aigroup-econ-mcp 0.1.2__py3-none-any.whl → 0.1.6__py3-none-any.whl

aigroup_econ_mcp/__init__.py

@@ -1,19 +1,19 @@
-"""
-AIGroup 计量经济学 MCP 服务
-专业计量经济学MCP工具 - 让大模型直接进行数据分析
-
-提供：
-- 描述性统计分析
-- OLS回归分析
-- 时间序列分析
-- 假设检验
-- 模型诊断
-"""
-
-__version__ = "0.1.2"
-__author__ = "AIGroup"
-__description__ = "专业计量经济学MCP工具 - 让大模型直接进行数据分析"
-
-from .server import create_mcp_server
-
+"""
+AIGroup 计量经济学 MCP 服务
+专业计量经济学MCP工具 - 让大模型直接进行数据分析
+
+提供：
+- 描述性统计分析
+- OLS回归分析
+- 时间序列分析
+- 假设检验
+- 模型诊断
+"""
+
+__version__ = "0.1.6"
+__author__ = "AIGroup"
+__description__ = "专业计量经济学MCP工具 - 让大模型直接进行数据分析"
+
+from .server import create_mcp_server
+
 __all__ = ["create_mcp_server", "__version__", "__author__", "__description__"]

aigroup_econ_mcp/cli.py

@@ -1,82 +1,87 @@
-"""
-AIGroup 计量经济学 MCP 服务命令行入口
-"""
-
-import sys
-import click
-from .server import create_mcp_server
-
-
-@click.command()
-@click.option('--port', default=8000, help='服务器端口')
-@click.option('--host', default='127.0.0.1', help='服务器地址')
-@click.option('--transport', default='stdio',
-              type=click.Choice(['stdio', 'streamable-http', 'sse']),
-              help='传输协议 (默认: stdio)')
-@click.option('--debug', is_flag=True, help='启用调试模式')
-@click.option('--mount-path', default=None, help='挂载路径')
-@click.option('--version', is_flag=True, help='显示版本信息')
-def cli(port: int, host: str, transport: str, debug: bool, mount_path: str, version: bool):
-    """AIGroup 计量经济学 MCP 工具
-    
-    默认以stdio模式启动MCP服务器，适用于MCP客户端集成。
-    """
-    
-    # 处理版本标志
-    if version:
-        click.echo("aigroup-econ-mcp v0.1.0", err=True)
-        click.echo("Professional econometrics MCP tool", err=True)
-        click.echo("Author: AIGroup", err=True)
-        sys.exit(0)
-
-    # 创建MCP服务器
-    mcp_server = create_mcp_server()
-
-    # 设置调试模式
-    if debug:
-        mcp_server.settings.debug = True
-        click.echo(f"[DEBUG] 调试模式已启用", err=True)
-
-    # 根据传输协议启动服务器
-    if transport == 'stdio':
-        # stdio模式直接运行，不输出任何日志到stdout（MCP协议通信）
-        # 所有日志输出到stderr
-        if debug:
-            click.echo(f"[DEBUG] Starting in stdio mode", err=True)
-        mcp_server.run(transport='stdio')
-        
-    elif transport == 'streamable-http':
-        # Streamable HTTP模式
-        click.echo(f"[INFO] Starting aigroup-econ-mcp server", err=True)
-        click.echo(f"[INFO] Professional econometrics MCP tool for AI data analysis", err=True)
-        click.echo(f"[INFO] Transport protocol: {transport}", err=True)
-        click.echo(f"[INFO] Service address: http://{host}:{port}", err=True)
-        if mount_path:
-            click.echo(f"[INFO] Mount path: {mount_path}", err=True)
-            
-        mcp_server.run(
-            transport='streamable-http',
-            host=host,
-            port=port,
-            mount_path=mount_path or '/mcp'
-        )
-        
-    elif transport == 'sse':
-        # SSE模式
-        click.echo(f"[INFO] Starting aigroup-econ-mcp server", err=True)
-        click.echo(f"[INFO] Professional econometrics MCP tool for AI data analysis", err=True)
-        click.echo(f"[INFO] Transport protocol: {transport}", err=True)
-        click.echo(f"[INFO] Service address: http://{host}:{port}", err=True)
-        if mount_path:
-            click.echo(f"[INFO] Mount path: {mount_path}", err=True)
-            
-        mcp_server.run(
-            transport='sse',
-            host=host,
-            port=port,
-            mount_path=mount_path or '/sse'
-        )
-
-
-if __name__ == "__main__":
+"""
+AIGroup 计量经济学 MCP 服务命令行入口
+"""
+
+import sys
+import click
+from .server import create_mcp_server
+
+
+@click.command()
+@click.option('--port', default=8000, help='服务器端口')
+@click.option('--host', default='127.0.0.1', help='服务器地址')
+@click.option('--transport', default='stdio',
+              type=click.Choice(['stdio', 'streamable-http', 'sse']),
+              help='传输协议 (默认: stdio)')
+@click.option('--debug', is_flag=True, help='启用调试模式')
+@click.option('--mount-path', default=None, help='挂载路径')
+@click.option('--version', is_flag=True, help='显示版本信息')
+def cli(port: int, host: str, transport: str, debug: bool, mount_path: str, version: bool):
+    """AIGroup 计量经济学 MCP 工具
+    
+    默认以stdio模式启动MCP服务器，适用于MCP客户端集成。
+    """
+    
+    # 处理版本标志
+    if version:
+        from . import __version__
+        click.echo(f"aigroup-econ-mcp v{__version__}", err=True)
+        click.echo("Professional econometrics MCP tool", err=True)
+        click.echo("Author: AIGroup", err=True)
+        sys.exit(0)
+
+    # 创建MCP服务器
+    mcp_server = create_mcp_server()
+
+    # 设置调试模式
+    if debug:
+        mcp_server.settings.debug = True
+        click.echo(f"[DEBUG] 调试模式已启用", err=True)
+
+    # 根据传输协议启动服务器
+    if transport == 'stdio':
+        # stdio模式直接运行，不输出任何日志到stdout（MCP协议通信）
+        # 所有日志输出到stderr
+        from . import __version__
+        click.echo(f"[INFO] aigroup-econ-mcp v{__version__} starting...", err=True)
+        click.echo(f"[INFO] Transport: stdio (MCP protocol)", err=True)
+        if debug:
+            click.echo(f"[DEBUG] Debug mode enabled", err=True)
+        click.echo(f"[INFO] Server ready. Waiting for MCP client connection...", err=True)
+        mcp_server.run(transport='stdio')
+        
+    elif transport == 'streamable-http':
+        # Streamable HTTP模式
+        click.echo(f"[INFO] Starting aigroup-econ-mcp server", err=True)
+        click.echo(f"[INFO] Professional econometrics MCP tool for AI data analysis", err=True)
+        click.echo(f"[INFO] Transport protocol: {transport}", err=True)
+        click.echo(f"[INFO] Service address: http://{host}:{port}", err=True)
+        if mount_path:
+            click.echo(f"[INFO] Mount path: {mount_path}", err=True)
+            
+        mcp_server.run(
+            transport='streamable-http',
+            host=host,
+            port=port,
+            mount_path=mount_path or '/mcp'
+        )
+        
+    elif transport == 'sse':
+        # SSE模式
+        click.echo(f"[INFO] Starting aigroup-econ-mcp server", err=True)
+        click.echo(f"[INFO] Professional econometrics MCP tool for AI data analysis", err=True)
+        click.echo(f"[INFO] Transport protocol: {transport}", err=True)
+        click.echo(f"[INFO] Service address: http://{host}:{port}", err=True)
+        if mount_path:
+            click.echo(f"[INFO] Mount path: {mount_path}", err=True)
+            
+        mcp_server.run(
+            transport='sse',
+            host=host,
+            port=port,
+            mount_path=mount_path or '/sse'
+        )
+
+
+if __name__ == "__main__":
     cli()

aigroup_econ_mcp/server.py

@@ -1,3 +1,4 @@
+
 """
 AIGroup 计量经济学 MCP 服务器
 使用最新的MCP特性提供专业计量经济学分析工具
@@ -15,7 +16,7 @@ from statsmodels.tsa import stattools
 from scipy import stats
 from pydantic import BaseModel, Field
 
-from mcp.server.fastmcp import FastMCP, Context, Icon
+from mcp.server.fastmcp import FastMCP, Context
 from mcp.server.session import ServerSession
 from mcp.types import CallToolResult, TextContent
 
@@ -70,12 +71,7 @@ class AppContext:
     version: str = "0.1.0"
 
 
-# 服务器图标
-server_icon = Icon(
-    src="https://img.icons8.com/fluency/48/bar-chart.png",
-    mimeType="image/png",
-    sizes=["48x48"]
-)
+# 服务器图标（已移除，因为MCP库不再支持Icon类）
 
 
 @asynccontextmanager
@@ -171,7 +167,7 @@ async def descriptive_statistics(
 - 建议样本量 >= 30 以获得可靠的统计推断"""
         )
     ]
-) -> Annotated[CallToolResult, DescriptiveStatsResult]:
+) -> CallToolResult:
     """计算描述性统计量
     
     📊 功能说明：
@@ -205,18 +201,26 @@ async def descriptive_statistics(
     await ctx.info(f"开始计算描述性统计，处理 {len(data)} 个变量")
 
     try:
+        # 数据验证
+        if not data:
+            raise ValueError("数据不能为空")
+        
         df = pd.DataFrame(data)
-
-        # 基础统计量
+        
+        # 检查数据一致性
+        if len(df.columns) == 0:
+            raise ValueError("至少需要一个变量")
+        
+        # 基础统计量 - 修复：返回所有变量的综合统计
         result = DescriptiveStatsResult(
             count=len(df),
-            mean=df.mean().iloc[0],  # 简化示例，实际应返回所有变量
-            std=df.std().iloc[0],
-            min=df.min().iloc[0],
-            max=df.max().iloc[0],
-            median=df.median().iloc[0],
-            skewness=df.skew().iloc[0],
-            kurtosis=df.kurtosis().iloc[0]
+            mean=df.mean().mean(),  # 所有变量的均值
+            std=df.std().mean(),    # 所有变量的标准差均值
+            min=df.min().min(),     # 所有变量的最小值
+            max=df.max().max(),     # 所有变量的最大值
+            median=df.median().mean(),  # 所有变量的中位数均值
+            skewness=df.skew().mean(),  # 所有变量的偏度均值
+            kurtosis=df.kurtosis().mean()  # 所有变量的峰度均值
         )
 
         # 计算相关系数矩阵
@@ -301,7 +305,7 @@ async def ols_regression(
 - 建议使用有意义的名称以便解释结果"""
         )
     ] = None
-) -> Annotated[CallToolResult, OLSRegressionResult]:
+) -> CallToolResult:
     """执行普通最小二乘法(OLS)回归分析
     
     📊 功能说明：
@@ -337,40 +341,63 @@ async def ols_regression(
     await ctx.info(f"开始OLS回归分析，样本大小: {len(y_data)}，自变量数量: {len(x_data[0]) if x_data else 0}")
 
     try:
+        # 数据验证
+        if not y_data:
+            raise ValueError("因变量数据不能为空")
+        if not x_data:
+            raise ValueError("自变量数据不能为空")
+        if len(y_data) != len(x_data):
+            raise ValueError(f"因变量和自变量的观测数量不一致: y_data={len(y_data)}, x_data={len(x_data)}")
+        
         # 准备数据
-        X = np.column_stack(x_data) if x_data else np.ones((len(y_data), 1))
-        if x_data:  # 只有当有自变量时才添加常数项
-            X = sm.add_constant(X)
+        X = np.array(x_data)
+        y = np.array(y_data)
+        
+        # 添加常数项
+        X_with_const = sm.add_constant(X)
 
         # 拟合模型
-        model = sm.OLS(y_data, X).fit()
-
-        # 构建结果
-        result = OLSRegressionResult(
-            rsquared=model.rsquared,
-            rsquared_adj=model.rsquared_adj,
-            f_statistic=model.fvalue,
-            f_pvalue=model.f_pvalue,
-            aic=model.aic,
-            bic=model.bic,
-            coefficients={}
-        )
+        model = sm.OLS(y, X_with_const).fit()
 
-        # 添加系数详情
+        # 构建系数字典
         conf_int = model.conf_int()
+        coefficients = {}
+        
+        # 修复：正确处理feature_names为None的情况
+        if feature_names is None:
+            feature_names = [f"x{i+1}" for i in range(X.shape[1])]
+        elif len(feature_names) != X.shape[1]:
+            await ctx.warning(f"提供的feature_names数量({len(feature_names)})与自变量数量({X.shape[1]})不匹配，使用默认命名")
+            feature_names = [f"x{i+1}" for i in range(X.shape[1])]
+
         for i, coef in enumerate(model.params):
-            var_name = "const" if i == 0 else feature_names[i-1] if feature_names else f"x{i}"
-            result.coefficients[var_name] = {
-                "coef": coef,
-                "std_err": model.bse[i],
-                "t_value": model.tvalues[i],
-                "p_value": model.pvalues[i],
-                "ci_lower": conf_int[i][0],
-                "ci_upper": conf_int[i][1]
+            if i == 0:
+                var_name = "const"
+            else:
+                var_name = feature_names[i-1]
+            
+            coefficients[var_name] = {
+                "coef": float(coef),  # 转换numpy.float64为float
+                "std_err": float(model.bse[i]),
+                "t_value": float(model.tvalues[i]),
+                "p_value": float(model.pvalues[i]),
+                "ci_lower": float(conf_int[i][0]),
+                "ci_upper": float(conf_int[i][1])
             }
+        
+        # 构建结果
+        result = OLSRegressionResult(
+            rsquared=float(model.rsquared),
+            rsquared_adj=float(model.rsquared_adj),
+            f_statistic=float(model.fvalue),
+            f_pvalue=float(model.f_pvalue),
+            aic=float(model.aic),
+            bic=float(model.bic),
+            coefficients=coefficients
+        )
 
         await ctx.info("OLS回归分析完成")
-
+        
         return CallToolResult(
             content=[
                 TextContent(
@@ -422,7 +449,8 @@ async def hypothesis_testing(
 说明：
 - 仅在双样本t检验时需要提供
 - 单样本t检验时保持为None
-- 两组数据可以有不同的样本量
+- 两组数据可以
+有不同的样本量
 - ADF检验不需要第二组数据"""
         )
     ] = None,
@@ -447,7 +475,7 @@ async def hypothesis_testing(
 - 检验时间序列平稳性 → 使用 adf"""
         )
     ] = "t_test"
-) -> Annotated[CallToolResult, HypothesisTestResult]:
+) -> CallToolResult:
     """执行统计假设检验
     
     📊 功能说明：
@@ -574,7 +602,7 @@ async def time_series_analysis(
 - 日均气温数据"""
         )
     ]
-) -> Annotated[CallToolResult, TimeSeriesStatsResult]:
+) -> CallToolResult:
     """时间序列统计分析
     
     📊 功能说明：
@@ -632,19 +660,40 @@ async def time_series_analysis(
     await ctx.info(f"开始时间序列分析，数据点数量: {len(data)}")
 
     try:
+        # 数据验证
+        if not data:
+            raise ValueError("时间序列数据不能为空")
+        if len(data) < 5:
+            raise ValueError("时间序列数据至少需要5个观测点")
+        
         # ADF单位根检验
         adf_result = stattools.adfuller(data)
 
         # 自相关和偏自相关函数
-        acf_values = stattools.acf(data, nlags=min(20, len(data)-1))
-        pacf_values = stattools.pacf(data, nlags=min(20, len(data)-1))
-
+        # 修复：安全计算nlags，避免PACF计算失败
+        max_nlags = min(20, len(data) - 1, len(data) // 2)
+        if max_nlags < 1:
+            max_nlags = 1  # 确保至少计算1阶
+        
+        # 修复：使用try-except处理ACF/PACF计算可能失败的情况
+        try:
+            acf_values = stattools.acf(data, nlags=max_nlags)
+            pacf_values = stattools.pacf(data, nlags=max_nlags)
+        except Exception as acf_error:
+            await ctx.warning(f"ACF/PACF计算遇到问题: {str(acf_error)}，使用简化计算")
+            # 使用更简单的计算方法
+            acf_values = np.zeros(max_nlags + 1)
+            pacf_values = np.zeros(max_nlags + 1)
+            acf_values[0] = 1.0  # 0阶自相关总是1
+            pacf_values[0] = 1.0  # 0阶偏自相关总是1
+
+        # 转换numpy类型为Python原生类型
         result = TimeSeriesStatsResult(
-            adf_statistic=adf_result[0],
-            adf_pvalue=adf_result[1],
-            stationary=adf_result[1] < 0.05,
-            acf=acf_values.tolist(),
-            pacf=pacf_values.tolist()
+            adf_statistic=float(adf_result[0]),
+            adf_pvalue=float(adf_result[1]),
+            stationary=bool(adf_result[1] < 0.05),
+            acf=[float(x) for x in acf_values.tolist()],
+            pacf=[float(x) for x in pacf_values.tolist()]
         )
 
         await ctx.info("时间序列分析完成")
@@ -730,7 +779,7 @@ async def correlation_analysis(
 - 有序分类数据 → kendall"""
         )
     ] = "pearson"
-) -> str:
+) -> CallToolResult:
     """变量间相关性分析
     
     📊 功能说明：
@@ -773,16 +822,33 @@ async def correlation_analysis(
     await ctx.info(f"开始相关性分析: {method}")
 
     try:
+        # 数据验证
+        if not data:
+            raise ValueError("数据不能为空")
+        if len(data) < 2:
+            raise ValueError("至少需要2个变量进行相关性分析")
+        
         df = pd.DataFrame(data)
         correlation_matrix = df.corr(method=method)
 
         await ctx.info("相关性分析完成")
 
-        return f"{method.title()}相关系数矩阵：\n{correlation_matrix.round(4).to_string()}"
+        # 修复：返回正确的CallToolResult类型
+        return CallToolResult(
+            content=[
+                TextContent(
+                    type="text",
+                    text=f"{method.title()}相关系数矩阵：\n{correlation_matrix.round(4).to_string()}"
+                )
+            ]
+        )
 
     except Exception as e:
         await ctx.error(f"相关性分析出错: {str(e)}")
-        return f"错误: {str(e)}"
+        return CallToolResult(
+            content=[TextContent(type="text", text=f"错误: {str(e)}")],
+            isError=True
+        )
 
 
 def create_mcp_server() -> FastMCP:

aigroup_econ_mcp/tools/__init__.py

@@ -1,7 +1,7 @@
-"""
-计量经济学工具模块
-"""
-
-from . import regression, statistics, time_series
-
+"""
+计量经济学工具模块
+"""
+
+from . import regression, statistics, time_series
+
 __all__ = ["regression", "statistics", "time_series"]