AI导哈

广告技术模型协议套件

一套包含10个生产级模型上下文协议（MCP）服务器的广告技术套件，采用分层多智能体架构和高级机器学习算法。

  • by Samrajtheailyceum
  • Python
  • 本地部署
  • 1 星标
  • 更新于
在 GitHub 查看 samrajtheailyceum/adtech-mcp-suite

使用说明

广告技术MCP套件

一套10个用于广告技术的生产级模型上下文协议（MCP）服务器，每个服务器都具有分层多代理架构和高级ML算法。

建筑

每个MCP都遵循相同的模式：

Orchestrator Agent
├── Specialist Agents (domain experts)
│   ├── ML models (RF, GBM, Isolation Forest, etc.)
│   └── LLM reasoning layer
├── Critic Agent (adversarial review)
└── Ensemble Engine (weighted aggregation)

Shared Safety Layer
├── API Security (rate limiting, injection detection)
├── Design Validator (dark patterns, WCAG, budget guardrails)
└── Privacy Guard (PII detection, GDPR compliance)

10 MCP

# MCP 关键算法 关键代理
1 创新智慧 随机森林、孤立森林、指数衰减、CUSUM 创意、观众、竞价、疲劳、简报、评论家、编曲
2 归因 马尔可夫链去除效应，岭MMM 归因，批评
3 品牌安全 TF-IDF+朴素贝叶斯 内容分类器，安全批评
4 有竞争力的英特尔 KMeans+TF-IDF 竞争对手英特尔，竞争评论家
5 受众数据 逻辑回归相似，Jaccard重叠 受众数据，受众评论家
6 RTB优化器 梯度增强、汤普森采样 RTB优化器、RTBCritic
7 隐私合规 模式匹配、IAB TCF 同意合规、合规批评
8 测量 频率学家+贝叶斯A/B，IQR/Z评分异常 测量，统计批评
9 网红 参与度分析，TF-IDF余弦相似性 影响力评分，影响力评分
10 创造性生产 蒙特卡洛功率分析，决策树 创意生产，生产评论家

设置

# 1. Install dependencies
pip install anthropic mcp scikit-learn numpy pandas scipy rich python-dotenv

# 2. Set API key
cp shared/config.py 0X-mcp-name/config.py  # or set ANTHROPIC_API_KEY env var

# 3. Run any MCP server
python 01-creative-intelligence/mcp_server.py
python 02-attribution/mcp_server.py
# etc.

# 4. Or run the full demo (MCP 1)
python 01-creative-intelligence/run_demo.py

添加到Claude桌面

将任何服务器添加到 claude_desktop_config.json:

{
  "mcpServers": {
    "adtech-creative": {
      "command": "python",
      "args": ["/path/to/01-creative-intelligence/mcp_server.py"],
      "env": { "ANTHROPIC_API_KEY": "your-key" }
    },
    "adtech-attribution": {
      "command": "python",
      "args": ["/path/to/02-attribution/mcp_server.py"],
      "env": { "ANTHROPIC_API_KEY": "your-key" }
    }
  }
}

安全结构

这 shared/safety_agents/ 目录包含在每次工具调用时运行的代理：

  • api_security.py --速率限制、SQL/提示注入检测、PII编辑、审计日志记录
  • design_validator.py --暗模式检测、WCAG可访问性、预算护栏

MCP 1深潜：创造性智力

旗舰MCP使用5级分层管道：

Stage 1: Specialist Agents (run in parallel)
  ├── Creative Performance Agent  → Random Forest (200 trees, 5-fold CV)
  ├── Audience Intelligence Agent → Efficiency scoring (CTR × log(Reach))
  ├── Bidding Dynamics Agent      → Win-rate/competition analysis
  └── Fatigue Detection Agent     → Exp decay + CUSUM change-point

Stage 2: Brief Agent → synthesises specialist outputs

Stage 3: Critic Agent → Isolation Forest + adversarial LLM review

Stage 4: Ensemble Engine → confidence-weighted soft voting

Stage 5: Orchestrator → final executive recommendation

许可证

麻省理工学院

相关 MCP