aigroup-econ-mcp 0.5.0__tar.gz → 0.6.0__tar.gz

{aigroup_econ_mcp-0.5.0 → aigroup_econ_mcp-0.6.0}/PKG-INFO

@@ -1,7 +1,7 @@
 Metadata-Version: 2.4
 Name: aigroup-econ-mcp
-Version: 0.5.0
-Summary: 专业计量经济学MCP工具 - 让大模型直接进行数据分析（重构版：工具描述模块化）
+Version: 0.6.0
+Summary: 专业计量经济学MCP工具 - 让大模型直接进行数据分析（优化版：增强工具描述，提升大模型调用体验）
 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

{aigroup_econ_mcp-0.5.0 → aigroup_econ_mcp-0.6.0}/pyproject.toml

@@ -4,8 +4,8 @@ build-backend = "hatchling.build"
 
 [project]
 name = "aigroup-econ-mcp"
-version = "0.5.0"
-description = "专业计量经济学MCP工具 - 让大模型直接进行数据分析（重构版：工具描述模块化）"
+version = "0.6.0"
+description = "专业计量经济学MCP工具 - 让大模型直接进行数据分析（优化版：增强工具描述，提升大模型调用体验）"
 readme = "README.md"
 requires-python = ">=3.10"
 authors = [

{aigroup_econ_mcp-0.5.0 → aigroup_econ_mcp-0.6.0}/src/aigroup_econ_mcp/server.py

@@ -70,7 +70,7 @@ from .tools.tool_descriptions import (
 class AppContext:
     """应用上下文，包含共享资源"""
     config: Dict[str, Any]
-    version: str = "0.2.0"
+    version: str = "0.6.0"
 
 
 @asynccontextmanager
@@ -83,7 +83,7 @@ async def lifespan(server: FastMCP) -> AsyncIterator[AppContext]:
         "data_types": ["cross_section", "time_series", "panel"]
     }
     try:
-        yield AppContext(config=config, version="0.2.0")
+        yield AppContext(config=config, version="0.6.0")
     finally:
         pass
 

aigroup_econ_mcp-0.6.0/src/aigroup_econ_mcp/tools/tool_descriptions.py

@@ -0,0 +1,750 @@
+"""
+工具描述模块 - 优化版
+统一管理所有MCP工具的描述信息，为大模型提供详细、结构化的工具说明
+包含使用示例、参数说明、适用场景等信息，提升大模型调用体验
+"""
+
+from typing import Dict, Any, List, Optional
+from pydantic import Field
+
+
+class ToolDescription:
+    """工具描述类 - 优化版"""
+    
+    def __init__(self, name: str, description: str, field_descriptions: Dict[str, str] = None,
+                 examples: Optional[List[str]] = None, use_cases: Optional[List[str]] = None):
+        self.name = name
+        self.description = description
+        self.field_descriptions = field_descriptions or {}
+        self.examples = examples or []
+        self.use_cases = use_cases or []
+    
+    def get_field_description(self, field_name: str, default: str = "") -> str:
+        """获取字段描述"""
+        return self.field_descriptions.get(field_name, default)
+    
+    def get_full_description(self) -> str:
+        """获取完整描述，包含示例和用例"""
+        full_desc = self.description
+        if self.examples:
+            full_desc += "\n\n使用示例:\n" + "\n".join(f"- {example}" for example in self.examples)
+        if self.use_cases:
+            full_desc += "\n\n适用场景:\n" + "\n".join(f"- {use_case}" for use_case in self.use_cases)
+        return full_desc
+
+
+# ============================================================================
+# 基础统计工具描述 (5个) - 优化版
+# ============================================================================
+
+DESCRIPTIVE_STATISTICS = ToolDescription(
+    name="descriptive_statistics",
+    description="""计算描述性统计量
+
+功能说明:
+- 计算数据的均值、标准差、最小值、最大值、中位数、四分位数等
+- 支持数值型数据的全面统计分析
+- 自动识别异常值和数据分布特征
+
+输入方式优先级:
+1. file_path: 文件路径 (推荐使用，支持CSV/JSON格式)
+2. file_content: 文件内容字符串 (适合小文件)
+3. data: 直接传入数据字典 (适合内存数据)
+
+输出包含:
+- 基本统计量: 均值、标准差、最小值、最大值
+- 分布统计: 中位数、四分位数、偏度、峰度
+- 数据质量: 缺失值统计、异常值检测""",
+    field_descriptions={
+        "file_path": "CSV/JSON文件路径。支持相对路径和绝对路径，文件应包含数值型数据列",
+        "file_content": "CSV/JSON文件内容字符串。适合小文件直接传输，避免路径依赖",
+        "file_format": "文件格式: csv/json/auto。auto模式自动检测文件格式",
+        "data": "数据字典格式: {'变量名1': [值1, 值2, ...], '变量名2': [值1, 值2, ...]}"
+    },
+    examples=[
+        "分析GDP数据的分布特征",
+        "计算股票收益率的描述性统计",
+        "评估消费者收入数据的集中趋势和离散程度"
+    ],
+    use_cases=[
+        "数据探索性分析(EDA)",
+        "数据质量评估",
+        "变量分布特征分析",
+        "异常值检测"
+    ]
+)
+
+OLS_REGRESSION = ToolDescription(
+    name="ols_regression",
+    description="""OLS回归分析
+
+功能说明:
+- 执行普通最小二乘法(OLS)回归分析
+- 估计回归系数、标准误、t统计量、p值
+- 计算模型拟合优度(R²、调整R²)
+- 进行模型显著性检验(F检验)
+
+数据格式要求:
+- 文件输入: CSV文件最后一列为因变量，其余列为自变量
+- 直接输入: 提供y_data(因变量)和x_data(自变量矩阵)
+- 支持特征名称自定义
+
+模型输出:
+- 回归系数估计值和统计显著性
+- 模型拟合优度指标
+- 残差分析和诊断统计量
+- 置信区间和预测区间""",
+    field_descriptions={
+        "file_path": "CSV/JSON文件路径。CSV格式: 最后一列为因变量，其余列为自变量",
+        "file_content": "CSV/JSON文件内容字符串。JSON格式: {'y': [因变量], 'x1': [自变量1], ...}",
+        "file_format": "文件格式: csv/json/auto。推荐使用CSV格式",
+        "y_data": "因变量数据列表，如 [1.2, 3.4, 5.6, ...]",
+        "x_data": "自变量数据矩阵，如 [[1, 2], [3, 4], [5, 6], ...]",
+        "feature_names": "自变量名称列表，如 ['GDP', 'Population', 'Investment']"
+    },
+    examples=[
+        "分析GDP增长与投资、消费的关系",
+        "预测房价与面积、位置、房龄的关系",
+        "研究教育水平对收入的影响"
+    ],
+    use_cases=[
+        "经济变量关系分析",
+        "商业预测建模",
+        "政策效果评估",
+        "影响因素识别"
+    ]
+)
+
+HYPOTHESIS_TESTING = ToolDescription(
+    name="hypothesis_testing",
+    description="""假设检验分析
+
+功能说明:
+- t检验: 比较两组数据的均值差异
+- ADF检验: 时间序列平稳性检验
+- 支持单样本、双样本检验
+- 自动计算检验统计量和p值
+
+检验类型说明:
+- t_test: 学生t检验，用于均值比较
+- adf: Augmented Dickey-Fuller检验，用于时间序列平稳性
+
+数据要求:
+- 单样本检验: 只需提供data参数
+- 双样本检验: 提供data和data2参数
+- 时间序列检验: 使用adf检验类型""",
+    field_descriptions={
+        "file_path": "数据文件路径。支持单变量或多变量数据",
+        "file_content": "文件内容字符串。适合小数据集",
+        "file_format": "文件格式: csv/json/auto",
+        "data": "第一组数据或单样本数据，数值列表格式",
+        "data2": "第二组数据(双样本检验时使用)，数值列表格式",
+        "test_type": "检验类型: t_test(均值检验)/adf(平稳性检验)"
+    },
+    examples=[
+        "检验两组学生的考试成绩是否有显著差异",
+        "检验GDP时间序列是否平稳",
+        "比较新旧营销策略的效果差异"
+    ],
+    use_cases=[
+        "A/B测试结果验证",
+        "时间序列平稳性分析",
+        "均值差异显著性检验",
+        "实验效果评估"
+    ]
+)
+
+TIME_SERIES_ANALYSIS = ToolDescription(
+    name="time_series_analysis",
+    description="""时间序列分析
+
+功能说明:
+- 时间序列趋势分析和季节性分解
+- 自相关函数(ACF)和偏自相关函数(PACF)分析
+- 平稳性检验和单位根检验
+- 时间序列模型诊断
+
+分析内容:
+- 趋势成分: 长期变化趋势
+- 季节成分: 周期性波动
+- 残差成分: 随机波动
+- 自相关性: 时间依赖性分析""",
+    field_descriptions={
+        "file_path": "时间序列数据文件路径。支持单变量时间序列",
+        "file_content": "文件内容字符串。数据应按时间顺序排列",
+        "file_format": "文件格式: csv/json/auto",
+        "data": "时间序列数据，数值列表格式，如 [100, 105, 110, 115, ...]"
+    },
+    examples=[
+        "分析GDP季度数据的趋势和季节性",
+        "分解股票价格的趋势和波动成分",
+        "检验销售数据的自相关性"
+    ],
+    use_cases=[
+        "经济周期分析",
+        "销售预测建模",
+        "金融市场分析",
+        "季节性调整"
+    ]
+)
+
+CORRELATION_ANALYSIS = ToolDescription(
+    name="correlation_analysis",
+    description="""相关性分析
+
+功能说明:
+- 计算变量间的相关系数矩阵
+- 支持Pearson、Spearman、Kendall相关系数
+- 可视化相关矩阵(可选)
+- 显著性检验和置信区间
+
+相关系数类型:
+- pearson: 皮尔逊相关系数，衡量线性关系
+- spearman: 斯皮尔曼等级相关系数，衡量单调关系
+- kendall: 肯德尔等级相关系数，稳健性更好
+
+应用场景:
+- 变量关系探索
+- 多重共线性检测
+- 特征选择辅助""",
+    field_descriptions={
+        "file_path": "多变量数据文件路径。每列代表一个变量",
+        "file_content": "文件内容字符串。支持多变量数据",
+        "file_format": "文件格式: csv/json/auto",
+        "data": "多变量数据字典，如 {'GDP': [值], 'Population': [值], ...}",
+        "method": "相关系数类型: pearson(默认)/spearman/kendall"
+    },
+    examples=[
+        "分析经济指标间的相关性",
+        "研究股票收益率的相关性结构",
+        "探索消费者行为变量间的关系"
+    ],
+    use_cases=[
+        "变量关系探索",
+        "多重共线性检测",
+        "投资组合相关性分析",
+        "市场联动性研究"
+    ]
+)
+
+
+# ============================================================================
+# 面板数据工具描述 (4个) - 优化版
+# ============================================================================
+
+PANEL_FIXED_EFFECTS = ToolDescription(
+    name="panel_fixed_effects",
+    description="""固定效应模型
+
+功能说明:
+- 处理面板数据的固定效应模型
+- 控制个体固定效应和/或时间固定效应
+- 消除不随时间变化的个体异质性
+- 提供稳健的标准误估计
+
+模型特点:
+- 实体效应: 控制个体间不可观测的固定差异
+- 时间效应: 控制时间趋势和宏观冲击
+- 双向固定效应: 同时控制实体和时间效应
+
+数据格式要求:
+- 必须包含实体ID列和时间列
+- 实体ID列名识别: entity_id, id, entity, firm, company, country, region
+- 时间列名识别: time_period, time, date, year, month, period, quarter
+
+适用场景:
+- 个体间存在不可观测的固定差异
+- 需要控制个体特异性因素
+- 数据存在明显的个体效应""",
+    field_descriptions={
+        "file_path": "CSV文件路径。必须包含实体ID列和时间列，支持自动识别列名",
+        "file_content": "文件内容字符串。CSV格式，包含实体ID、时间和变量列",
+        "file_format": "文件格式: csv/auto。面板数据推荐使用CSV格式",
+        "y_data": "因变量数据列表，数值格式",
+        "x_data": "自变量数据矩阵，二维列表格式",
+        "entity_ids": "实体ID列表，字符串格式，如 ['A', 'B', 'C', ...]",
+        "time_periods": "时间周期列表，字符串格式，如 ['2020', '2021', '2022', ...]",
+        "feature_names": "自变量名称列表，如 ['Investment', 'Employment', 'R&D']",
+        "entity_effects": "是否包含实体固定效应，默认True",
+        "time_effects": "是否包含时间固定效应，默认False"
+    },
+    examples=[
+        "分析不同公司的研发投入对利润的影响(控制公司固定效应)",
+        "研究各国教育支出对经济增长的影响(控制国家固定效应)",
+        "评估政策改革效果(控制个体和时间双向效应)"
+    ],
+    use_cases=[
+        "公司财务面板数据分析",
+        "国家宏观经济面板研究",
+        "政策评估和效果分析",
+        "个体异质性控制"
+    ]
+)
+
+PANEL_RANDOM_EFFECTS = ToolDescription(
+    name="panel_random_effects",
+    description="""随机效应模型
+
+功能说明:
+- 处理面板数据的随机效应模型
+- 假设个体效应与解释变量不相关
+- 更有效地利用数据信息
+- 适用于大样本面板数据
+
+模型特点:
+- 个体效应被视为随机变量
+- 允许个体间存在相关性
+- 比固定效应模型更高效
+- 可以估计不随时间变化的变量
+
+与固定效应比较:
+- 随机效应假设更强(个体效应与解释变量不相关)
+- 固定效应更稳健但损失信息
+- 可通过Hausman检验选择合适模型
+
+数据要求:
+- 与固定效应模型相同的数据格式
+- 需要实体ID和时间信息""",
+    field_descriptions={
+        "file_path": "CSV文件路径。必须包含实体ID列和时间列，支持自动识别",
+        "file_content": "文件内容字符串。CSV格式的面板数据",
+        "file_format": "文件格式: csv/auto",
+        "y_data": "因变量数据列表，数值格式",
+        "x_data": "自变量数据矩阵，二维列表格式",
+        "entity_ids": "实体ID列表，字符串格式",
+        "time_periods": "时间周期列表，字符串格式",
+        "feature_names": "自变量名称列表",
+        "entity_effects": "是否包含实体随机效应，默认True",
+        "time_effects": "是否包含时间随机效应，默认False"
+    },
+    examples=[
+        "分析企业特征对绩效的影响(假设企业效应随机)",
+        "研究家庭特征对消费行为的影响",
+        "评估地区特征对经济发展的影响"
+    ],
+    use_cases=[
+        "大样本面板数据分析",
+        "个体效应与解释变量相关性较弱的情况",
+        "需要估计不随时间变化变量的影响",
+        "效率优先的分析场景"
+    ]
+)
+
+PANEL_HAUSMAN_TEST = ToolDescription(
+    name="panel_hausman_test",
+    description="""Hausman检验
+
+功能说明:
+- 检验固定效应模型与随机效应模型的选择
+- 基于模型估计差异的统计检验
+- 帮助选择合适的面板数据模型
+- 提供检验统计量和p值
+
+检验原理:
+- 零假设: 随机效应模型是合适的
+- 备择假设: 固定效应模型更合适
+- 检验统计量服从卡方分布
+
+决策规则:
+- p值 < 0.05: 拒绝零假设，选择固定效应模型
+- p值 >= 0.05: 不拒绝零假设，选择随机效应模型
+
+数据要求:
+- 与固定效应和随机效应模型相同的数据格式""",
+    field_descriptions={
+        "file_path": "CSV文件路径。必须包含实体ID列和时间列",
+        "file_content": "文件内容字符串。面板数据格式",
+        "file_format": "文件格式: csv/auto",
+        "y_data": "因变量数据列表",
+        "x_data": "自变量数据矩阵",
+        "entity_ids": "实体ID列表",
+        "time_periods": "时间周期列表",
+        "feature_names": "自变量名称列表"
+    },
+    examples=[
+        "检验企业面板数据应该使用固定效应还是随机效应模型",
+        "选择国家面板数据的合适模型形式",
+        "确定个体效应是否与解释变量相关"
+    ],
+    use_cases=[
+        "面板数据模型选择",
+        "固定效应与随机效应比较",
+        "模型设定检验",
+        "实证研究模型验证"
+    ]
+)
+
+PANEL_UNIT_ROOT_TEST = ToolDescription(
+    name="panel_unit_root_test",
+    description="""面板单位根检验
+
+功能说明:
+- 检验面板数据中变量的平稳性
+- 支持多种面板单位根检验方法
+- 检测面板数据的非平稳性
+- 为面板协整分析提供基础
+
+检验类型:
+- levinlin: Levin-Lin-Chu检验，假设共同单位根过程
+- 其他方法: 支持多种面板单位根检验
+
+数据要求:
+- 至少3个实体，每个实体至少5个时间点
+- 平衡或不平衡面板数据
+- 包含实体ID和时间信息
+
+应用意义:
+- 平稳性是面板数据建模的前提
+- 非平稳数据可能导致伪回归
+- 为面板协整分析做准备""",
+    field_descriptions={
+        "file_path": "CSV文件路径。必须包含实体ID列和时间列，数据量要求: 至少3个实体，每个实体至少5个时间点",
+        "file_content": "文件内容字符串。面板数据格式，满足最小数据量要求",
+        "file_format": "文件格式: csv/auto",
+        "data": "时间序列数据，单变量格式",
+        "y_data": "因变量数据(从面板数据转换)",
+        "x_data": "自变量数据(从面板数据转换，通常忽略)",
+        "entity_ids": "实体ID列表，用于识别不同个体",
+        "time_periods": "时间周期列表，用于时间维度识别",
+        "feature_names": "特征名称(从面板数据转换，通常忽略)",
+        "test_type": "检验类型: levinlin(默认)/其他面板单位根检验方法"
+    },
+    examples=[
+        "检验各国GDP面板数据是否平稳",
+        "检测公司股价面板数据的单位根",
+        "验证宏观经济面板变量的平稳性"
+    ],
+    use_cases=[
+        "面板数据平稳性检验",
+        "面板协整分析前提检验",
+        "面板数据建模前的诊断",
+        "非平稳面板数据处理"
+    ]
+)
+
+
+# ============================================================================
+# 高级时间序列工具描述 (5个)
+# ============================================================================
+
+VAR_MODEL_ANALYSIS = ToolDescription(
+    name="var_model_analysis",
+    description="""VAR模型分析
+
+功能说明:
+- 向量自回归(VAR)模型分析
+- 分析多个时间序列变量间的动态关系
+- 估计变量间的相互影响和滞后效应
+- 进行脉冲响应分析和预测
+
+模型特点:
+- 多变量时间序列建模
+- 变量间相互影响分析
+- 滞后效应估计
+- 动态系统建模
+
+信息准则类型:
+- aic: Akaike信息准则
+- bic: Bayesian信息准则
+- hqic: Hannan-Quinn信息准则
+
+应用场景:
+- 宏观经济变量联动分析
+- 金融市场波动传导
+- 多变量预测建模""",
+    field_descriptions={
+        "file_path": "多变量时间序列文件路径。支持CSV/JSON格式",
+        "file_content": "文件内容字符串。多变量时间序列数据",
+        "file_format": "文件格式: csv/json/auto",
+        "data": "多变量时间序列数据字典，如 {'GDP': [值], 'CPI': [值], ...}",
+        "max_lags": "最大滞后阶数，用于模型阶数选择，默认5",
+        "ic": "信息准则类型: aic(默认)/bic/hqic，用于最优滞后阶数选择"
+    },
+    examples=[
+        "分析GDP、CPI、利率等宏观经济变量的动态关系",
+        "研究股票市场、债券市场、外汇市场的联动效应",
+        "预测多变量经济系统的未来走势"
+    ],
+    use_cases=[
+        "宏观经济政策分析",
+        "金融市场联动研究",
+        "多变量预测建模",
+        "动态系统分析"
+    ]
+)
+
+VECM_MODEL_ANALYSIS = ToolDescription(
+    name="vecm_model_analysis",
+    description="""VECM模型分析
+
+功能说明:
+- 向量误差修正模型(VECM)分析
+- 处理非平稳时间序列的协整关系
+- 估计长期均衡关系和短期调整机制
+- 分析变量间的长期和短期动态
+
+模型特点:
+- 基于VAR模型的协整扩展
+- 长期均衡关系建模
+- 短期调整机制分析
+- 误差修正项估计
+
+确定性项类型:
+- co: 常数项在协整关系中
+- c: 常数项在VAR中
+- ct: 常数项和趋势项
+- none: 无确定性项
+
+应用场景:
+- 非平稳时间序列的长期关系分析
+- 经济变量的均衡关系研究
+- 协整系统的动态调整分析""",
+    field_descriptions={
+        "file_path": "多变量时间序列文件路径。支持非平稳时间序列",
+        "file_content": "文件内容字符串。多变量非平稳时间序列",
+        "file_format": "文件格式: csv/json/auto",
+        "data": "多变量时间序列数据字典",
+        "coint_rank": "协整秩，表示协整关系数量，默认1",
+        "deterministic": "确定性项类型: co(默认)/c/ct/none",
+        "max_lags": "最大滞后阶数，用于模型估计，默认5"
+    },
+    examples=[
+        "分析GDP和消费的长期均衡关系",
+        "研究汇率和利率的协整关系",
+        "估计股票价格和交易量的误差修正机制"
+    ],
+    use_cases=[
+        "非平稳时间序列建模",
+        "长期均衡关系分析",
+        "协整系统动态研究",
+        "经济变量均衡分析"
+    ]
+)
+
+GARCH_MODEL_ANALYSIS = ToolDescription(
+    name="garch_model_analysis",
+    description="GARCH模型分析 - 支持文件输入",
+    field_descriptions={
+        "file_path": "文件路径",
+        "file_content": "文件内容",
+        "file_format": "文件格式",
+        "data": "时间序列数据",
+        "order": "GARCH模型阶数",
+        "dist": "误差分布类型"
+    }
+)
+
+STATE_SPACE_MODEL_ANALYSIS = ToolDescription(
+    name="state_space_model_analysis",
+    description="状态空间模型分析 - 支持文件输入",
+    field_descriptions={
+        "file_path": "文件路径",
+        "file_content": "文件内容",
+        "file_format": "文件格式",
+        "data": "时间序列数据",
+        "state_dim": "状态维度",
+        "observation_dim": "观测维度",
+        "trend": "是否包含趋势项",
+        "seasonal": "是否包含季节项",
+        "period": "季节周期"
+    }
+)
+
+VARIANCE_DECOMPOSITION_ANALYSIS = ToolDescription(
+    name="variance_decomposition_analysis",
+    description="方差分解分析 - 支持文件输入",
+    field_descriptions={
+        "file_path": "文件路径",
+        "file_content": "文件内容",
+        "file_format": "文件格式",
+        "data": "多变量时间序列数据",
+        "periods": "分解期数",
+        "max_lags": "最大滞后阶数"
+    }
+)
+
+
+# ============================================================================
+# 机器学习工具描述 (6个)
+# ============================================================================
+
+RANDOM_FOREST_REGRESSION_ANALYSIS = ToolDescription(
+    name="random_forest_regression_analysis",
+    description="随机森林回归 - 支持文件输入",
+    field_descriptions={
+        "file_path": "文件路径",
+        "file_content": "文件内容",
+        "file_format": "文件格式",
+        "y_data": "因变量数据",
+        "x_data": "自变量数据",
+        "feature_names": "特征名称",
+        "n_estimators": "树的数量",
+        "max_depth": "最大深度"
+    }
+)
+
+GRADIENT_BOOSTING_REGRESSION_ANALYSIS = ToolDescription(
+    name="gradient_boosting_regression_analysis",
+    description="梯度提升树回归 - 支持文件输入",
+    field_descriptions={
+        "file_path": "文件路径",
+        "file_content": "文件内容",
+        "file_format": "文件格式",
+        "y_data": "因变量数据",
+        "x_data": "自变量数据",
+        "feature_names": "特征名称",
+        "n_estimators": "树的数量",
+        "learning_rate": "学习率",
+        "max_depth": "最大深度"
+    }
+)
+
+LASSO_REGRESSION_ANALYSIS = ToolDescription(
+    name="lasso_regression_analysis",
+    description="Lasso回归 - 支持文件输入",
+    field_descriptions={
+        "file_path": "文件路径",
+        "file_content": "文件内容",
+        "file_format": "文件格式",
+        "y_data": "因变量数据",
+        "x_data": "自变量数据",
+        "feature_names": "特征名称",
+        "alpha": "正则化参数"
+    }
+)
+
+RIDGE_REGRESSION_ANALYSIS = ToolDescription(
+    name="ridge_regression_analysis",
+    description="Ridge回归 - 支持文件输入",
+    field_descriptions={
+        "file_path": "文件路径",
+        "file_content": "文件内容",
+        "file_format": "文件格式",
+        "y_data": "因变量数据",
+        "x_data": "自变量数据",
+        "feature_names": "特征名称",
+        "alpha": "正则化参数"
+    }
+)
+
+CROSS_VALIDATION_ANALYSIS = ToolDescription(
+    name="cross_validation_analysis",
+    description="交叉验证 - 支持文件输入",
+    field_descriptions={
+        "file_path": "文件路径",
+        "file_content": "文件内容",
+        "file_format": "文件格式",
+        "y_data": "因变量数据",
+        "x_data": "自变量数据",
+        "feature_names": "特征名称",
+        "model_type": "模型类型",
+        "cv_folds": "交叉验证折数",
+        "scoring": "评分指标"
+    }
+)
+
+FEATURE_IMPORTANCE_ANALYSIS_TOOL = ToolDescription(
+    name="feature_importance_analysis_tool",
+    description="特征重要性分析 - 支持文件输入",
+    field_descriptions={
+        "file_path": "文件路径",
+        "file_content": "文件内容",
+        "file_format": "文件格式",
+        "y_data": "因变量数据",
+        "x_data": "自变量数据",
+        "feature_names": "特征名称",
+        "method": "分析方法",
+        "top_k": "显示前K个重要特征"
+    }
+)
+
+
+# ============================================================================
+# 工具描述映射
+# ============================================================================
+
+TOOL_DESCRIPTIONS: Dict[str, ToolDescription] = {
+    # 基础统计工具
+    "descriptive_statistics": DESCRIPTIVE_STATISTICS,
+    "ols_regression": OLS_REGRESSION,
+    "hypothesis_testing": HYPOTHESIS_TESTING,
+    "time_series_analysis": TIME_SERIES_ANALYSIS,
+    "correlation_analysis": CORRELATION_ANALYSIS,
+    
+    # 面板数据工具
+    "panel_fixed_effects": PANEL_FIXED_EFFECTS,
+    "panel_random_effects": PANEL_RANDOM_EFFECTS,
+    "panel_hausman_test": PANEL_HAUSMAN_TEST,
+    "panel_unit_root_test": PANEL_UNIT_ROOT_TEST,
+    
+    # 高级时间序列工具
+    "var_model_analysis": VAR_MODEL_ANALYSIS,
+    "vecm_model_analysis": VECM_MODEL_ANALYSIS,
+    "garch_model_analysis": GARCH_MODEL_ANALYSIS,
+    "state_space_model_analysis": STATE_SPACE_MODEL_ANALYSIS,
+    "variance_decomposition_analysis": VARIANCE_DECOMPOSITION_ANALYSIS,
+    
+    # 机器学习工具
+    "random_forest_regression_analysis": RANDOM_FOREST_REGRESSION_ANALYSIS,
+    "gradient_boosting_regression_analysis": GRADIENT_BOOSTING_REGRESSION_ANALYSIS,
+    "lasso_regression_analysis": LASSO_REGRESSION_ANALYSIS,
+    "ridge_regression_analysis": RIDGE_REGRESSION_ANALYSIS,
+    "cross_validation_analysis": CROSS_VALIDATION_ANALYSIS,
+    "feature_importance_analysis_tool": FEATURE_IMPORTANCE_ANALYSIS_TOOL,
+}
+
+
+def get_tool_description(tool_name: str) -> ToolDescription:
+    """获取工具描述"""
+    if tool_name not in TOOL_DESCRIPTIONS:
+        raise ValueError(f"未知的工具名称: {tool_name}")
+    return TOOL_DESCRIPTIONS[tool_name]
+
+
+def get_all_tool_names() -> List[str]:
+    """获取所有工具名称"""
+    return list(TOOL_DESCRIPTIONS.keys())
+
+
+def get_field_description(tool_name: str, field_name: str, default: str = "") -> str:
+    """获取指定工具的字段描述"""
+    tool_desc = get_tool_description(tool_name)
+    return tool_desc.get_field_description(field_name, default)
+
+
+# 导出主要类和函数
+__all__ = [
+    "ToolDescription",
+    "TOOL_DESCRIPTIONS",
+    "get_tool_description",
+    "get_all_tool_names",
+    "get_field_description",
+    
+    # 基础统计工具
+    "DESCRIPTIVE_STATISTICS",
+    "OLS_REGRESSION",
+    "HYPOTHESIS_TESTING",
+    "TIME_SERIES_ANALYSIS",
+    "CORRELATION_ANALYSIS",
+    
+    # 面板数据工具
+    "PANEL_FIXED_EFFECTS",
+    "PANEL_RANDOM_EFFECTS",
+    "PANEL_HAUSMAN_TEST",
+    "PANEL_UNIT_ROOT_TEST",
+    
+    # 高级时间序列工具
+    "VAR_MODEL_ANALYSIS",
+    "VECM_MODEL_ANALYSIS",
+    "GARCH_MODEL_ANALYSIS",
+    "STATE_SPACE_MODEL_ANALYSIS",
+    "VARIANCE_DECOMPOSITION_ANALYSIS",
+    
+    # 机器学习工具
+    "RANDOM_FOREST_REGRESSION_ANALYSIS",
+    "GRADIENT_BOOSTING_REGRESSION_ANALYSIS",
+    "LASSO_REGRESSION_ANALYSIS",
+    "RIDGE_REGRESSION_ANALYSIS",
+    "CROSS_VALIDATION_ANALYSIS",
+    "FEATURE_IMPORTANCE_ANALYSIS_TOOL",
+]

aigroup_econ_mcp-0.5.0/src/aigroup_econ_mcp/tools/tool_descriptions.py

@@ -1,416 +0,0 @@
-"""
-工具描述模块
-统一管理所有MCP工具的描述信息，便于维护和复用
-"""
-
-from typing import Dict, Any, List
-from pydantic import Field
-
-
-class ToolDescription:
-    """工具描述类"""
-    
-    def __init__(self, name: str, description: str, field_descriptions: Dict[str, str] = None):
-        self.name = name
-        self.description = description
-        self.field_descriptions = field_descriptions or {}
-    
-    def get_field_description(self, field_name: str, default: str = "") -> str:
-        """获取字段描述"""
-        return self.field_descriptions.get(field_name, default)
-
-
-# ============================================================================
-# 基础统计工具描述 (5个)
-# ============================================================================
-
-DESCRIPTIVE_STATISTICS = ToolDescription(
-    name="descriptive_statistics",
-    description="计算描述性统计量\n\n支持三种输入方式（按优先级）：\n1. file_path: 文件路径 (如 \"data.csv\")\n2. file_content: 文件内容字符串\n3. data: 直接传入数据字典",
-    field_descriptions={
-        "file_path": "CSV/JSON文件路径",
-        "file_content": "CSV/JSON文件内容",
-        "file_format": "文件格式(csv/json/auto)",
-        "data": "数据字典(直接数据输入)"
-    }
-)
-
-OLS_REGRESSION = ToolDescription(
-    name="ols_regression",
-    description="OLS回归分析\n\n支持文件输入或直接数据输入。文件格式示例：\nCSV: 最后一列为因变量，其余列为自变量",
-    field_descriptions={
-        "file_path": "CSV/JSON文件路径",
-        "file_content": "CSV/JSON文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量(直接输入)",
-        "x_data": "自变量(直接输入)",
-        "feature_names": "特征名称"
-    }
-)
-
-HYPOTHESIS_TESTING = ToolDescription(
-    name="hypothesis_testing",
-    description="假设检验 - 支持文件或直接数据输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "第一组数据",
-        "data2": "第二组数据",
-        "test_type": "检验类型(t_test/adf)"
-    }
-)
-
-TIME_SERIES_ANALYSIS = ToolDescription(
-    name="time_series_analysis",
-    description="时间序列分析 - 支持文件或直接数据输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "时间序列数据"
-    }
-)
-
-CORRELATION_ANALYSIS = ToolDescription(
-    name="correlation_analysis",
-    description="相关性分析 - 支持文件或直接数据输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "多变量数据",
-        "method": "相关系数类型"
-    }
-)
-
-
-# ============================================================================
-# 面板数据工具描述 (4个)
-# ============================================================================
-
-PANEL_FIXED_EFFECTS = ToolDescription(
-    name="panel_fixed_effects",
-    description="固定效应模型 - 支持文件输入",
-    field_descriptions={
-        "file_path": "CSV文件路径。CSV格式要求：必须包含实体ID列(列名含entity_id/id/entity/firm/company/country/region之一)和时间列(列名含time_period/time/date/year/month/period/quarter之一)",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "entity_ids": "实体ID列表",
-        "time_periods": "时间周期列表",
-        "feature_names": "特征名称",
-        "entity_effects": "是否包含实体效应",
-        "time_effects": "是否包含时间效应"
-    }
-)
-
-PANEL_RANDOM_EFFECTS = ToolDescription(
-    name="panel_random_effects",
-    description="随机效应模型 - 支持文件输入",
-    field_descriptions={
-        "file_path": "CSV文件路径。CSV格式要求：必须包含实体ID列(列名含entity_id/id/entity/firm/company/country/region之一)和时间列(列名含time_period/time/date/year/month/period/quarter之一)",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "entity_ids": "实体ID列表",
-        "time_periods": "时间周期列表",
-        "feature_names": "特征名称",
-        "entity_effects": "是否包含实体效应",
-        "time_effects": "是否包含时间效应"
-    }
-)
-
-PANEL_HAUSMAN_TEST = ToolDescription(
-    name="panel_hausman_test",
-    description="Hausman检验 - 支持文件输入",
-    field_descriptions={
-        "file_path": "CSV文件路径。CSV格式要求：必须包含实体ID列(列名含entity_id/id/entity/firm/company/country/region之一)和时间列(列名含time_period/time/date/year/month/period/quarter之一)",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "entity_ids": "实体ID列表",
-        "time_periods": "时间周期列表",
-        "feature_names": "特征名称"
-    }
-)
-
-PANEL_UNIT_ROOT_TEST = ToolDescription(
-    name="panel_unit_root_test",
-    description="面板单位根检验 - 支持文件输入",
-    field_descriptions={
-        "file_path": "CSV文件路径。CSV格式要求：必须包含实体ID列(列名含entity_id/id/entity/firm/company/country/region之一)和时间列(列名含time_period/time/date/year/month/period/quarter之一)。数据量要求：至少3个实体，每个实体至少5个时间点",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "时间序列数据",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "entity_ids": "实体ID列表",
-        "time_periods": "时间周期列表",
-        "feature_names": "特征名称",
-        "test_type": "检验类型"
-    }
-)
-
-
-# ============================================================================
-# 高级时间序列工具描述 (5个)
-# ============================================================================
-
-VAR_MODEL_ANALYSIS = ToolDescription(
-    name="var_model_analysis",
-    description="VAR模型分析 - 支持文件输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "多变量时间序列数据",
-        "max_lags": "最大滞后阶数",
-        "ic": "信息准则类型"
-    }
-)
-
-VECM_MODEL_ANALYSIS = ToolDescription(
-    name="vecm_model_analysis",
-    description="VECM模型分析 - 支持文件输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "多变量时间序列数据",
-        "coint_rank": "协整秩",
-        "deterministic": "确定性项类型",
-        "max_lags": "最大滞后阶数"
-    }
-)
-
-GARCH_MODEL_ANALYSIS = ToolDescription(
-    name="garch_model_analysis",
-    description="GARCH模型分析 - 支持文件输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "时间序列数据",
-        "order": "GARCH模型阶数",
-        "dist": "误差分布类型"
-    }
-)
-
-STATE_SPACE_MODEL_ANALYSIS = ToolDescription(
-    name="state_space_model_analysis",
-    description="状态空间模型分析 - 支持文件输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "时间序列数据",
-        "state_dim": "状态维度",
-        "observation_dim": "观测维度",
-        "trend": "是否包含趋势项",
-        "seasonal": "是否包含季节项",
-        "period": "季节周期"
-    }
-)
-
-VARIANCE_DECOMPOSITION_ANALYSIS = ToolDescription(
-    name="variance_decomposition_analysis",
-    description="方差分解分析 - 支持文件输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "data": "多变量时间序列数据",
-        "periods": "分解期数",
-        "max_lags": "最大滞后阶数"
-    }
-)
-
-
-# ============================================================================
-# 机器学习工具描述 (6个)
-# ============================================================================
-
-RANDOM_FOREST_REGRESSION_ANALYSIS = ToolDescription(
-    name="random_forest_regression_analysis",
-    description="随机森林回归 - 支持文件输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "feature_names": "特征名称",
-        "n_estimators": "树的数量",
-        "max_depth": "最大深度"
-    }
-)
-
-GRADIENT_BOOSTING_REGRESSION_ANALYSIS = ToolDescription(
-    name="gradient_boosting_regression_analysis",
-    description="梯度提升树回归 - 支持文件输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "feature_names": "特征名称",
-        "n_estimators": "树的数量",
-        "learning_rate": "学习率",
-        "max_depth": "最大深度"
-    }
-)
-
-LASSO_REGRESSION_ANALYSIS = ToolDescription(
-    name="lasso_regression_analysis",
-    description="Lasso回归 - 支持文件输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "feature_names": "特征名称",
-        "alpha": "正则化参数"
-    }
-)
-
-RIDGE_REGRESSION_ANALYSIS = ToolDescription(
-    name="ridge_regression_analysis",
-    description="Ridge回归 - 支持文件输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "feature_names": "特征名称",
-        "alpha": "正则化参数"
-    }
-)
-
-CROSS_VALIDATION_ANALYSIS = ToolDescription(
-    name="cross_validation_analysis",
-    description="交叉验证 - 支持文件输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "feature_names": "特征名称",
-        "model_type": "模型类型",
-        "cv_folds": "交叉验证折数",
-        "scoring": "评分指标"
-    }
-)
-
-FEATURE_IMPORTANCE_ANALYSIS_TOOL = ToolDescription(
-    name="feature_importance_analysis_tool",
-    description="特征重要性分析 - 支持文件输入",
-    field_descriptions={
-        "file_path": "文件路径",
-        "file_content": "文件内容",
-        "file_format": "文件格式",
-        "y_data": "因变量数据",
-        "x_data": "自变量数据",
-        "feature_names": "特征名称",
-        "method": "分析方法",
-        "top_k": "显示前K个重要特征"
-    }
-)
-
-
-# ============================================================================
-# 工具描述映射
-# ============================================================================
-
-TOOL_DESCRIPTIONS: Dict[str, ToolDescription] = {
-    # 基础统计工具
-    "descriptive_statistics": DESCRIPTIVE_STATISTICS,
-    "ols_regression": OLS_REGRESSION,
-    "hypothesis_testing": HYPOTHESIS_TESTING,
-    "time_series_analysis": TIME_SERIES_ANALYSIS,
-    "correlation_analysis": CORRELATION_ANALYSIS,
-    
-    # 面板数据工具
-    "panel_fixed_effects": PANEL_FIXED_EFFECTS,
-    "panel_random_effects": PANEL_RANDOM_EFFECTS,
-    "panel_hausman_test": PANEL_HAUSMAN_TEST,
-    "panel_unit_root_test": PANEL_UNIT_ROOT_TEST,
-    
-    # 高级时间序列工具
-    "var_model_analysis": VAR_MODEL_ANALYSIS,
-    "vecm_model_analysis": VECM_MODEL_ANALYSIS,
-    "garch_model_analysis": GARCH_MODEL_ANALYSIS,
-    "state_space_model_analysis": STATE_SPACE_MODEL_ANALYSIS,
-    "variance_decomposition_analysis": VARIANCE_DECOMPOSITION_ANALYSIS,
-    
-    # 机器学习工具
-    "random_forest_regression_analysis": RANDOM_FOREST_REGRESSION_ANALYSIS,
-    "gradient_boosting_regression_analysis": GRADIENT_BOOSTING_REGRESSION_ANALYSIS,
-    "lasso_regression_analysis": LASSO_REGRESSION_ANALYSIS,
-    "ridge_regression_analysis": RIDGE_REGRESSION_ANALYSIS,
-    "cross_validation_analysis": CROSS_VALIDATION_ANALYSIS,
-    "feature_importance_analysis_tool": FEATURE_IMPORTANCE_ANALYSIS_TOOL,
-}
-
-
-def get_tool_description(tool_name: str) -> ToolDescription:
-    """获取工具描述"""
-    if tool_name not in TOOL_DESCRIPTIONS:
-        raise ValueError(f"未知的工具名称: {tool_name}")
-    return TOOL_DESCRIPTIONS[tool_name]
-
-
-def get_all_tool_names() -> List[str]:
-    """获取所有工具名称"""
-    return list(TOOL_DESCRIPTIONS.keys())
-
-
-def get_field_description(tool_name: str, field_name: str, default: str = "") -> str:
-    """获取指定工具的字段描述"""
-    tool_desc = get_tool_description(tool_name)
-    return tool_desc.get_field_description(field_name, default)
-
-
-# 导出主要类和函数
-__all__ = [
-    "ToolDescription",
-    "TOOL_DESCRIPTIONS",
-    "get_tool_description",
-    "get_all_tool_names",
-    "get_field_description",
-    
-    # 基础统计工具
-    "DESCRIPTIVE_STATISTICS",
-    "OLS_REGRESSION",
-    "HYPOTHESIS_TESTING",
-    "TIME_SERIES_ANALYSIS",
-    "CORRELATION_ANALYSIS",
-    
-    # 面板数据工具
-    "PANEL_FIXED_EFFECTS",
-    "PANEL_RANDOM_EFFECTS",
-    "PANEL_HAUSMAN_TEST",
-    "PANEL_UNIT_ROOT_TEST",
-    
-    # 高级时间序列工具
-    "VAR_MODEL_ANALYSIS",
-    "VECM_MODEL_ANALYSIS",
-    "GARCH_MODEL_ANALYSIS",
-    "STATE_SPACE_MODEL_ANALYSIS",
-    "VARIANCE_DECOMPOSITION_ANALYSIS",
-    
-    # 机器学习工具
-    "RANDOM_FOREST_REGRESSION_ANALYSIS",
-    "GRADIENT_BOOSTING_REGRESSION_ANALYSIS",
-    "LASSO_REGRESSION_ANALYSIS",
-    "RIDGE_REGRESSION_ANALYSIS",
-    "CROSS_VALIDATION_ANALYSIS",
-    "FEATURE_IMPORTANCE_ANALYSIS_TOOL",
-]