项目简介

KumoRFM MCP 服务器是一个基于 Model Context Protocol (MCP) 构建的后端服务，旨在将 KumoRFM（关系基础模型）的强大预测能力集成到各种AI代理和LLM应用中。KumoRFM 是一个预训练的关系基础模型，能够通过将多表关系数据解释为异构图，生成无需训练的预测。本服务器通过标准化接口（JSON-RPC）向LLM客户端提供 KumoRFM 的核心功能，包括图数据管理、预测查询（PQL）执行以及结果解释，赋能AI助手处理复杂的关系数据预测任务。

主要功能点

数据图管理： 允许用户从CSV或Parquet文件构建、管理和可视化关系数据图。可以检查图的元数据（如表结构、列类型、主键、时间列等）、更新图的结构、添加或移除表和链接，并生成Mermaid图表进行可视化。
数据查询与检索： 能够查找目录中的表格文件，预览其内容，并根据主键检索已注册表中特定行的数据。
关系模型预测： 核心功能是执行基于“预测查询语言 (PQL)”的预测查询。支持多种预测任务，如缺失值填充、时间序列预测等，且无需额外的模型训练。
性能评估： 能够评估预测查询的性能，通过与已知真实标签进行比较，返回准确性、精确度、召回率、F1分数、AUC等多种指标。
预测解释： 提供对模型预测的解释，包括全局的列级分析和局部的单元格级归因视图，帮助用户理解预测背后的原因。
会话与认证： 管理KumoRFM会话，并支持API Key或OAuth2流程进行认证。

安装步骤

Python环境准备： 确保您的系统安装了 Python 3.10 或更高版本。
安装服务器： 打开终端或命令行，运行以下命令安装 KumoRFM MCP 服务器：
```
pip install kumo-rfm-mcp
```
安装MCP Bundle (可选，适用于Claude Desktop等客户端)：
- 从这里下载 '.dxt' 文件。
- 双击下载的文件即可安装。MCP Bundle 会自动创建独立的Python虚拟环境并安装所需依赖，支持Linux, macOS和Windows。

服务器配置

MCP 服务器需要通过 MCP 客户端进行连接。以下是适用于大多数 MCP 客户端（如 Claude Desktop）的 JSON 配置示例，您需要将其添加到您的 MCP 客户端配置文件中：

{
  "mcpServers": {
    "kumo-rfm": {
      "command": "python",
      "args": ["-m", "kumo_rfm_mcp.server"],
      "env": {
        "KUMO_API_KEY": "您的KumoRFM_API_密钥"
      }
    }
  }
}

'mcpServers'：定义了MCP服务器列表。
'kumo-rfm'：这是一个自定义的服务器名称，客户端将使用此名称引用该服务器。
'command'：启动服务器的命令，这里是'python'。
'args'：传递给'command'的参数，'-m kumo_rfm_mcp.server' 会运行 'kumo_rfm_mcp' 包中的服务器模块。
'env'：服务器启动时所需的环境变量。
- 'KUMO_API_KEY'：您的 KumoRFM API 密钥，用于认证。您可以在 KumoRFM官网免费获取。

基本使用方法

配置完成后，您的MCP客户端（如Claude Desktop、CrewAI、LangChain等）就可以通过定义的名称 'kumo-rfm' 来发现并与该服务器进行通信。客户端可以：

认证： LLM可以调用'authenticate'工具来验证KumoRFM会话。
管理图： LLM可以使用'find_table_files'查找数据文件，'inspect_table_files'预览数据，然后使用'update_graph_metadata'来定义和修改数据图的结构（添加表、链接等）。
物化图： 在图结构定义完成后，LLM需要调用'materialize_graph'来构建实际可用于推理的图数据。
执行预测/评估/解释： 一旦图被物化，LLM就可以使用'predict'工具执行PQL查询来获取预测结果，使用'evaluate'评估模型性能，或使用'explain'获取预测解释。
查阅文档： LLM可以通过'get_docs'工具获取KumoRFM的使用文档，例如查询语法 ('kumo://docs/predictive-query') 或图设置 ('kumo://docs/graph-setup')。

关键词

项目简介

主要功能点

安装步骤

服务器配置

基本使用方法

信息