关键词

平台工程投资回报率计算LLM工具成本效益分析AI策略

项目简介

'platform-roi' 仓库的核心是一个平台工程投资回报率 (ROI) 计算器。除了提供一个交互式的Web UI (platformetrics.com/platform-roi.html)，它还包含一个专门的MCP服务器实现。这个MCP服务器基于Model Context Protocol (MCP) 规范，旨在允许大型语言模型 (LLM) 客户端以标准化的方式访问其核心ROI计算功能，从而实现自动化分析和决策支持。它托管了多个工具，用于分析当前状况、计算单一策略的ROI以及比较多种策略。

主要功能点

  • 平台工程ROI计算: 根据团队规模、薪资、琐事时间、AI采用水平、部署频率、行业、技术债务和分析时间跨度等输入参数，计算开放源码、AI增强混合和AI原生三种平台策略的投资回报率。
  • 策略比较与推荐: 比较不同平台策略的成本、收益、净值和ROI，并提供基于计算结果的推荐。
  • 当前状况分析: 评估当前的年度生产力损失、效率差距和AI带来的潜在改进机会。
  • 标准化LLM接口: 通过JSON-RPC和Stdio传输协议，以结构化的方式向LLM客户端暴露上述计算能力。

安装步骤

  1. 克隆仓库: 
    git clone https://github.com/achankra/platform-roi.git
cd platform-roi/mcp-server
  2. 安装依赖: 
    npm install
  3. 构建项目: 
    npm run build
    这将会在 'dist' 目录下生成可执行的JavaScript文件 'index.js'。

服务器配置 (供MCP客户端使用)

MCP客户端需要以下JSON配置来连接并使用此服务器：

{
  "name": "platform-roi-mcp-server",
  "command": "node",
  "args": [
    "path/to/your/cloned/repo/platform-roi/mcp-server/dist/index.js"
    // 请将 "path/to/your/cloned/repo" 替换为你实际的仓库路径
  ],
  "description": "平台工程投资回报率计算器的MCP服务器实现，用于通过LLM进行ROI分析。",
  "tools": [
    {
      "name": "calculate_platform_roi",
      "description": "计算不同平台工程策略（开放源码、AI混合、AI原生）的投资回报率",
      "inputSchema": {
        "type": "object",
        "properties": {
          "teamSize": { "type": "number", "description": "团队工程师数量，默认值5", "minimum": 1, "maximum": 1000 },
          "avgSalary": { "type": "number", "description": "平均工程师年薪（含福利，美元），默认值120000", "minimum": 50000, "maximum": 300000 },
          "toilHours": { "type": "number", "description": "每周手动操作工作时间，默认值8", "minimum": 0, "maximum": 40 },
          "currentAI": { "type": "string", "description": "当前AI工具采用水平，可选值: none, basic, advanced, expert，默认值none", "enum": ["none", "basic", "advanced", "expert"] },
          "aiReadiness": { "type": "string", "description": "团队对新AI工具的采用能力，可选值: low, intermediate, high, expert，默认值intermediate", "enum": ["low", "intermediate", "high", "expert"] },
          "deployFreq": { "type": "string", "description": "当前部署频率，可选值: monthly, weekly, daily，默认值weekly", "enum": ["monthly", "weekly", "daily"] },
          "industry": { "type": "string", "description": "行业（影响合规性），可选值: general, financial, healthcare, startup，默认值general", "enum": ["general", "financial", "healthcare", "startup"] },
          "techDebt": { "type": "string", "description": "遗留技术债务水平，可选值: low, medium, high, very-high，默认值medium", "enum": ["low", "medium", "high", "very-high"] },
          "timeHorizon": { "type": "number", "description": "ROI分析的时间跨度（年），默认值3", "minimum": 1, "maximum": 5 }
        },
        "required": []
      }
    },
    {
      "name": "compare_platform_strategies",
      "description": "比较所有三种平台策略并获取推荐",
      "inputSchema": {
        "type": "object",
        "properties": {
          "teamSize": { "type": "number", "default": 5 },
          "avgSalary": { "type": "number", "default": 120000 },
          "toilHours": { "type": "number", "default": 8 },
          "currentAI": { "type": "string", "enum": ["none", "basic", "advanced", "expert"], "default": "none" },
          "aiReadiness": { "type": "string", "enum": ["low", "intermediate", "high", "expert"], "default": "intermediate" },
          "deployFreq": { "type": "string", "enum": ["monthly", "weekly", "daily"], "default": "weekly" },
          "industry": { "type": "string", "enum": ["general", "financial", "healthcare", "startup"], "default": "general" },
          "techDebt": { "type": "string", "enum": ["low", "medium", "high", "very-high"], "default": "medium" },
          "timeHorizon": { "type": "number", "default": 3 }
        },
        "required": []
      }
    },
    {
      "name": "get_current_situation_analysis",
      "description": "分析当前生产力损失和AI机会",
      "inputSchema": {
        "type": "object",
        "properties": {
          "teamSize": { "type": "number", "default": 5 },
          "avgSalary": { "type": "number", "default": 120000 },
          "toilHours": { "type": "number", "default": 8 },
          "currentAI": { "type": "string", "enum": ["none", "basic", "advanced", "expert"], "default": "none" }
        },
        "required": []
      }
    }
  ]
}

基本使用方法

MCP服务器通过Stdio与MCP客户端通信。一旦MCP客户端连接并配置了上述服务器，它可以通过调用服务器提供的工具来执行ROI计算和分析：

  1. 列出工具: MCP客户端可以发送 'mcp/tools/list' 请求来获取所有可用工具（'calculate_platform_roi', 'compare_platform_strategies', 'get_current_situation_analysis'）及其详细的输入参数 schema。
  2. 调用工具: MCP客户端根据需要选择一个工具，并发送 'mcp/tools/call' 请求，附带符合该工具 'inputSchema' 的参数。
    • 例如，要计算特定配置下的ROI，客户端可以调用 'calculate_platform_roi' 工具，并提供 'teamSize'、'avgSalary' 等参数。
    • 要获得策略比较和推荐，客户端可以调用 'compare_platform_strategies'。
    • 要分析当前生产力状况，客户端可以调用 'get_current_situation_analysis'。
  3. 接收结果: 服务器会处理请求，执行相应的计算逻辑，并通过JSON-RPC响应将结果返回给客户端。结果通常以结构化的JSON字符串或Markdown格式的文本呈现，LLM客户端可以进一步解析和利用这些信息。

信息

分类

AI与计算

访问项目