Data 5ddb49ea

MCPAI代理

提供方 未标注

AI代理 HTTP · 远程 未标注 社区 / 第三方
查看接入方式

全面解析Data Dictionary MCPMCP Server的核心功能、安装配置和实用案例。作为顶级Model Context Protocol服务器,Data Dictionary MCP能让AI助手访问实时数据、执行操作,为您提供更智能的工作体验和自动化解决方案。

一句话选型结论

按资料字段整理

Data 5ddb49ea 属于AI代理类 MCP 服务器,HTTP · 远程,鉴权方式未标注,有可直接复制的远程端点配置。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AI代理 传输方式HTTP · 远程 鉴权未标注 部署方式远程部署
GitHub 星标 未标注 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

AI代理
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

安装与配置

HTTP · 远程 未标注
连远程 HTTPS 端点,通常为 Streamable HTTP
pip install -r requirements.txt

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

    确认你的客户端支持远程端点,并拿到服务地址。

  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
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

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。

先想清楚的地方

  • 远程端点依赖网络与服务方可用性,注意密钥与调用额度。
  • 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AI代理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

  • 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
Data 5ddb49ea当前 未标注 HTTP · 远程 远程部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方未标注上游标注的维护方 未标注
分类AI代理本站按上游分类展示
连接方式HTTP · 远程连远程 HTTPS 端点,通常为 Streamable HTTP
鉴权方式未标注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
部署类型远程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

3.1 KB
来自项目仓库与上游目录的原文,未做删改

Data Dictionary MCP

A Model Context Protocol (MCP) server that coordinates AI agents to transform database tables into Wikipedia-style data dictionaries.

Overview

The Data Dictionary MCP project automates the conversion of various database formats into comprehensive, human-readable data dictionaries using AI-powered analysis and description. It leverages the Model Context Protocol (MCP) to coordinate AI agents for analyzing, describing, and verifying database structures.

Features

  • Multi-Format Support: Process JSON, CSV, and Plain Text files (with more formats planned)
  • AI-Powered Analysis: Generate field descriptions and identify relationships
  • MCP Integration: Coordinate AI agents using the Model Context Protocol
  • Schema Extraction: Extract database schemas from various formats into a unified representation
  • Wikipedia-Style Output: Present data dictionaries in a familiar, accessible format

Project Status

This project is in active development. See the Project Roadmap for details.

Getting Started

Prerequisites

  • Python 3.9+
  • Git
  • pip or poetry for dependency management

Installation

  1. Clone the repository:bash git clone https://github.com/jonahkeegan/data-dictionary-mcp.git cd data-dictionary-mcp

  2. Create a virtual environment:bash python -m venv venv source venv/bin/activate # On Windows: venv\Scripts\activate

  3. Install dependencies:bash pip install -r requirements.txt

  4. Run the application:bash python src/main.py

Project Structure```

data-dictionary-mcp/
├── docs/ # Documentation
├── src/ # Source code
│ ├── mcp/ # MCP server components
│ ├── analyzers/ # Format analyzers
│ ├── agents/ # Agent coordination
│ └── dictionary/ # Dictionary generation
├── tests/ # Test suite
├── memory-bank/ # Cline memory bank
├── .gitignore
├── .clinerules # Cline rules
├── README.md
└── requirements.txt
```

Project Roadmap

Milestone 1: MCP Server Foundation and Format Analyzers

  • Implement MCP server with basic tool definitions
  • Develop format analyzers for JSON, CSV, and Plain Text
  • Create schema extraction system
  • Implement unit tests for core components

Milestone 2: AI Agent Coordination and Field Description

  • Implement agent coordination system
  • Develop field description generation
  • Create task distribution and result aggregation
  • Add integration tests

Milestone 3: Content Verification and Publishing

  • Implement content validation
  • Develop Wikipedia-style formatting
  • Create export capabilities
  • Add end-to-end tests

Milestone 4: User Interface and Deployment

  • Develop web interface
  • Implement search capabilities
  • Add user feedback system
  • Create deployment infrastructure

Contributing

Contributions are welcome! Please feel free to submit a Pull Request.

License

This project is open source and available under the MIT License.

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
Data 5ddb49ea 怎么安装?

在客户端按下面的安装命令接入:pip install -r requirements.txt。装完在客户端配置里引用同一个包或端点。

Data 5ddb49ea 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。

Data 5ddb49ea 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。

Data 5ddb49ea 需要 API Key 吗?

资料没有标注鉴权方式,是否需要密钥取决于服务本身,接入前按官方文档确认。

Data 5ddb49ea 能提供哪些能力?

资料显示能力标签包括 格式转换、Python、AI分析、HTTP。具体工具清单以官方文档为准。

Data 5ddb49ea 需要什么运行环境?

运行时为 Python;属于远程端点,不需要在本地装运行时。

Data 5ddb49ea 是本地还是远程?

它是远程端点,连服务地址即可。传输方式为HTTP · 远程。

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。