

可用工具

统计分析

机器学习

决策分析

逻辑推理

研究验证

可观察性和指标

指标端点

可用指标

缓存指标

系统指标

配置

使用示例

审计日志

使用示例

数据集分析

决策分析

假设检验

逻辑分析

发展

测试

脚本

项目结构

架构说明

工具类别

统计分析

决策支持

逻辑推理

研究整合

安全和隐私

许可证

贡献

故障排除

常见问题

调试模式

链接

相关 MCP

超参数优化服务器

认知增强MCP服务器

MLflow自然语言查询服务

计量经济学MCP服务器

图像生成服务器

MLflow模型管理服务器