MCP Forensic Analyzer

MCP运维云端

提供方 kenwalger

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

MCP Forensic Analyser是一个基于模型上下文协议(MCP)的AI审计工具,支持本地优先处理、标准化工具发现和多层治理,适用于敏感数据分析和企业级AI治理场景。

一句话选型结论

按资料字段整理

MCP Forensic Analyzer 属于运维云端类 MCP 服务器,stdio · 本地进程,无需鉴权,可直接接入 Claude,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

支持客户端

适用场景

AI审计TypeScript本地部署协议驱动本地处理企业治理多语言架构

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 examples/quick_start.py --artifact ./test_images/sample.jpg

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。
  • 已适配 Claude,换客户端不用重新研究配置。
  • 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。
  • 已经在用 Claude 的用户,接入路径最短。
  • 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 Forensic Analyzer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kenwalger上游标注的维护方 kenwalger
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

8.6 KB
来自项目仓库与上游目录的原文,未做删改

MCP法医分析仪

协议驱动人工智能审计的参考实现

🗺️ 主权金库之旅

此存储库是 胶水代码结束 博客系列。它展示了 设计安全 敏感数据在由高推理云模型分析之前在本地处理的架构。

> 新来的? 从我们的开始 沃克休斯医学博士 查看每篇博客文章如何映射到代码。

🏛️ 设计原则

该项目展示了现代人工智能系统的五种核心模式:

  1. 当地第一印象: 重视觉处理发生在你的金属上,而不是在云中。
  2. 标准化工具发现: 代理通过MCP动态发现功能——无需为每个新工具定制“粘合代码”。
  3. 主权气闸: 一个多层治理门(Redactor+Guardian),控制离开网络的内容。
  4. 认知预算: 语义路由,为任务使用最具成本效益的模型。
  5. 可评估情报: 一个“LLM即法官”框架,通过数据而不是“振动”来证明可靠性。

🐍 为什么选择TypeScript+Python?

我们使用a Polyglot建筑 以反映真实的企业环境:

  • TypeScript(MCP服务器): 非常适合定义MCP生命周期、严格类型模式(Zod)和高性能服务器端逻辑。
  • Python(编排器): 代理框架、数据科学和本地SLM交互的行业标准(Ollama/Presidio)。

⚡ 5分钟演示

通过预配置的审核查看“主权保险库”的运行情况:```bash

Analyze a sample artifact locally using the quick-start script

python examples/quick_start.py --artifact ./test_images/sample.jpg


______________________________________________________________________

## 建筑```mermaid
graph TB
subgraph Intelligence_Layer [Orchestration & Reasoning]
A[Agent Supervisor]
B[Auditor Persona]
C[The Judge]
end

subgraph Capability_Layer [MCP Tools & Resources]
D[Librarian: Bibliography Lookup]
E[The Eye: Local Vision]
end

subgraph Governance_Layer [The Airlock]
F[Sovereign Redactor]
G[The Guardian: HITL]
H[Final Forensic Report]
end

A --> D
A --> E
D --> B
E --> F
F --> B
B --> G
G --> H
H --> C

style Intelligence_Layer fill:#e3f2fd,stroke:#1565c0
style Capability_Layer fill:#e8f5e9,stroke:#2e7d32
style Governance_Layer fill:#fce4ec,stroke:#c2185b
style G fill:#f06292,stroke:#880e4f,stroke-width:3px

这 MCP法医分析仪 是一个模型上下文协议(MCP)服务器,旨在促进深入的档案审计和元数据协调。作为建筑的基石 胶码系列结束,它展示了如何从脆弱的API集成转变为标准化的、基于发现的人工智能架构。

珍本书认证是我们的主要案例研究,用于演示通用的AI取证架构。

🏛️ 建筑:“零胶水”堆栈

与传统的集成不同,此服务器允许任何兼容MCP的代理(Claude、Oracle 26ai、本地SLM)动态发现取证工具,而无需自定义代码。

该项目遵循企业AI网格模式,将智能(代理)与能力(MCP服务器)解耦。它旨在从本地“法医洁净室”扩展到使用Oracle 26ai进行不可变审计跟踪和行级安全的企业级治理环境。

⚖️ 可靠性和可观察性

我们通过实施 法学硕士作为法官 框架。

  • 黄金数据集: 用于评估代理绩效的一组基本事实法医案例。
  • 自动评估: 每一个架构更改都由一个推理能力很强的“判断代理”进行审核,以确保取证准确性的零回归。
  • 结构化日志记录: 所有提供者错误和推理链都会被捕获以进行事后分析,从而避免无声的失败。

👁️ 局部多模态视觉(3.1后)

分析仪使用 Llama 3.2-愿景 通过Ollama执行本地OCR和物理工件检查。这确保了敏感文档的高分辨率图像永远不会离开您当地的“洁净室”

  • 能力: 手写转录、纸张老化分析和标题页布局验证。
  • 延迟注意事项: CPU上的本地视觉是资源密集型的。系统默认为 300秒超时 以适应深度法医扫描。
  • 配置: 确保Ollama正在运行 llama3.2-vision (或类似的多模式模型)。

🛡️ 红人(后3.2)

🛡️ Redactor(3.2后——PII清理)

这 主权红演员 实施“云不可知”安全气闸。在云出口之前,它会自动从视觉上下文中清除PERSON、LOCATION和ORGANIZATION实体。

  • 默认安全: 任何未明确标记为的提供者 LOCAL (例如,Anthropic、OpenAI)会触发强制编辑。
  • 精密屏蔽: 使用A 允许列表 (标题、作者、出版商)在隐藏PII的同时保留取证元数据。
  • 容错性: 实现基于哨兵的“安全失败”模式——如果NLP引擎无法加载,系统会警告用户,并继续进行未经编辑的审计,而不是崩溃。

设置:```bash

Uncomment the PII section in examples/requirements.txt, then:

pip install -r examples/requirements.txt
python -m spacy download en_core_web_lg


编排者懒洋洋地加载Redactor;如果缺少依赖项,云运行将继续进行,而无需清理PII。请参阅 `examples/redactor.py`.

## 🛡️ 循环中的人类(卫报)

编排器实现 **治理** 对于高风险的发现:

- **触发:** 当分析师发现严重程度较高的差异时,报告不会立即定稿。
- **握手:** 系统会提示用户: *你授权这项法医调查结果吗?(是/否)*.
- **治理:** 如果 *是*,调查结果最终确定。如果 *不*,它已被标记 `DISPUTED_BY_HUMAN` 并移至“需要进一步调查”。
- 使用 `--no-guardian` 跳过CI或非交互式运行(例如评估器)。

## 💰 认知预算(会计)

为了管理企业规模,我们实施 **语义路由**:

- **分层智能:** 请求按复杂性分类。简单的任务被路由到本地SLM(Phi-4/Llama 3.2),而复杂的取证任务则升级到Claude 3.5。
- **成本优化:** 这种方法将推理成本降低了80%,而不会牺牲重要的高端推理。

> **建筑师摘要:** 该实现解决了企业人工智能的三个“最后一英里”问题:标准化(通过MCP)、可靠性(通过自动化的LLM-as-a-Jegister)和可持续性(通过分层智能路由)。它将人工智能从脆弱、高成本的实验转变为受控、成本优化的基础设施。

## 🛠️ 特性

- **发现第一:** 实现完整的MCP生命周期(握手->清单->执行)。
- **归档工具:** 元数据交叉引用和水印验证的专用功能。
- **Polyglot就绪:** 内置TypeScript,旨在由基于Python的代理框架编排。

## ⚙️ 配置和提示

代理逻辑与执行引擎解耦。系统指令在中管理 `config/prompts.yaml`,允许对提示版本进行A/B测试和特定于模型的调优,而无需重新部署代码。

## 🚀 快速开始

### 安装```bash
npm install
npm run build

🏠 Edge AI:使用SLM在本地运行

此分支演示了“法医洁净室”设置,将推理从云端移动到本地计算机。

先决条件

  1. 奥拉马: 下载并安装Ollama.
  2. 型号: 拉取默认模型(或您选择的其他模型):```bash
    ollama pull llama3.2
编排器默认为 `llama3.2`;对于其他型号(如phi4),设置 `LLM_MODEL` (见下文)。

### 运行本地编排器

要使用本地SLM运行多代理团队,请执行以下操作:```bash
python examples/orchestrator.py --provider ollama

要使用其他模型或Ollama主机,请设置环境变量:```bash
LLM_MODEL=phi4 python examples/orchestrator.py --provider ollama
OLLAMA_HOST=http://192.168.1.10:11434 python examples/orchestrator.py --provider ollama


### 环境变量

|变量|描述|默认值|
|---|---|---|
| `OLLAMA_VISION_TIMEOUT_MS` |局部视觉处理超时| `300000` (5分钟)|
| `PII_REDACTION_ENABLED` |切换主权Redactor| `true` |

> 注意:SLM需要显式的指令调优。编排器包括一个优化的系统提示,以帮助小型模型有效地处理MCP JSON模式。

### 运行法官```bash
python examples/evaluator.py

与会计师一起运行(语义路由器)

按复杂性路由请求以节省预算——简单的查询使用本地SLM,复杂的取证任务使用云模型:bash python examples/router.py --query "Look up The Hobbit" --title "The Hobbit" --author "Tolkien" python examples/orchestrator.py --use-accountant --query "Compare points of issue and binding across editions" --title "The Great Gatsby"

通过配置路由 ACCOUNTANT_MODEL (分类模型), ACCOUNTANT_CLASSIFICATION_PROVIDER (默认值:ollama;使用 lm_studio 如果只有LM Studio可用), ACCOUNTANT_LEVEL_1_PROVIDER, ACCOUNTANT_LEVEL_2_PROVIDER.

常见问题

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

在客户端按下面的安装命令接入:python examples/quick_start.py --artifact ./test_images/sample.jpg。装完在客户端配置里引用同一个包或端点。

MCP Forensic Analyzer 怎么在 Claude 里配置?

它的传输方式是stdio · 本地进程,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,配置才会生效。

MCP Forensic Analyzer 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 Forensic Analyzer 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 Forensic Analyzer 支持哪些客户端?

资料标注支持 Claude;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

MCP Forensic Analyzer 能提供哪些能力?

资料显示能力标签包括 本地处理、TypeScript、Claude。具体工具清单以官方文档为准。

MCP Forensic Analyzer 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 Forensic Analyzer 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。