MCP Agent Dashboard

MCP数据服务

提供方 dicksarp09

数据服务 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

一个基于LangGraph和MCP(模型-连接器-代理)模式的学生数据分析代理,用于分析学生表现数据,识别风险学生,并提供AI驱动的洞察。

一句话选型结论

按资料字段整理

MCP Agent Dashboard 属于数据服务类 MCP 服务器,stdio · 本地进程,无需鉴权,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类数据服务 传输方式stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 5 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

数据服务
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量5暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

学生分析TypeScript本地部署AI驱动教育科技数据分析性能监控

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
python -m venv .venv

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 5 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
数据库查询

用自然语言查库、取数,不用手写 SQL。

数据同步与清洗

把多来源数据拉到一处做整理。

报表取数

按口径快速拉出统计结果。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 5 个工具,职责相对集中,接入后不容易误操作。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在数据服务场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
MCP Agent Dashboard当前 5 stdio · 本地进程 本地部署 有 2026-05-17
Memory 9d25f64e 9 未标注 未标注 无 2026-05-17
Getzep MCP 9 stdio · 本地进程 本地部署 有 2026-05-17
anything-llm 未标注 stdio · 本地进程 本地部署 有 2026-04-11
Prisma MCP Server 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Astr Bot 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

数据服务
字段来自项目仓库与公开索引,中文说明由本站标注
提供方dicksarp09上游标注的维护方 dicksarp09
分类数据服务本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

11.4 KB
来自项目仓库与上游目录的原文,未做删改

LangGraph——MCP支持的学生分析代理

一个生产就绪的LangGraph风格的代理,通过最小的MCP(模型连接器代理)服务器安全地路由用户请求,以分析学生的表现数据。专为安全性、可观察性和优雅的故障处理而设计。


目录

  • 概述
  • 特性
  • 快速开始
  • 单线安装
  • 手动设置
  • 建筑
  • API概述
  • 可观测性
  • 发展
  • 路线图
  • 支持

概述

该系统帮助教育工作者分析学生表现数据,以识别有风险的学生,跟踪成绩趋势,并通过人工智能助手界面获得见解。

为什么选择MCP? 模型连接器代理模式在人工智能推理和数据访问之间建立了严格的界限。这通过确保LLM只对意图进行分类,而所有数据操作都通过确定性、可审计、只读的通道,防止了“LLM即系统”的反模式。


特性

  • 人工智能驱动的分析 --关于具有LLM意图解析和确定性回退的学生的自然语言查询
  • 性能分析 --学生总结、趋势检测、风险评估和班级排名
  • 实时仪表板 --带有KPI、图表和排行榜的React+TypeScript接口
  • 综合可观察性 --Prometheus度量、分布式跟踪和LLM成本跟踪
  • 安全第一设计 --只读MCP服务器、投影白名单、输入验证
  • 故障弱化 --在没有LLM(启发式回退)和MongoDB(模拟数据)的情况下工作

快速开始

先决条件

  • Python 3.10+
  • Node.js 18+
  • MongoDB(本地或Atlas)-- 或者使用Docker进行一次命令设置

单线安装```bash

curl -sSL https://raw.githubusercontent.com/dicksarp09/mcp-agent-dashboard/main/install.sh | bash


这将:

1. 克隆存储库
1. 设置Docker容器(MongoDB、后端、前端)
1. 配置环境变量
1. 启动所有服务

访问仪表板: **http://localhost:3000**

### 手动设置

#### 1.后端设置```bash
# Create virtual environment
python -m venv .venv
.venv\Scripts\activate  # Windows
# source .venv/bin/activate  # Mac/Linux

# Install dependencies
pip install -r requirements.txt

# Create .env file
cat > .env << EOL
MONGO_URI=mongodb+srv://username:password@cluster.mongodb.net/
MONGO_DB=student-db
MONGO_COLLECTION=student_performance.records
GROQ_API_KEY=your_groq_api_key_here
EOL

# Start the MCP server
python start_server.py

服务器在上运行 http://127.0.0.1:8000

2.前端设置```bash

cd web
npm install
npm run dev


仪表板运行 `http://localhost:3000`

#### 3.访问应用程序

打开 `http://localhost:3000` 在您的浏览器中。

______________________________________________________________________

## 建筑```
┌─────────────────┐
│  React Client   │
│   (Dashboard)   │
└────────┬────────┘
│ HTTP/REST
▼
┌─────────────────────────────────────┐
│       LangGraph Agent Layer         │
│  ┌──────────────────────────────┐  │
│  │  Intent Classification Node  │  │ ← Rule-based + LLM fallback
│  └──────────┬───────────────────┘  │
│             ▼                       │
│  ┌──────────────────────────────┐  │
│  │   Input Validation Node      │  │ ← Security checkpoint
│  └──────────┬───────────────────┘  │
│             ▼                       │
│  ┌──────────────────────────────┐  │
│  │   MCP Tool Invocation Node   │  │ ← Database interaction
│  └──────────┬───────────────────┘  │
│             ▼                       │
│  ┌──────────────────────────────┐  │
│  │   Performance Analysis Node  │  │ ← Deterministic computation
│  └──────────┬───────────────────┘  │
│             ▼                       │
│  ┌──────────────────────────────┐  │
│  │   Response Formatting Node   │  │
│  └──────────────────────────────┘  │
└─────────────────┬───────────────────┘
│ MCP Protocol
▼
┌─────────────────┐
│   MCP Server    │
│  ┌───────────┐  │
│  │   Cache   │  │ ← In-memory (1,295x speedup)
│  └─────┬─────┘  │
│        ▼         │
│  ┌───────────┐  │
│  │Projection │  │ ← Security whitelist
│  │Whitelist  │  │
│  └─────┬─────┘  │
└────────┼─────────┘
│ Read-only
▼
┌─────────────────┐
│  MongoDB Atlas  │
│  (Students DB)  │
└─────────────────┘

关键组件

  • 代理 (src/agent.py)--使用可观察性检测来编排LangGraph节点
  • MCP服务器 (src/mcp_server.py)--具有安全白名单的只读MongoDB访问
  • 性能分析器 (src/performance_analyzer.py)--确定性分析逻辑
  • 可观测性 (src/observability.py)--度量、跟踪和成本跟踪

系统设计

有关涵盖架构、安全性、弹性和可观察性的55个问题的详细系统设计评估,请参阅 SYSTEM_DESIGN.md.


API概述

健康与信息

  • GET / -API信息和状态
  • GET /health --健康检查
  • GET /docs --Swagger用户界面文档

学生查询

  • POST /query --按ID查询单个学生
  • POST /analyze/summary --学生表现总结
  • POST /analyze/trend --品位趋势分析
  • POST /analyze/risk --风险评估
  • POST /class_analysis --班级级别分析

查询示例```bash

curl -X POST http://localhost:8000/query \
-H "Content-Type: application/json" \
-d '{"student_id": "689cef602490264c7f2dd235", "fields": ["name", "G1", "G2", "G3"]}'


有关API的完整文档,请参阅 **API_README.md**.

______________________________________________________________________

## 可观测性

该系统包括覆盖80%生产需求的综合可观测性。

### 可用指标

- **请求度量** --按节点/查询类型列出的请求总数和失败次数
- **延迟度量** --每个节点的执行时间、MCP调用、LLM调用
- **缓存指标** --命中率/未命中率(观察到高达1295倍的加速)
- **成本跟踪** --LLM代币使用情况和每个模型的估计美元成本

### 分布式追踪

每个请求都通过具有相关ID的所有5个代理节点进行跟踪:

- `agent.intent` --意图解析
- `agent.validation` --请求验证
- `agent.mcp_call` --MCP服务器调用
- `agent.analysis` --性能分析
- `agent.response` --响应综合

### 访问指标```python
from src.observability import get_metrics_summary

summary = get_metrics_summary()
print(f"Cache hits: {summary['cache_hits']}")
print(f"Total LLM cost: ${sum(summary['llm_cost_usd'].values())}")

Prometheus指标端点: GET /metrics

有关详细的可观察性文档,请参阅 可维护性_ SUMMARY.md.


发展

项目结构```

mcp-agent-dashboard/
├── src/
│ ├── main.py # FastAPI application
│ ├── agent.py # LangGraph agent
│ ├── mcp_server.py # MCP server
│ ├── performance_analyzer.py # Analytics logic
│ └── observability.py # Metrics & tracing
├── web/ # React frontend
├── SYSTEM_DESIGN.md # Detailed system design
├── DEPLOYMENT.md # Deployment guide
└── README.md # This file


### 运行测试```bash
# Backend tests
pytest

# Frontend tests
cd web
npm test

代码质量```bash

Type checking (frontend)

cd web
npx tsc --noEmit

Linting (frontend)

npm run lint


### 环境变量

创建一个 `.env` 项目根目录中的文件:```env
# MongoDB (Required for real data)
MONGO_URI=mongodb+srv://username:password@cluster.mongodb.net/
MONGO_DB=student-db
MONGO_COLLECTION=student_performance.records

# Groq API (Optional - for LLM intent parsing)
GROQ_API_KEY=your_groq_api_key_here

# Without MongoDB credentials, the server runs with mock data

路线图

当前限制

  • 风险阈值是硬编码的(G3\<10)
  • 不支持多租户
  • 没有可通过UI配置的策略
  • 生产部署需要手动设置

计划的功能

  • []通过管理界面可配置风险阈值
  • []具有数据隔离功能的多租户支持
  • []高级分析(预测建模)
  • []移动响应式仪表板改进
  • []Kubernetes部署模板
  • []用于快速更改的A/B测试框架
  • []异常查询模式的异常检测
  • []符合GDPR的数据删除工作流程

安全与最佳实践

  • ✅ 投影白名单 --MCP只允许特定字段
  • ✅ 只读访问 --通过MCP无写入操作
  • ✅ 输入验证 --所有输入上的Pydantic验证器
  • ✅ 指标中没有原始数据 --可观察性仅使用低基数标签
  • ✅ 跟踪上下文 --分布式跟踪,不暴露敏感数据
  • ✅ 成本跟踪 -静态定价,无外部API调用

故障排除

后端无法启动

  • 检查端口8000是否空闲: netstat -ano | findstr :8000
  • 在中验证MongoDB凭据 .env
  • 检查日志中的连接错误

前端无法连接

  • 确保后端在端口8000上运行
  • 检查浏览器控制台是否存在CORS错误
  • 验证 vite.config.ts 代理设置

LLM不工作

  • 检查 GROQ_API_KEY 在 .env
  • 如果LLM失败,系统将退回启发式解析
  • 检查日志中是否有“LLM解析失败”消息

Docker问题

看 部署.md 了解Docker的详细故障排除。


支持

对于问题和疑问:

  • 检查 API_README.md 有关后端详细信息
  • 检查 可维护性_ SUMMARY.md 可观察性文档
  • 检查 SYSTEM_DESIGN.md 了解架构细节
  • 检查 部署.md 用于部署指南
  • 在GitHub上打开一个问题

贡献

  1. 克隆该仓库
  2. 创建要素分支
  3. 进行更改
  4. 如果适用,添加测试
  5. 提交拉取请求

内置于 FastAPI、React、LangGraph和MongoDB

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
MCP Agent Dashboard 怎么安装?

在客户端按下面的安装命令接入:python -m venv .venv。装完在客户端配置里引用同一个包或端点。

MCP Agent Dashboard 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

MCP Agent Dashboard 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

MCP Agent Dashboard 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

MCP Agent Dashboard 能提供哪些能力?

资料显示约 5 个工具;能力标签包括 TypeScript、数据分析、性能监控。具体工具清单以官方文档为准。

MCP Agent Dashboard 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

MCP Agent Dashboard 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。