aigroup-econ-mcp 0.4.0__py3-none-any.whl → 1.3.3__py3-none-any.whl

aigroup_econ_mcp-1.3.3.dist-info/METADATA

@@ -0,0 +1,525 @@
+Metadata-Version: 2.4
+Name: aigroup-econ-mcp
+Version: 1.3.3
+Summary: 专业计量经济学MCP工具 - 支持CSV/JSON/TXT格式，完善的参数描述，让大模型更智能地进行数据分析
+Project-URL: Homepage, https://github.com/aigroup/aigroup-econ-mcp
+Project-URL: Repository, https://github.com/aigroup/aigroup-econ-mcp.git
+Project-URL: Issues, https://github.com/aigroup/aigroup-econ-mcp/issues
+Author-email: AIGroup <jackdark425@gmail.com>
+License-File: LICENSE
+Keywords: data-analysis,econometrics,economics,mcp,panel-data,regression,statistics,time-series
+Classifier: Development Status :: 4 - Beta
+Classifier: Intended Audience :: Developers
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Programming Language :: Python :: 3
+Classifier: Programming Language :: Python :: 3.8
+Classifier: Programming Language :: Python :: 3.9
+Classifier: Programming Language :: Python :: 3.10
+Classifier: Programming Language :: Python :: 3.11
+Classifier: Programming Language :: Python :: 3.12
+Classifier: Topic :: Scientific/Engineering :: Information Analysis
+Classifier: Topic :: Software Development :: Libraries :: Python Modules
+Requires-Python: >=3.10
+Requires-Dist: arch>=6.0.0
+Requires-Dist: click>=8.0.0
+Requires-Dist: linearmodels>=7.0
+Requires-Dist: matplotlib>=3.5.0
+Requires-Dist: mcp>=1.0.0
+Requires-Dist: numpy>=1.21.0
+Requires-Dist: pandas>=1.5.0
+Requires-Dist: psutil>=5.9.0
+Requires-Dist: pydantic>=2.0.0
+Requires-Dist: pyyaml>=6.0
+Requires-Dist: scikit-learn>=1.0.0
+Requires-Dist: scipy>=1.7.0
+Requires-Dist: statsmodels>=0.13.0
+Requires-Dist: uvicorn>=0.20.0
+Description-Content-Type: text/markdown
+
+# aigroup-econ-mcp - 专业计量经济学MCP工具
+
+🎯 专为Roo-Code设计的计量经济学MCP服务 - 提供统计分析、回归建模、时间序列分析，支持CSV/JSON/TXT多种数据格式
+
+![Python](https://img.shields.io/badge/Python-3.8+-blue.svg)
+![MCP](https://img.shields.io/badge/MCP-1.0+-green.svg)
+![License](https://img.shields.io/badge/License-MIT-yellow.svg)
+![Version](https://img.shields.io/badge/Version-1.3.3-orange.svg)
+
+## 📋 目录
+
+- [🚀 快速开始](#-快速开始)
+- [✨ 核心功能](#-核心功能)
+- [🔧 工具列表](#-工具列表)
+- [📁 文件输入支持](#-文件输入支持)
+- [⚙️ 安装配置](#️-安装配置)
+- [📚 使用示例](#-使用示例)
+- [🔍 故障排除](#-故障排除)
+- [🏗️ 项目架构](#️-项目架构)
+- [🤝 贡献指南](#-贡献指南)
+- [📄 许可证](#-许可证)
+
+## 🚀 快速开始
+
+### 一键启动（推荐）
+
+```bash
+# 使用uvx快速启动（无需安装）
+uvx aigroup-econ-mcp
+```
+
+### Roo-Code配置
+
+在RooCode的MCP设置中添加：
+
+```json
+{
+  "mcpServers": {
+    "aigroup-econ-mcp": {
+      "command": "uvx",
+      "args": ["aigroup-econ-mcp"],
+      "alwaysAllow": [
+        "descriptive_statistics", "ols_regression", "hypothesis_testing",
+        "time_series_analysis", "correlation_analysis", "panel_fixed_effects",
+        "panel_random_effects", "panel_hausman_test", "panel_unit_root_test",
+        "var_model_analysis", "vecm_model_analysis", "garch_model_analysis",
+        "state_space_model_analysis", "variance_decomposition_analysis",
+        "random_forest_regression_analysis", "gradient_boosting_regression_analysis",
+        "lasso_regression_analysis", "ridge_regression_analysis",
+        "cross_validation_analysis", "feature_importance_analysis_tool"
+      ]
+    }
+  }
+}
+```
+
+## ✨ 核心功能
+
+### 📊 统计分析
+- **描述性统计** - 均值、方差、偏度、峰度、中位数、四分位数
+- **假设检验** - t检验、F检验、卡方检验、ADF检验、KPSS检验
+- **相关性分析** - Pearson、Spearman、Kendall相关系数
+
+### 📈 回归建模
+- **OLS回归** - 普通最小二乘法回归，完整诊断统计
+- **正则化回归** - Lasso、Ridge回归，自动特征选择
+- **模型诊断** - 残差分析、异方差检验、多重共线性检测
+
+### ⏰ 时间序列分析
+- **平稳性检验** - ADF、KPSS检验，趋势强度分析
+- **自相关分析** - ACF、PACF函数计算和解释
+- **VAR/VECM模型** - 向量自回归/误差修正模型
+- **GARCH模型** - 波动率建模和预测
+- **状态空间模型** - 卡尔曼滤波和平滑
+
+### 🏢 面板数据分析
+- **固定效应模型** - 控制个体/时间固定效应
+- **随机效应模型** - 处理随机效应
+- **Hausman检验** - 模型选择检验
+- **面板单位根检验** - Levin-Lin-Chu等多种检验方法
+
+### 🤖 机器学习集成
+- **随机森林** - 非线性关系建模，特征重要性分析
+- **梯度提升** - 高精度预测，支持XGBoost风格
+- **特征重要性** - 基于多种方法的变量选择
+- **交叉验证** - K折交叉验证，模型稳定性评估
+
+## 🔧 工具列表
+
+### 基础统计工具（支持CSV/JSON/TXT格式）
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|---------|------|
+| `descriptive_statistics` | 描述性统计 | data或file_content | 均值、标准差、偏度、峰度、相关矩阵 |
+| `ols_regression` | OLS回归 | y_data, x_data或file_content | R²、系数、t统计量、p值、置信区间 |
+| `hypothesis_testing` | 假设检验 | data1, data2, test_type | 统计量、p值、显著性判断 |
+| `correlation_analysis` | 相关性分析 | data, method | 相关系数矩阵 |
+
+### 时间序列工具（支持CSV/JSON/TXT格式）
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|---------|------|
+| `time_series_analysis` | 时间序列分析 | data | 平稳性检验、ACF/PACF、模型建议 |
+| `var_model_analysis` | VAR模型 | data, max_lags, ic | 最优阶数、系数、脉冲响应 |
+| `vecm_model_analysis` | VECM模型 | data, coint_rank | 协整向量、误差修正项 |
+| `garch_model_analysis` | GARCH模型 | data, order | 波动率持续性、条件方差 |
+| `state_space_model_analysis` | 状态空间模型 | data, state_dim | 滤波状态、平滑状态估计 |
+| `variance_decomposition_analysis` | 方差分解 | data, periods | 各变量贡献度分解 |
+
+### 面板数据工具（支持CSV/TXT格式）
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|---------|------|
+| `panel_fixed_effects` | 固定效应模型 | y_data, x_data, entity_ids, time_periods | R²、系数、F统计量 |
+| `panel_random_effects` | 随机效应模型 | y_data, x_data, entity_ids, time_periods | R²、系数、随机效应方差 |
+| `panel_hausman_test` | Hausman检验 | y_data, x_data, entity_ids, time_periods | 检验统计量、模型选择建议 |
+| `panel_unit_root_test` | 面板单位根 | data, entity_ids, time_periods | 平稳性判断、临界值 |
+
+### 机器学习工具（支持CSV/JSON/TXT格式）
+| 工具 | 功能 | 主要参数 | 输出 |
+|------|------|---------|------|
+| `random_forest_regression_analysis` | 随机森林 | y_data, x_data, n_estimators | R²、MSE、特征重要性 |
+| `gradient_boosting_regression_analysis` | 梯度提升 | y_data, x_data, learning_rate | R²、MSE、特征重要性 |
+| `lasso_regression_analysis` | Lasso回归 | y_data, x_data, alpha | R²、稀疏系数、特征选择 |
+| `ridge_regression_analysis` | Ridge回归 | y_data, x_data, alpha | R²、正则化系数 |
+| `cross_validation_analysis` | 交叉验证 | y_data, x_data, cv_folds | 平均得分、标准差、稳定性 |
+| `feature_importance_analysis_tool` | 特征重要性 | y_data, x_data, method | 特征排名、重要性分数 |
+
+## 📁 文件输入支持
+
+### 支持的文件格式
+
+#### 1. CSV文件（推荐）
+- **格式**: 逗号、制表符、分号分隔
+- **表头**: 自动识别（第一行非数值为表头）
+- **特点**: 最通用，易于编辑和查看
+
+```csv
+GDP,CPI,失业率
+3.2,2.1,4.5
+2.8,2.3,4.2
+3.5,1.9,4.0
+```
+
+#### 2. JSON文件
+- **字典格式**: `{"变量名": [数据], ...}`
+- **数组格式**: `[{"变量1": 值, ...}, ...]`
+- **嵌套格式**: `{"data": {...}, "metadata": {...}}`
+
+```json
+{
+  "GDP": [3.2, 2.8, 3.5],
+  "CPI": [2.1, 2.3, 1.9],
+  "失业率": [4.5, 4.2, 4.0]
+}
+```
+
+#### 3. TXT文件（新增✨）
+- **单列数值**: 每行一个数值
+```txt
+100.5
+102.3
+101.8
+103.5
+```
+
+- **多列数值**: 空格或制表符分隔
+```txt
+GDP CPI 失业率
+3.2 2.1 4.5
+2.8 2.3 4.2
+3.5 1.9 4.0
+```
+
+- **键值对格式**: 变量名: 值列表
+```txt
+GDP: 3.2 2.8 3.5 2.9
+CPI: 2.1 2.3 1.9 2.4
+失业率: 4.5 4.2 4.0 4.3
+```
+
+### 使用方式
+
+#### 方式1：直接数据输入（程序化调用）
+```json
+{
+  "data": {
+    "GDP增长率": [3.2, 2.8, 3.5, 2.9],
+    "通货膨胀率": [2.1, 2.3, 1.9, 2.4]
+  }
+}
+```
+
+#### 方式2：文件内容输入（字符串）
+```json
+{
+  "file_content": "GDP,CPI\n3.2,2.1\n2.8,2.3\n3.5,1.9",
+  "file_format": "csv"
+}
+```
+
+#### 方式3：文件路径输入（推荐✨）
+```json
+{
+  "file_path": "./data/economic_data.csv"
+}
+```
+
+或使用TXT文件：
+```json
+{
+  "file_path": "./data/timeseries.txt",
+  "file_format": "txt"
+}
+```
+
+### 自动格式检测
+
+系统会智能检测文件格式：
+1. 文件扩展名（.csv/.json/.txt）
+2. 文件内容特征（逗号、JSON结构、纯数值）
+3. 建议使用 `"file_format": "auto"` 让系统自动识别
+
+## ⚙️ 安装配置
+
+### 方式1：uvx安装（推荐）
+```bash
+# 直接运行最新版本
+uvx aigroup-econ-mcp
+
+# 指定版本
+uvx aigroup-econ-mcp@1.1.0
+```
+
+### 方式2：pip安装
+```bash
+# 安装包
+pip install aigroup-econ-mcp
+
+# 运行服务
+aigroup-econ-mcp
+```
+
+### 依赖说明
+- **核心依赖**: pandas >= 1.5.0, numpy >= 1.21.0, scipy >= 1.7.0
+- **统计分析**: statsmodels >= 0.13.0
+- **面板数据**: linearmodels >= 7.0
+- **机器学习**: scikit-learn >= 1.0.0
+- **时间序列**: arch >= 6.0.0
+- **轻量级**: 无需torch或其他重型框架
+
+## 📚 使用示例
+
+### 示例1：描述性统计（CSV文件）
+```python
+# 方式A：使用文件路径
+result = await descriptive_statistics(
+    file_path="./data/economic_indicators.csv"
+)
+
+# 方式B：使用文件内容
+result = await descriptive_statistics(
+    file_content="""GDP,CPI,失业率
+3.2,2.1,4.5
+2.8,2.3,4.2
+3.5,1.9,4.0""",
+    file_format="csv"
+)
+```
+
+### 示例2：回归分析（TXT文件）
+```python
+# TXT文件格式（空格分隔）
+result = await ols_regression(
+    file_content="""广告支出 价格 销售额
+100 50 1200
+120 48 1350
+110 52 1180""",
+    file_format="txt"
+)
+
+# 系统会自动识别：
+# - 因变量：销售额（最后一列）
+# - 自变量：广告支出、价格（其他列）
+```
+
+### 示例3：时间序列分析
+```python
+# TXT单列格式
+result = await time_series_analysis(
+    file_content="""100.5
+102.3
+101.8
+103.5
+104.2""",
+    file_format="txt"
+)
+
+# 输出包括：
+# - 平稳性检验结果
+# - ACF/PACF分析
+# - 模型建议（ARIMA/AR/MA）
+```
+
+### 示例4：面板数据（CSV文件）
+```python
+# CSV面板数据格式
+result = await panel_fixed_effects(
+    file_path="./panel_data.csv"
+)
+
+# CSV格式要求：
+# company_id, year, revenue, employees, investment
+# 1, 2020, 1000, 50, 100
+# 1, 2021, 1100, 52, 110
+# ...
+
+# 系统会自动识别：
+# - entity_ids: company_id列
+# - time_periods: year列
+# - 数据变量：其他列
+```
+
+### 示例5：机器学习（带完整参数）
+```python
+# 随机森林回归
+result = await random_forest_regression_analysis(
+    y_data=[12, 13, 15, 18, 20],
+    x_data=[
+        [100, 50, 3],
+        [120, 48, 3],
+        [110, 52, 4],
+        [130, 45, 3],
+        [125, 47, 4]
+    ],
+    feature_names=["广告支出", "价格", "竞争对手数"],
+    n_estimators=100,
+    max_depth=5
+)
+
+# 输出包括：
+# - R² 得分
+# - 特征重要性排名
+# - 预测精度指标
+```
+
+## 🔍 故障排除
+
+### 常见问题
+
+#### Q: uvx安装卡住
+```bash
+
+# 清除缓存重试
+uvx --no-cache aigroup-econ-mcp
+```
+
+#### Q: 工具返回错误
+- ✅ 检查数据格式（CSV/JSON/TXT）
+- ✅ 确保没有缺失值（NaN）
+- ✅ 验证数据类型（所有数值必须是浮点数）
+- ✅ 查看详细错误信息
+
+#### Q: MCP服务连接失败
+- ✅ 检查网络连接
+- ✅ 确保Python版本 >= 3.8
+- ✅ 查看VSCode输出面板的详细日志
+- ✅ 尝试重启RooCode
+
+### 数据要求
+
+| 分析类型 | 最小样本量 | 推荐样本量 | 特殊要求 |
+|---------|-----------|-----------|---------|
+| 描述性统计 | 5 | 20+ | 无缺失值 |
+| OLS回归 | 变量数+2 | 30+ | 无多重共线性 |
+| 时间序列 | 10 | 40+ | 时间顺序，等间隔 |
+| 面板数据 | 实体数×3 | 实体数×10+ | 平衡或非平衡面板 |
+| 机器学习 | 20 | 100+ | 训练集/测试集分割 |
+
+## 🏗️ 项目架构
+
+### 模块结构
+```
+src/aigroup_econ_mcp/
+├── server.py                    # MCP服务器核心
+├── cli.py                       # 命令行入口
+├── config.py                    # 配置管理
+└── tools/                       # 工具模块
+    ├── base.py                  # 基础工具类
+    ├── statistics.py            # 统计分析工具
+    ├── regression.py            # 回归分析工具
+    ├── time_series.py           # 时间序列工具
+    ├── panel_data.py            # 面板数据工具
+    ├── machine_learning.py      # 机器学习工具
+    ├── file_parser.py           # 文件解析器（CSV/JSON/TXT）
+    ├── data_loader.py           # 数据加载器
+    ├── tool_registry.py         # 工具注册中心
+    ├── tool_handlers.py         # 业务处理器
+    └── tool_descriptions.py     # 工具描述和文档
+```
+
+### 设计特点
+- **🎯 组件化架构** - 模块化设计，职责单一，易于维护和扩展
+- **🔄 统一接口** - 所有工具支持CSV/JSON/TXT三种格式输入
+- **⚡ 异步处理** - 基于asyncio的异步设计，支持并发请求
+- **🛡️ 错误处理** - 统一的错误处理和详细的错误信息
+- **📝 完整文档** - 每个工具都有详细的参数说明和使用示例
+- **🧪 全面测试** - 单元测试和集成测试覆盖
+
+### 新增特性（v1.1.0）
+- ✨ **TXT格式支持** - 支持单列、多列、键值对三种TXT格式
+- 📝 **完善参数描述** - 所有20个工具的MCP参数都有详细说明
+- 🔍 **智能格式检测** - 自动识别CSV/JSON/TXT格式
+- 📂 **文件路径支持** - 支持直接传入文件路径（.txt/.csv/.json）
+
+## 🤝 贡献指南
+
+### 开发环境设置
+```bash
+# 克隆项目
+git clone https://github.com/jackdark425/aigroup-econ-mcp
+cd aigroup-econ-mcp
+
+# 安装开发依赖
+uv add --dev pytest pytest-asyncio black isort mypy ruff
+
+# 运行测试
+uv run pytest
+
+# 代码格式化
+uv run black src/
+uv run isort src/
+```
+
+### 提交贡献
+1. Fork项目
+2. 创建功能分支 (`git checkout -b feature/AmazingFeature`)
+3. 提交更改 (`git commit -m 'Add some AmazingFeature'`)
+4. 推送到分支 (`git push origin feature/AmazingFeature`)
+5. 开启Pull Request
+
+### 代码规范
+- 遵循PEP 8编码规范
+- 使用类型注解（Type Hints）
+- 添加单元测试（覆盖率>80%）
+- 更新相关文档和示例
+
+## 📄 许可证
+
+MIT License - 查看 [LICENSE](LICENSE) 文件了解详情
+
+## 🙏 致谢
+
+- **Model Context Protocol (MCP)** - 模型上下文协议框架
+- **Roo-Code** - 强大的AI编程助手
+- **statsmodels** - 专业的统计分析库
+- **pandas** - 高效的数据处理库
+- **scikit-learn** - 全面的机器学习库
+- **linearmodels** - 面板数据分析专用库
+
+## 📞 支持
+
+- 💬 **GitHub Issues**: [提交问题](https://github.com/jackdark425/aigroup-econ-mcp/issues)
+- 📧 **邮箱**: jackdark425@gmail.com
+- 📚 **文档**: 查看[详细文档](https://github.com/jackdark425/aigroup-econ-mcp/tree/main/docs)
+- 🌟 **Star项目**: 如果觉得有用，请给个⭐️
+
+## 📈 版本历史
+
+### v1.3.3 (2025-11-03)
+- 🐛 修复时间序列模块超时问题
+- ⚡ 优化VAR/VECM/GARCH模型性能
+- 🛡️ 添加多层超时控制机制
+- 📈 改进时间序列分析稳定性
+
+### v1.3.0 (2025-11-03)
+- ✨ 新增TXT格式支持（单列、多列、键值对）
+- 📝 完善20个工具的MCP参数描述
+- 🔍 改进文件格式自动检测
+- 📂 支持文件路径直接输入
+
+### v1.0.1 (2024-10)
+- 🐛 修复状态空间模型bug
+- 🔧 增强时间序列分析输出
+
+---
+
+**立即开始**: `uvx aigroup-econ-mcp` 🚀
+
+让AI大模型成为你的专业计量经济学分析助手！

aigroup_econ_mcp-1.3.3.dist-info/RECORD

@@ -0,0 +1,30 @@
+aigroup_econ_mcp/__init__.py,sha256=5Ku7Wt8X_sLXJqWqJNE012sVedi9N3Y1Nb8m61st9mw,472
+aigroup_econ_mcp/cli.py,sha256=7yeNXWNwMdpUswAO4LsqAvb0EmCO3S6Bs6sl483uSXI,3363
+aigroup_econ_mcp/config.py,sha256=ab5X4-H8isIe2nma0c0AOqlyYgwhf5kfe9Zx5XRrzIo,18876
+aigroup_econ_mcp/server.py,sha256=jEcEMhwiWCr_9QziqW4nvV2z8Eg807iT6do2C6mjpo8,30899
+aigroup_econ_mcp/tools/__init__.py,sha256=WYrsZX3Emv09c8QikvtG2BouUFZCguYkQ7eDjuwarAg,396
+aigroup_econ_mcp/tools/base.py,sha256=Mv_mcKVTIg9A2dsqBBiU74_Ai2nb5sn2S3U4CNOxLKw,15218
+aigroup_econ_mcp/tools/cache.py,sha256=Urv2zuycp5dS7Qh-XQWEMrwszq9RZ-il8cz_-WniGgc,15311
+aigroup_econ_mcp/tools/data_loader.py,sha256=hBuw_32KXMyw2oI1kiDo5xb3jL0kn0aorRhIYGDb26I,6527
+aigroup_econ_mcp/tools/file_parser.py,sha256=lh3M4V4OkmCazLcx6ouOX6OYvip9GI-yO5mfkpIh2Tk,35789
+aigroup_econ_mcp/tools/machine_learning.py,sha256=PpxrJVJw4eND95Wl0uGPEqUHXrIwTUSCd0QB1B4o4wY,1459
+aigroup_econ_mcp/tools/ml_ensemble.py,sha256=XOL0PzCsx9LY_pFbKCAxjYdGny-HqEhlZyov2r1l3ww,6475
+aigroup_econ_mcp/tools/ml_evaluation.py,sha256=hiwVW3-N0hnSAJfZW4luOCXt3sTh1W9Hj3CwZLRVaJk,8900
+aigroup_econ_mcp/tools/ml_models.py,sha256=hJEUgARxkqYgJqu6_7eRc1WnD2HcTGxtXf8Jre_XO1U,2137
+aigroup_econ_mcp/tools/ml_regularization.py,sha256=qOWXiOZqB-IUvjHLrgKWWjNhuuxZm_both2aR-OBs1U,6124
+aigroup_econ_mcp/tools/monitoring.py,sha256=-hcw5nu5Q91FmDz39mRBsKavrTmEqXsKfGzlXr_5f0c,16708
+aigroup_econ_mcp/tools/optimized_example.py,sha256=tZVQ2jTzHY_zixTynm4Sq8gj5hz6eWg7MKqNwsxrPoQ,6784
+aigroup_econ_mcp/tools/panel_data.py,sha256=qFZICvt9Plt2bOvCCgAveVncb_QpHvWzDssdQntKf5M,22696
+aigroup_econ_mcp/tools/regression.py,sha256=uMGRGUQo4mU1sb8fwpP2FpkCqt_e9AtqEtUpInACtJo,6443
+aigroup_econ_mcp/tools/statistics.py,sha256=2cHgNSUXwPYPLxntVOEOL8yF-x92mrgjK-R8kkxDihg,4239
+aigroup_econ_mcp/tools/time_series.py,sha256=SUQLbLFBhGKxUo0YA01Ri0cWPPr7G2_dGiYXNQ-dveU,23400
+aigroup_econ_mcp/tools/timeout.py,sha256=vNnGsR0sXW1xvIbKCF-qPUU3QNDAn_MaQgSxbGxkfW4,8404
+aigroup_econ_mcp/tools/tool_descriptions.py,sha256=G0bngClhxNgu9zqA2PMs2Jhj87ct_CajDpGJmTcL2mY,17281
+aigroup_econ_mcp/tools/tool_handlers.py,sha256=Mof1HtmS1iaRpfhB9JSystvAHOQU_QePk3cOTr4QSc8,44165
+aigroup_econ_mcp/tools/tool_registry.py,sha256=HxWgcXLikTkW6nZ23kqNIyEnkSSh3LtzUkOQ0fBGhb0,12604
+aigroup_econ_mcp/tools/validation.py,sha256=F7LHwog5xtFIMjD9D48kd8jAF5MsZb7wjdrgaOg8EKo,16657
+aigroup_econ_mcp-1.3.3.dist-info/METADATA,sha256=un_op4G_0Cbe6eJ-RGJAvTO5XMnBVpOuM2GZ1I3EjYw,16343
+aigroup_econ_mcp-1.3.3.dist-info/WHEEL,sha256=qtCwoSJWgHk21S1Kb4ihdzI2rlJ1ZKaIurTj_ngOhyQ,87
+aigroup_econ_mcp-1.3.3.dist-info/entry_points.txt,sha256=j5ZJYOc4lAZV-X3XkAuGhzHtIRcJtZ6Gz8ZKPY_QTrM,62
+aigroup_econ_mcp-1.3.3.dist-info/licenses/LICENSE,sha256=DoyCJUWlDzKbqc5KRbFpsGYLwLh-XJRHKQDoITjb1yc,1083
+aigroup_econ_mcp-1.3.3.dist-info/RECORD,,