Context Aware NLP Classification Platform With MCP

MCP运维云端

提供方 LeonardoMdSACode

运维云端 stdio · 本地进程 无需鉴权 社区 / 第三方
查看接入方式

一个结合TF-IDF+逻辑回归基线模型与LLM辅助上下文重排的模块化NLP分类平台,支持金融、HR和法律等多领域文本分类。

一句话选型结论

按资料字段整理

Context Aware NLP Classification Platform With MCP 属于运维云端类 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。

分类运维云端 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 未标注 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

运维云端
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注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

自然语言处理Python本地部署文本分类上下文感知机器学习多领域分析

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

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

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
云资源查询

查实例、存储、账单等云上资源状态。

部署与发布

把部署、重启、回滚这类操作接进对话。

监控与告警

拉取监控指标,异常时让模型帮你判断。

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

  • 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。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在运维云端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
Context Aware NLP Classification Platform With MCP当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
lobehub 未标注 stdio · 本地进程 本地部署 有 2026-04-11
TrendRadar 未标注 stdio · 本地进程 本地部署 有 2026-04-13
Ui Tars Desktop 8a825770 未标注 stdio · 本地进程 本地部署 有 2026-05-17
ruflo 未标注 stdio · 本地进程 本地部署 有 2026-04-13
FastGPT 未标注 stdio · 本地进程 本地部署 有 2026-04-11

服务器档案

运维云端
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LeonardoMdSACode上游标注的维护方 LeonardoMdSACode
分类运维云端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

11.6 KB
来自项目仓库与上游目录的原文,未做删改

title:基于MCP的上下文感知NLP分类平台 表情符号🧠 颜色来源:靛蓝 颜色:红色 sdk:docker app_file:Dockerfile 固定:false 许可证:mit

基于MCP的上下文感知NLP分类平台

概述

此存储库实现了 上下文感知NLP分类平台 它结合了轻量级的TF-IDF(术语频率-反向文档频率)+逻辑回归基线和可选 LLM辅助上下文重新排序 通过MCP(托管上下文平台)。它支持多领域分类(财务、人力资源、法律)、结构化上下文解析、日志记录和评估。

该平台是模块化的,可以运行 在虚拟环境中本地 或在一个 拥抱脸空间中的Docker容器.

拥抱面部空间: LeonardoMdSA/基于MCP的上下文感知NLP分类平台


仓库结构```text

Dockerfile
LICENSE
README.md
requirements-dev.txt
requirements.txt

app/
config.py # Configuration and settings
logging_config.py # Logging configuration
main.py # Main entry point for API server
api/
routes.py # FastAPI routes
schemas.py # Pydantic schemas
classification/
decision.py # Classification decision & abstention logic
llm_adapter.py # Optional LLM integration for context
model.py # Abstract classifier orchestration
preprocess.py # Text preprocessing and tokenization
sklearn_model.py # TF-IDF + Logistic Regression classifier
context/
resolver.py # Context resolution logic
logging/
context_log.py # Context logging to JSON
inference_log.py # Inference (label and confidence) logging to JSON

orchestration/
context_resolver.py # MCP-based structured context orchestration
mcp_client.py # MCP server communication utilities

utils/
validators.py # Metadata validation utilities

data/
samples/
train.json # Training samples (small dataset)
eval.json # Evaluation samples
training_data.json # Full training dataset

docs/
TECH_DEBT.md # Technical debt documentation

logs/ # Runtime logs

mcp_servers/
history_server/ # Historical label MCP server
server.py
data/labels.csv
policy_server/ # Policy MCP server
server.py
data/rules.yaml
taxonomy_server/ # Taxonomy MCP server
server.py
data/taxonomy.sqlite

models/
trained_pipeline.joblib # Trained sklearn model pipeline

scripts/
evaluate.py # Offline evaluation script
populate_taxonomy.py # Populate taxonomy.sqlite for MCP
seed_data.py # Seed initial data into MCP files
train_model.py # Train sklearn model from JSON dataset

tests/
conftest.py # Pytest configuration
test_api.py # API endpoint tests
test_classification.py # Classification module tests
test_context_resolution.py # Context resolver tests
test_mcp_servers.py # MCP server tests

ui/
static/
script.js # Frontend JS
style.css # Frontend CSS
templates/
index.html # Frontend template


______________________________________________________________________

## 安装(本地)

### 1.克隆存储库```bash
git clone https://github.com/LeonardoMdSACode/Context-aware-NLP-classification-platform-with-MCP.git
cd Context-aware-NLP-classification-platform-with-MCP

2.创建虚拟环境```bash

python -m venv .venv
source .venv/bin/activate # Linux/macOS
.venv\Scripts\activate # Windows


### 3.安装依赖项```bash
pip install -r requirements.txt
pip install -r requirements-dev.txt  # for testing and development

4.填充MCP分类(首次设置)```bash

python scripts/populate_taxonomy.py


这将填充 `mcp_servers/taxonomy_server/data/taxonomy.sqlite`.

### 5.训练模型```bash
python scripts/train_model.py

这将训练TF-IDF+逻辑回归模型并将其保存到 models/trained_pipeline.joblib.

6.评估模型```bash

python scripts/evaluate.py


显示离线评估指标(准确性、精确度、召回率、F1分数)。

______________________________________________________________________

## 在本地运行API

### 1.启动服务器```bash
uvicorn app.main:app --reload

这将在以下位置运行FastAPI服务器 http://127.0.0.1:8000.

2.运行MCP嵌入式服务器(如果使用嵌入式模式)

嵌入式MCP服务器通过以下方式自动启动 app.orchestration.mcp_client.start_embedded_mcp_servers().

3.访问UI

打开浏览器 http://127.0.0.1:8000 使用HTML/JS前端。

4.API终点

  • POST /classify :发送 text 可选 metadata 根据上下文进行分类。
  • Swagger用户界面: http://127.0.0.1:8000/docs

测试

1.运行所有测试```bash

pytest -v
```

2.烟雾测试

  • 跑 test_backend.py 以确保核心API路由正确响应。
  • 检查MCP服务器是否响应 /resolve 端点。

3.模块特定测试

  • test_classification.py → 验证 SklearnClassifier 和 LLMAdapter 预言。
  • test_context_resolution.py → 检查上下文解析器输出。
  • test_mcp_servers.py → 验证分类、策略、历史MCP服务器。

运作原理

1.分类层

  • 基线: app/classification/sklearn_model.py → TF-IDF+逻辑回归
  • LLM协助: app/classification/llm_adapter.py → 可选的MCP上下文重新排序
  • 决策逻辑: app/classification/decision.py → 应用信心、弃权、记录

2.上下文解析

  • 嵌入式MCP模式: app/orchestration/context_resolver.py 加载JSON/SQLite本地文件
  • 分布式MCP模式: 从分类、策略和历史MCP服务器获取上下文
  • 记录所有上下文解析以供审计

3.日志记录

  • app/logging/inference_log.py → 记录每一个预测
  • app/logging/context_log.py → 分类中使用的日志上下文
  • 日志以JSON格式存储在 logs/

4.MCP服务器

  • taxonomy_server → 提供SQLite中的类别和描述
  • policy_server → 从YAML提供策略规则
  • history_server → 从CSV提供历史标签数据
  • 通过HTTP端点进行通信

5.脚本

  • train_model.py → 训练并保存sklearn管道
  • evaluate.py → 离线评估
  • populate_taxonomy.py → 填充SQLite分类
  • seed_data.py → 种子MCP JSON文件

6.前端用户界面

  • 界面简洁 ui/templates/index.html
  • 使用JS(static/script.js)拨打电话 /classify 端点
  • 样式通过 static/style.css

技术栈

该项目实现了 生产风格、上下文感知的NLP分类平台 使用经典的机器学习、基于MCP的上下文丰富和FastAPI推理层。


核心语言和运行时

  • Python 3.13

  • 主要实现语言

  • 虚拟环境支持(venv)
  • 兼容本地执行和Docker

机器学习与NLP

  • scikit学习

  • TfidfVectorizer 用于文本特征提取

  • LogisticRegression (多类,类平衡)
  • 可选概率校准(CalibratedClassifierCV)

  • Joblib

  • 模型序列化和加载(trained_pipeline.joblib)

  • 经典机器学习(非深度学习)

  • 选择可解释性、决定论和生产现实主义


文本表示法

  • TF-IDF(词频-逆文档频率)

  • 单字和双字特征

  • 稀疏向量表示
  • 快速、可解释和确定性

模型推理与决策逻辑

  • 自定义分类编排

  • 基于信任的路由

  • 弃权处理
  • 确定性回退启发式

  • 上下文感知决策层

  • 使用MCP导出的信号调整预测

  • 推理日志记录

  • 输入、预测标签、置信度得分和上下文


上下文和MCP(模型上下文协议)

  • 受MCP启发的架构(本地服务器)

  • 在推理时动态解析上下文

  • 独立MCP服务器

  • 分类服务器 (SQLite支持的文档分类)

  • 策略服务器 (基于YAML的业务规则)
  • 历史服务器 (基于CSV的标签历史记录)

  • 上下文解析器

  • 聚合来自所有MCP服务器的信号

  • 将结构化上下文注入分类器决策流

后端API

  • 快速API

  • 基于REST的推理服务

  • 请求/响应验证
  • 自动OpenAPI文档

  • Uvicorn

  • 用于本地开发和部署的ASGI服务器

  • Pydantic 2

  • 严格的输入/输出模式

  • 验证和类型安全

前端(最小UI)

  • HTML/CSS/JavaScript

  • Jinja2模板

  • FastAPI静态文件

  • 轻量级推理接口

  • 无Streamlit或Gradio
  • 拥抱面部空间–兼容

持久性和存储

  • SQLite

  • 分类存储(taxonomy.sqlite)

  • 基于文件系统的存储

  • 训练有素的模特

  • 日志
  • 评估工件

测井和观测

  • 结构化日志记录

  • 推理日志

  • 上下文解析日志

  • 基于JSON的日志格式

  • 旨在支持未来:

  • 漂移检测

  • 监控
  • 告警

评估与实验

  • 离线评估脚本

  • 准确度、精密度、召回率、F1分数

  • 详细的 classification_report

  • 分离的列车/评估数据集

  • 置信度分析

  • 用于检查校准和过度自信


测试

  • pytest

  • API测试

  • 分类逻辑测试
  • 上下文解析测试
  • MCP服务器测试

  • 冒烟测试

  • 端到端推理验证

  • 共享装置 通过 conftest.py


DevOps与打包

  • 码头工人

  • 可复制的构建

  • 容器化推理服务

  • 依赖管理

  • requirements.txt

  • requirements-dev.txt

  • CI/CD存储库结构

  • GitHub操作


设计理念

  • 经典机器学习优于深度学习(有意)
  • 基于原始预测的上下文感知推理
  • 可解释性优于黑盒准确性
  • 玩具演示的生产现实主义

建议

  • 使用一个 更大、更多样化的数据集 用于实际部署,以避免过拟合
  • 使用 S形校准 用于真实的置信度评分
  • 保留日志 可审计性 以及上下文可追溯性
  • 定期运行测试 pytest -v 以确保稳定性

参考文献/文件

  • docs/TECH_DEBT.md → 技术债务票据及改进建议
  • data/samples/ → 样本培训/评估数据集
  • models/trained_pipeline.joblib → 预训练基线模型

联系人/作者

存储库: LeonardoMdSCode/基于MCP的上下文感知NLP分类平台

拥抱面部空间: LeonardoMdSA/基于MCP的上下文感知NLP分类平台


MIT许可证

该项目根据MIT许可证获得许可。有关详细信息,请参阅LICENSE文件。

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
Context Aware NLP Classification Platform With MCP 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。

Context Aware NLP Classification Platform With MCP 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。

Context Aware NLP Classification Platform With MCP 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。

Context Aware NLP Classification Platform With MCP 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。

Context Aware NLP Classification Platform With MCP 能提供哪些能力?

资料显示能力标签包括 自然语言处理、Python、机器学习、上下文感知。具体工具清单以官方文档为准。

Context Aware NLP Classification Platform With MCP 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。

Context Aware NLP Classification Platform With MCP 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。