Skos MCP Classifier

MCP运维云端

提供方 idourra

运维云端 stdio · 本地进程 API Key 社区 / 第三方
查看接入方式

使用SKOS本体、Model Context Protocol (MCP)和OpenAI GPT-4o-mini进行高精度自动分类的产品智能分类系统。

一句话选型结论

按资料字段整理

Skos MCP Classifier 属于运维云端类 MCP 服务器,stdio · 本地进程,API Key,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API Key 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

智能分类Python本地部署产品分类SKOS本体OpenAI自动化处理

安装与配置

stdio · 本地进程 API Key
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。

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。
  • 使用前要准备好API Key对应的凭据,并按最小权限配置。
  • 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。
  • 不方便管理密钥或第三方授权的人。
  • 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
Skos MCP Classifier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idourra上游标注的维护方 idourra
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API Key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

11.5 KB
来自项目仓库与上游目录的原文,未做删改

🏷️ SKOS MCP Classifier

> Sistema de clasificación inteligente de productos usando ontologías SKOS, Model Context Protocol (MCP) y OpenAI GPT-4o-mini para clasificación automática de alta precisión.

🚀 Activación Rápida```bash

Clonar repositorio

git clone https://github.com/idourra/skos-mcp-classifier.git
cd skos-mcp-classifier

Configurar entorno

python -m venv .venv
source .venv/bin/activate # Linux/Mac
pip install -r requirements.txt

Configurar OpenAI

echo "OPENAI_API_KEY=tu-api-key-aqui" > .env

¡Activar sistema completo!

./start_system.sh


**¡Sistema listo en 30 segundos!**
- 🌐 API REST: http://localhost:8000
- 📚 Documentación: http://localhost:8000/docs
- 🔧 MCP Server: http://localhost:8080

## 📋 Características Principales

### 🤖 **Clasificación Inteligente**
- ✅ **OpenAI GPT-4o-mini** con function calling
- ✅ **Precisión validada**: 91.5% en tests con 200 productos
- ✅ **Tiempo promedio**: 2-8 segundos por clasificación
- ✅ **Costo promedio**: $0.0003-$0.0009 USD por producto

### 🔄 **Procesamiento Async**
- ✅ **Endpoints asíncronos** 100% funcionales
- ✅ **Batch processing** hasta 200+ productos
- ✅ **Alta concurrencia** con FastAPI async

### 📊 **Sistema de Exportación**
- ✅ **Formatos múltiples**: CSV, Excel, JSON
- ✅ **Exportación batch** con formato profesional
- ✅ **Incluye metadatos**: timestamps, confianza, costos

### 💰 **Cost Tracking en Tiempo Real**
- ✅ **Métricas detalladas** de tokens OpenAI
- ✅ **Costos precisos** por clasificación
- ✅ **Tracking acumulativo** en batch processing

### 🏷️ **Taxonomía SKOS Completa**
- ✅ **282 conceptos** organizados jerárquicamente
- ✅ **Multi-taxonomía** support
- ✅ **Búsqueda semántica** avanzada

## 🏗️ Arquitectura del Sistema```mermaid
graph TD
A[Usuario/App] --> B[API REST :8000]
B --> C[MCP Server :8080]
B --> D[OpenAI GPT-4o-mini]
C --> E[SKOS SQLite DB]
D --> F[Function Calling]
F --> C

B --> G[Async Processing]
B --> H[Cost Tracking]
B --> I[Export System]

style B fill:#e1f5fe
style C fill:#f3e5f5
style D fill:#fff3e0
style E fill:#e8f5e8

Flujo de Clasificación:
1. 📝 Input: Producto + ID opcional
2. 🤖 AI Processing: GPT-4o-mini con function calling
3. 🔍 SKOS Search: Búsqueda semántica en taxonomía
4. Result: Clasificación + métricas + costos
5. Export: CSV/Excel con metadatos completos

📁 Estructura del Proyecto```bash

skos-mcp-classifier/
├── 🚀 start_system.sh # Activación automática del sistema
├── 🛑 stop_system.sh # Desactivación segura
├── 📋 Makefile # Comandos de automatización
├── 📖 USAGE_GUIDE.md # Guía completa de uso
├── 🧪 test_.py # Suite de testing (89/120 PASS)
│
├── 📡 classification_api.py # API REST principal (Puerto 8000)
├──
exporter.py # Exportadores CSV/Excel
├── 📊 test
*_endpoints.py # Tests de endpoints
│
├── server/ # Servidor MCP (Puerto 8080)
│ ├── main.py # FastAPI MCP Server
│ ├── skos_loader.py # Cargador taxonomía SKOS
│ └── db.py # SQLite database handler
│
├── client/ # Cliente de clasificación
│ ├── classify_standard_api.py # Cliente principal OpenAI
│ └── classify_agents_sdk.ts # SDK TypeScript
│
├── tests/ # Suite de testing completa
│ ├── test_api_endpoints.py # Tests API REST (12/15 PASS)
│ ├── test_functional.py # Tests funcionales
│ └── test_pydantic_models.py # Tests modelos de datos
│
└── data/
├── taxonomy.jsonld # Taxonomía SKOS (282 conceptos)
└── skos.sqlite # Base de datos generada


## ⚡ Inicio Rápido

### 1️⃣ **Instalación Automática**```bash
# Clonar repositorio
git clone https://github.com/idourra/skos-mcp-classifier.git
cd skos-mcp-classifier

# Configurar entorno
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

# Configurar OpenAI API Key
echo "OPENAI_API_KEY=tu-api-key-aqui" > .env

2️⃣ Activación del Sistema```bash

¡Un solo comando para todo!

./start_system.sh


**Sistema activo en 30 segundos:**

- 🌐 **API REST**:
- 📚 **Documentación**:
- 🔧 **MCP Server**:
- ✅ **Health Check**:

## 📊 APIs Completas Disponibles

| Endpoint | Método | Descripción | Status |
|----------|--------|-------------|--------|
| `/health` | GET | Estado del sistema | ✅ 100% |
| `/classify` | POST | Clasificación individual | ✅ 100% |
| `/classify/products` | POST | Clasificación múltiple | ✅ 100% |
| `/classify/async` | POST | Clasificación asíncrona | ✅ 100% |
| `/export/csv` | POST | Exportar a CSV | ⚠️ Testing |
| `/export/excel` | POST | Exportar a Excel | ⚠️ Testing |
| `/docs` | GET | Documentación Swagger | ✅ 100% |

## 🧪 Ejemplos de Uso

### 🏷️ **Clasificación Individual**```bash
curl -X POST "http://localhost:8000/classify" \
-H "Content-Type: application/json" \
-d '{"text": "yogur griego natural 0% grasa", "product_id": "SKU-001"}'

Respuesta:```json
{
"product_id": "SKU-001",
"search_text": "yogur griego natural 0% grasa",
"concept_uri": "https://treew.io/taxonomy/concept/111206",
"prefLabel": "Yogur y sustitutos",
"notation": "111206",
"level": 1,
"confidence": 1.0,
"openai_cost": {
"model": "gpt-4o-mini-2024-07-18",
"usage": {"prompt_tokens": 1908, "completion_tokens": 162},
"cost_usd": {"total": 0.000383},
"api_calls": 4
},
"timestamp": "2025-09-23T20:22:43.587022"
}


### 📦 **Clasificación Múltiple (Batch)**```bash
curl -X POST "http://localhost:8000/classify/products" \
-H "Content-Type: application/json" \
-d '{
"products": [
{"text": "aceite de oliva extra virgen", "product_id": "PROD-123"},
{"text": "queso parmesano curado", "product_id": "DAIRY-456"},
{"text": "cereales integrales miel", "product_id": "CEREAL-789"}
]
}'

⚡ Clasificación Asíncrona```bash

curl -X POST "http://localhost:8000/classify/async" \
-H "Content-Type: application/json" \
-d '{"text": "pan integral centeno", "product_id": "BREAD-001"}'


## 📊 Testing y Validación

### ✅ **Estado de Tests (Actualizado Sept 23, 2025)**```bash
# Ejecutar todos los tests
python -m pytest --tb=no --quiet

# Resultado: 89/120 tests EXITOSOS (74.2% success rate)

Componentes 100% Validados:

  • ✅ Sistema Async Core: 1/1 PASS
  • ✅ Cost Tracking: 3/3 PASS
  • ✅ Batch Processing: Tests funcionales exitosos
  • ✅ Multi-taxonomy: Sistema operacional
  • ✅ API Endpoints: 12/15 PASS (80% success)

Métricas de Performance Validadas:

  • 🎯 Precisión: 91.5% (test con 200 productos)
  • ⏱️ Tiempo promedio: 2-8 segundos por clasificación
  • 💰 Costo promedio: $0.0003-$0.0009 USD por producto
  • 📦 Batch de 10 productos: ~45 segundos, ~$0.006 USD

🧪 Testing Individual```bash

Health check rápido

curl http://localhost:8000/health

Test de clasificación

python test_classifier.py "yogur griego natural"

Test interactivo

python test_classifier.py --interactive

Test batch con IDs

python test_classifier.py --batch-ids


## 💰 Cost Tracking Detallado

El sistema incluye **tracking completo de costos OpenAI**:```json
{
"openai_cost": {
"model": "gpt-4o-mini-2024-07-18",
"usage": {
"prompt_tokens": 1908,
"completion_tokens": 162,
"total_tokens": 2070
},
"cost_usd": {
"prompt": 0.000286,
"completion": 0.000097,
"total": 0.000383
},
"cost_breakdown": {
"base_model_for_pricing": "gpt-4o-mini",
"prompt_cost_per_1m_tokens": 0.15,
"completion_cost_per_1m_tokens": 0.6
},
"api_calls": 4,
"calculation_timestamp": "2025-09-23T20:22:43.587022"
}
}

📤 Sistema de Exportación

Exportar a CSV```bash

curl -X POST "http://localhost:8000/export/csv" \
-H "Content-Type: application/json" \
-d '{
"products": [
{"text": "yogur natural", "product_id": "YOG-001"},
{"text": "queso cheddar", "product_id": "QUE-002"}
],
"format": "csv",
"filename": "clasificaciones_productos"
}'


### **Exportar a Excel**```bash
curl -X POST "http://localhost:8000/export/excel" \
-H "Content-Type: application/json" \
-d '{
"products": [...],
"format": "excel",
"filename": "reporte_clasificaciones"
}'

Los archivos exportados incluyen:

  • ✅ Texto original del producto
  • ✅ ID/SKU personalizado
  • ✅ Categoría clasificada y notación
  • ✅ Nivel de confianza
  • ✅ Métricas de costo OpenAI
  • ✅ Timestamps de procesamiento

🛠️ Comandos de Automatización

# Scripts de sistema
./start_system.sh          # Activar todo el sistema
./stop_system.sh           # Desactivar seguramente

# Comandos Make disponibles
make install               # Instalar dependencias
make server                # Solo MCP server
make api                   # Solo API REST
make test                  # Ejecutar tests
make clean                 # Limpiar archivos temporales

# Tests específicos
## 🚀 Casos de Uso Reales

### **E-commerce y Retail**

- 🛒 **Clasificación automática** de catálogos de productos
- 🔍 **Normalización de categorías** entre diferentes proveedores
- 📈 **Mejora de búsquedas** y recomendaciones
- 📊 **Analítica de productos** por categoría

### **Inventarios y Logística**

- 📦 **Organización automática** de almacenes
- 🏷️ **Trazabilidad por SKU** y códigos de producto
- 📋 **Reportes automáticos** por categoría
- 🔄 **Integración con ERPs** existentes

### **APIs y Integraciones**

- 🔌 **Middleware de clasificación** para múltiples sistemas
- 🌐 **API de terceros** para servicios de datos
- ⚡ **Processing batch** de grandes volúmenes
- 💰 **Control de costos** OpenAI en tiempo real

## 📊 Estado del Sistema

### ✅ **PRODUCCIÓN READY**

**Componentes Críticos Validados:**

- ✅ Clasificación Individual: **100% funcional**
- ✅ Clasificación Async: **100% funcional**
- ✅ Batch Processing: **100% funcional**
- ✅ Cost Tracking: **100% preciso**
- ✅ Multi-taxonomy: **100% operacional**
- ✅ OpenAI Integration: **100% estable**

**Performance Metrics:**

- 🎯 **Success Rate**: 91.5% en producción
- ⚡ **Response Time**: 2-8 segundos promedio
- 💰 **Cost Efficiency**: $0.0003-$0.0009 por clasificación
- 📈 **Throughput**: 200+ productos validados

### ⚠️ **Áreas de Mejora Identificadas**

- 🔧 Export System: Debugging en progreso
- 🧪 Test Coverage: Mejora de mocks OpenAI
- ✅ Input Validation: Strengthening en curso

## 🤝 Contribución

¡Las contribuciones son bienvenidas!

1. **Fork** el repositorio
2. **Crear rama**: `git checkout -b feature/nueva-funcionalidad`
3. **Commit**: `git commit -m 'Agregar nueva funcionalidad'`
4. **Push**: `git push origin feature/nueva-funcionalidad`
5. **Pull Request**: Abrir PR con descripción detallada

### **Reportar Issues**

Para bugs o solicitar features: GitHub Issues

## 📄 Licencia

Este proyecto está bajo la **Licencia MIT**. Ver LICENSE para más detalles.

## 🔗 Enlaces y Recursos

### **Documentación Técnica**

- 📚 Documentación SKOS
- 🤖 OpenAI API Docs
- ⚡ FastAPI Documentation
- 🔌 Model Context Protocol

### **Recursos del Proyecto**

- 📖 Guía de Uso Completa
- 🧪 Reportes de Testing
- 🛠️ Scripts de Automatización

---

## 🏆 Desarrollado con ❤️ para clasificación inteligente de productos

> **Sistema validado con 89/120 tests exitosos** · **91.5% precision rate** · **Production Ready Sept 2025**

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
Skos MCP Classifier 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。

Skos MCP Classifier 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。

Skos MCP Classifier 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。

Skos MCP Classifier 需要 API Key 吗?

资料标注需要API Key认证,使用前准备好对应凭据,并按最小权限配置。

Skos MCP Classifier 能提供哪些能力?

资料显示能力标签包括 Python、自动化处理、OpenAI。具体工具清单以官方文档为准。

Skos MCP Classifier 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。

Skos MCP Classifier 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。