aigroup-econ-mcp 1.3.3__py3-none-any.whl → 2.0.1__py3-none-any.whl

resources/MCP_MASTER_GUIDE.md

@@ -0,0 +1,422 @@
+# AIGroup计量经济学MCP工具完整指南
+
+## 概述
+
+本MCP服务器提供**21个**计量经济学分析工具，采用组件化架构设计，支持多种数据格式输入和输出。
+
+## 服务器配置
+
+```json
+{
+  "server_name": "aigroup-econ-mcp",
+  "version": "2.2.0-component",
+  "architecture": "Component-Based",
+  "tool_groups": 3,
+  "total_tools": 21,
+  "tools": [
+    "basic_parametric_estimation_ols",
+    "basic_parametric_estimation_mle",
+    "basic_parametric_estimation_gmm",
+    "model_diagnostic_tests",
+    "generalized_least_squares",
+    "weighted_least_squares",
+    "robust_errors_regression",
+    "model_selection_criteria",
+    "regularized_regression",
+    "simultaneous_equations_model",
+    "time_series_arima_model",
+    "time_series_exponential_smoothing",
+    "time_series_garch_model",
+    "time_series_unit_root_tests",
+    "time_series_var_svar_model",
+    "time_series_cointegration_analysis",
+    "panel_data_dynamic_model",
+    "panel_data_diagnostics",
+    "panel_var_model",
+    "structural_break_tests",
+    "time_varying_parameter_models"
+  ],
+  "description": "Econometrics MCP Tools with component-based architecture"
+}
+```
+
+## 工具概览
+
+### 基础参数估计工具 (3个)
+
+1. **OLS回归分析 (basic_parametric_estimation_ols)**
+   - 核心算法: econometrics/basic_parametric_estimation/ols/ols_model.py
+   - 输入方式: 直接数据(y_data + x_data) 或 文件(file_path)
+   - 支持格式: txt/json/csv/excel
+
+2. **最大似然估计 (basic_parametric_estimation_mle)**
+   - 核心算法: econometrics/basic_parametric_estimation/mle/mle_model.py
+   - 输入方式: 直接数据(data) 或 文件(file_path)
+   - 分布类型: normal, poisson, exponential
+   - 支持格式: txt/json/csv/excel
+
+3. **广义矩估计 (basic_parametric_estimation_gmm)**
+   - 核心算法: econometrics/basic_parametric_estimation/gmm/gmm_model.py
+   - 输入方式: 直接数据(y_data + x_data) 或 文件(file_path)
+   - 已修复: j_p_value bug
+   - 支持格式: txt/json/csv/excel
+
+### 模型规范、诊断和稳健推断工具 (7个) 🆕
+
+4. **模型诊断检验 (model_diagnostic_tests)**
+   - 核心算法: econometrics/model_specification_diagnostics_robust_inference/diagnostic_tests/
+   - 功能: 异方差检验(Breusch-Pagan, White)、自相关检验(Durbin-Watson)、正态性检验(Jarque-Bera)、多重共线性诊断(VIF)
+   - 输入方式: 直接数据(y_data + x_data) 或 文件(file_path)
+   - 支持格式: txt/json/csv/excel
+
+5. **广义最小二乘法 (generalized_least_squares)**
+   - 核心算法: econometrics/model_specification_diagnostics_robust_inference/generalized_least_squares/
+   - 功能: 处理异方差性和自相关的GLS回归
+   - 特点: 可指定误差项协方差矩阵
+   - 输入方式: 直接数据 或 文件
+
+6. **加权最小二乘法 (weighted_least_squares)**
+   - 核心算法: econometrics/model_specification_diagnostics_robust_inference/weighted_least_squares/
+   - 功能: 使用权重处理已知异方差性
+   - 特点: 需要提供观测值权重（通常为方差的倒数）
+   - 输入方式: 直接数据 或 文件
+
+7. **稳健标准误回归 (robust_errors_regression)**
+   - 核心算法: econometrics/model_specification_diagnostics_robust_inference/robust_errors/
+   - 功能: 计算异方差稳健的标准误
+   - 支持类型: HC0, HC1, HC2, HC3
+   - 特点: 不改变系数估计，只调整标准误
+
+8. **模型选择准则 (model_selection_criteria)**
+   - 核心算法: econometrics/m odel_specification_diagnostics_robust_inference/model_selection/
+   - 功能: 计算AIC、BIC、HQIC信息准则
+   - 附加功能: K折交叉验证、留一法交叉验证
+   - 用途: 模型比较和变量选择
+
+9. **正则化回归 (regularized_regression)**
+   - 核心算法: econometrics/model_specification_diagnostics_robust_inference/regularization/
+   - 方法: Ridge回归(L2)、LASSO(L1)、Elastic Net(L1+L2)
+   - 功能: 处理多重共线性和高维数据
+   - 特点: 可进行变量选择（LASSO）
+
+10. **联立方程模型 (simultaneous_equations_model)**
+    - 核心算法: econometrics/model_specification_diagnostics_robust_inference/simultaneous_equations/
+    - 方法: 两阶段最小二乘法(2SLS)
+    - 功能: 处理联立方程系统和内生性问题
+    - 要求: 需要有效的工具变量
+
+### 时间序列工具 (6个)
+
+11. **ARIMA模型 (time_series_arima_model)**
+    - 参数: (p,d,q) 阶数
+    - 功能: 多步预测
+
+12. **指数平滑模型 (time_series_exponential_smoothing)**
+    - 组件: 趋势项, 季节项
+    - 功能: 多步预测
+
+13. **GARCH模型 (time_series_garch_model)**
+    - 功能: 条件方差建模
+    - 参数: (p,q) 阶数
+
+14. **单位根检验 (time_series_unit_root_tests)**
+    - 检验方法: ADF, PP, KPSS
+    - 功能: 平稳性检验
+
+15. **VAR/SVAR模型 (time_series_var_svar_model)**
+    - 模型类型: VAR, SVAR
+    - 功能: 多变量时间序列分析
+
+16. **协整分析 (time_series_cointegration_analysis)**
+    - 检验方法: Engle-Granger, Johansen
+    - 模型: VECM
+    - 功能: 长期均衡关系分析
+
+### 面板数据工具 (3个)
+
+17. **动态面板模型 (panel_data_dynamic_model)**
+    - 模型类型: 差分GMM, 系统GMM
+    - 数据: 横截面和时间序列数据
+
+18. **面板数据诊断测试 (panel_data_diagnostics)**
+    - 检验方法: Hausman, Pooling F, LM, 组内相关性
+    - 功能: 模型选择 (FE vs RE vs Pooled)
+
+19. **面板VAR模型 (panel_var_model)**
+    - 功能: 面板向量自回归
+    - 效应: 个体效应和时间效应
+
+### 高级计量工具 (2个)
+
+20. **结构断点检验 (structural_break_tests)**
+    - 检验方法: Chow, Quandt-Andrews, Bai-Perron
+    - 功能: 检测时间序列结构变化
+
+21. **时变参数模型 (time_varying_parameter_models)**
+    - 模型类型: TAR, STAR, Markov Switching
+    - 功能: 基于阈值的机制转换
+
+## 详细参数说明
+
+### 通用参数格式
+
+#### 输入数据格式
+- **直接数据输入**: 使用 `y_data`, `x_data`, `data` 等参数
+- **文件输入**: 使用 `file_path` 参数
+- **支持的文件格式**: txt, json, csv, excel (.xlsx, .xls)
+
+#### 输出格式选项
+- `output_format`: json, markdown, txt
+- `save_path`: 可指定输出文件路径保存结果
+
+#### 通用配置参数
+- `confidence_level`: 置信水平（默认0.95）
+- `constant`: 是否包含常数项（默认true）
+- `feature_names`: 特征名称列表
+
+### 工具特定参数示例
+
+#### 1. OLS回归分析
+```json
+{
+  "y_data": [1, 2, 3, 4, 5],
+  "x_data": [[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]],
+  "feature_names": ["X1", "X2"],
+  "constant": true,
+  "confidence_level": 0.95
+}
+```
+
+#### 2. 模型诊断检验 🆕
+```json
+{
+  "y_data": [1, 2, 3, 4, 5],
+  "x_data": [[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]],
+  "feature_names": ["X1", "X2"],
+  "constant": true
+}
+```
+
+#### 3. 稳健标准误回归 🆕
+```json
+{
+  "y_data": [1, 2, 3, 4, 5],
+  "x_data": [[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]],
+  "cov_type": "HC1",
+  "confidence_level": 0.95
+}
+```
+
+#### 4. 正则化回归 🆕
+```json
+{
+  "y_data": [1, 2, 3, 4, 5],
+  "x_data": [[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]],
+  "method": "ridge",
+  "alpha": 1.0,
+  "l1_ratio": 0.5
+}
+```
+
+#### 5. 加权最小二乘法 🆕
+```json
+{
+  "y_data": [1, 2, 3, 4, 5],
+  "x_data": [[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]],
+  "weights": [1.0, 0.8, 1.2, 0.9, 1.1],
+  "confidence_level": 0.95
+}
+```
+
+#### 6. ARIMA模型
+```json
+{
+  "data": [1.2, 2.1, 3.4, 4.2, 5.1, 6.3, 7.2, 8.1, 9.4, 10.2],
+  "order": [1, 1, 1],
+  "forecast_steps": 3
+}
+```
+
+#### 7. 动态面板模型
+```json
+{
+  "y_data": [1.2, 2.1, 3.4, 4.2, 5.1],
+  "x_data": [[1, 0.5], [2, 1.2], [3, 1.8], [4, 2.5], [5, 3.1]],
+  "entity_ids": [1, 1, 1, 2, 2],
+  "time_periods": [1, 2, 3, 1, 2],
+  "model_type": "diff_gmm"
+}
+```
+
+## 参数选项说明
+
+### 分布类型 (MLE)
+- `normal`: 正态分布
+- `poisson`: 泊松分布  
+- `exponential`: 指数分布
+
+### 稳健标准误类型 🆕
+- `HC0`: 白异方差一致性标准误
+- `HC1`: 修正的HC0（小样本调整）
+- `HC2`: 杠杆调整的标准误
+- `HC3`: 杠杆调整的标准误（更稳健）
+
+### 正则化方法 🆕
+- `ridge`: 岭回归（L2惩罚）
+- `lasso`: LASSO回归（L1惩罚，可变量选择）
+- `elastic_net`: 弹性网络（L1+L2惩罚）
+
+### 单位根检验类型
+- `adf`: Augmented Dickey-Fuller检验
+- `pp`: Phillips-Perron检验
+- `kpss`: KPSS检验
+
+### VAR/SVAR模型类型
+- `var`: 向量自回归模型
+- `svar`: 结构向量自回归模型
+
+### 协整分析方法
+- `johansen`: Johansen协整检验
+- `engle-granger`: Engle-Granger协整检验
+
+### 动态面板模型类型
+- `diff_gmm`: 差分GMM模型
+- `sys_gmm`: 系统GMM模型
+
+### 面板诊断测试类型
+- `hausman`: Hausman检验 (FE vs RE)
+- `pooling_f`: Pooling F检验
+- `lm`: LM检验
+- `within_correlation`: 组内相关性检验
+
+### 结构断点检验类型
+- `chow`: Chow检验
+- `quandt-andrews`: Quandt-Andrews检验
+- `bai-perron`: Bai-Perron多重断点检验
+
+### 时变参数模型类型
+- `tar`: 门限自回归模型
+- `star`: 平滑转换自回归模型
+- `markov_switching`: 马尔科夫转换模型
+
+### STAR类型
+- `logistic`: Logistic转换函数
+- `exponential`: 指数转换函数
+
+## 工具组分类
+
+### 第一组：基础参数估计 (3个工具)
+专注于基本的统计估计方法，适用于大多数标准回归分析场景。
+
+### 第二组：模型规范、诊断和稳健推断 (7个工具) 🆕
+提供全面的模型诊断、规范检验和稳健估计方法，确保模型的可靠性和有效性。
+
+### 第三组：时间序列和面板数据 (11个工具)
+涵盖时间序列分析、面板数据建模和高级计量方法。
+
+## 架构信息
+
+**架构**: Component-Based  
+**版本**: 2.2.0  
+**Python版本**: 3.8+  
+**MCP协议**: FastMCP  
+**工具组数量**: 3  
+**总工具数**: 21  
+**文件格式**: txt, json, csv, excel (.xlsx, .xls)  
+**输出格式**: json, markdown, txt
+
+## 优势特点
+
+- **组件化设计**: 工具按功能分组，便于维护和扩展
+- **模块化**: 每个工具组独立管理
+- **DRY原则**: 复用核心算法，无重复代码
+- **易于扩展**: 轻松添加新工具类别
+- **性能优化**: 高效的数据处理和计算
+- **全面诊断**: 新增完整的模型诊断和稳健推断工具 🆕
+- **稳健性**: 支持多种稳健估计方法处理数据问题 🆕
+
+## 使用建议
+
+1. **数据准备**: 确保数据格式正确，特别是多维数组的嵌套结构
+2. **参数选择**: 根据具体分析需求选择合适的模型参数
+3. **模型诊断**: 在进行推断前使用诊断工具检验模型假设 🆕
+4. **稳健性检查**: 对于可能存在异方差的数据使用稳健标准误 🆕
+5. **输出格式**: 根据后续处理需求选择合适的输出格式
+6. **错误处理**: 注意工具可能返回的错误信息，如矩阵奇异等
+
+## 典型工作流程 🆕
+
+### 标准回归分析流程
+1. 使用 `basic_parametric_estimation_ols` 进行OLS回归
+2. 使用 `model_diagnostic_tests` 检验模型假设
+3. 如发现异方差：
+   - 使用 `robust_errors_regression` 获取稳健标准误，或
+   - 使用 `weighted_least_squares` 或 `generalized_least_squares`
+4. 使用 `model_selection_criteria` 进行模型比较
+
+### 高维数据分析流程
+1. 使用 `regularized_regression` 处理多重共线性
+2. 通过LASSO进行变量选择
+3. 使用交叉验证选择最优alpha参数
+
+## 示例调用
+
+```python
+# OLS回归分析示例
+result = await mcp.basic_parametric_estimation_ols(
+    y_data=[1, 2, 3, 4, 5],
+    x_data=[[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]],
+    feature_names=["X1", "X2"],
+    constant=True,
+    output_format="json"
+)
+
+# 模型诊断检验示例 🆕
+diagnostic_result = await mcp.model_diagnostic_tests(
+    y_data=[1, 2, 3, 4, 5],
+    x_data=[[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]],
+    feature_names=["X1", "X2"],
+    constant=True
+)
+
+# 稳健标准误回归示例 🆕
+robust_result = await mcp.robust_errors_regression(
+    y_data=[1, 2, 3, 4, 5],
+    x_data=[[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]],
+    cov_type="HC1",
+    confidence_level=0.95
+)
+
+# 正则化回归示例 🆕
+ridge_result = await mcp.regularized_regression(
+    y_data=[1, 2, 3, 4, 5],
+    x_data=[[1, 2], [2, 3], [3, 4], [4, 5], [5, 6]],
+    method="ridge",
+    alpha=1.0
+)
+
+# ARIMA模型示例
+arima_result = await mcp.time_series_arima_model(
+    data=[1.2, 2.1, 3.4, 4.2, 5.1, 6.3, 7.2, 8.1, 9.4, 10.2],
+    order=[1, 1, 1],
+    forecast_steps=3,
+    output_format="json"
+)
+```
+
+## 更新历史
+
+### v2.2.0 (当前版本) 🆕
+- 新增7个模型规范、诊断和稳健推断工具
+- 总工具数从14个增加到21个
+- 增强了模型诊断和稳健推断能力
+- 添加了正则化方法支持
+
+### v2.1.0
+- 提供14个基础工具
+- 实现组件化架构
+- 支持多种数据格式
+
+---
+
+这个完整指南包含了所有必要信息，帮助大模型正确理解和使用所有**21个**计量经济学工具。

resources/MCP_TOOLS_DATA_FORMAT_GUIDE.md

@@ -0,0 +1,185 @@
+# MCP工具数据格式指南
+
+## 概述
+本文档详细说明各个MCP工具的数据输入格式要求，帮助大模型正确调用工具。
+
+## 1. VAR/SVAR模型工具
+
+### 数据格式
+```python
+# 多元时间序列数据格式
+data = [
+    [var1_t1, var2_t1, var3_t1],  # 时间点1的所有变量值
+    [var1_t2, var2_t2, var3_t2],  # 时间点2的所有变量值
+    [var1_t3, var2_t3, var3_t3],  # 时间点3的所有变量值
+    # ...
+]
+
+# 变量名称（可选）
+variables = ["GDP", "Inflation", "Interest"]
+```
+
+### 示例调用
+```python
+{
+  "data": [[1.0, 2.5, 1.8], [1.2, 2.7, 2.0], [1.4, 2.9, 2.2]],
+  "model_type": "var",
+  "lags": 1,
+  "variables": ["GDP", "Inflation", "Interest"],
+  "output_format": "json"
+}
+```
+
+## 2. 联立方程模型工具
+
+### 数据格式说明
+联立方程模型需要三个主要数据组件：
+
+#### 因变量数据 (y_data)
+- **格式**: 二维列表，每个子列表代表一个方程的因变量时间序列
+- **要求**: 所有方程的观测数量必须相同
+
+```python
+# 两个方程的示例
+y_data = [
+    [1.0, 1.2, 1.4, 1.6],  # 方程1的因变量
+    [2.0, 2.2, 2.4, 2.6]   # 方程2的因变量
+]
+```
+
+#### 自变量数据 (x_data)
+- **格式**: 二维列表，每个子列表代表一个观测的所有自变量值
+- **要求**: 观测数量必须与因变量相同
+
+```python
+# 4个观测，每个观测有2个自变量
+x_data = [
+    [1.5, 2.5],  # 观测1的自变量
+    [1.7, 2.7],  # 观测2的自变量
+    [1.9, 2.9],  # 观测3的自变量
+    [2.1, 3.1]   # 观测4的自变量
+]
+```
+
+#### 工具变量数据 (instruments)
+- **格式**: 二维列表，每个子列表代表一个观测的所有工具变量值
+- **要求**: 观测数量必须与其他变量相同
+
+```python
+# 4个观测，每个观测有2个工具变量
+instruments = [
+    [1.8, 2.8],  # 观测1的工具变量
+    [2.0, 3.0],  # 观测2的工具变量
+    [2.2, 3.2],  # 观测3的工具变量
+    [2.4, 3.4]   # 观测4的工具变量
+]
+```
+
+### 示例调用
+```python
+{
+  "y_data": [[1.0, 1.2, 1.4, 1.6], [2.0, 2.2, 2.4, 2.6]],
+  "x_data": [[1.5, 2.5], [1.7, 2.7], [1.9, 2.9], [2.1, 3.1]],
+  "instruments": [[1.8, 2.8], [2.0, 3.0], [2.2, 3.2], [2.4, 3.4]],
+  "equation_names": ["Demand", "Supply"],
+  "instrument_names": ["Income", "Price"],
+  "constant": true,
+  "output_format": "json"
+}
+```
+
+## 3. 动态面板数据模型工具
+
+### 数据格式说明
+动态面板数据需要四个主要数据组件：
+
+#### 因变量数据 (y_data)
+- **格式**: 一维列表，所有个体的因变量时间序列
+
+```python
+y_data = [1.0, 1.2, 1.4, 1.6, 1.8, 2.0, 2.2, 2.4, 2.6, 2.8]
+```
+
+#### 自变量数据 (x_data)
+- **格式**: 二维列表，每个子列表代表一个自变量的时间序列
+- **重要**: 每个自变量的观测数量必须与因变量相同
+
+```python
+# 1个自变量，10个观测
+x_data = [[1.5, 1.7, 1.9, 2.1, 2.3, 2.5, 2.7, 2.9, 3.1, 3.3]]
+
+# 2个自变量，10个观测
+x_data = [
+    [1.5, 1.7, 1.9, 2.1, 2.3, 2.5, 2.7, 2.9, 3.1, 3.3],  # 自变量1
+    [2.5, 2.7, 2.9, 3.1, 3.3, 3.5, 3.7, 3.9, 4.1, 4.3]   # 自变量2
+]
+```
+
+#### 个体标识符 (entity_ids)
+- **格式**: 一维列表，标识每个观测属于哪个个体
+
+```python
+# 2个个体，每个个体5个时间点
+entity_ids = [1, 1, 1, 1, 1, 2, 2, 2, 2, 2]
+```
+
+#### 时间标识符 (time_periods)
+- **格式**: 一维列表，标识每个观测的时间点
+
+```python
+# 10个观测，时间从1到5重复两次
+time_periods = [1, 2, 3, 4, 5, 1, 2, 3, 4, 5]
+```
+
+### 示例调用
+```python
+{
+  "y_data": [1.0, 1.2, 1.4, 1.6, 1.8, 2.0, 2.2, 2.4, 2.6, 2.8],
+  "x_data": [[1.5, 1.7, 1.9, 2.1, 2.3, 2.5, 2.7, 2.9, 3.1, 3.3]],
+  "entity_ids": [1, 1, 1, 1, 1, 2, 2, 2, 2, 2],
+  "time_periods": [1, 2, 3, 4, 5, 1, 2, 3, 4, 5],
+  "model_type": "diff_gmm",
+  "lags": 1,
+  "output_format": "json"
+}
+```
+
+## 4. 数据格式验证要点
+
+### 通用规则
+1. **数据维度一致性**: 所有相关数据的观测数量必须相同
+2. **数据类型**: 必须为数值类型
+3. **数据完整性**: 不能有空值或缺失值
+
+### 联立方程模型特殊要求
+- 因变量数据是二维列表，每个子列表代表一个方程
+- 自变量和工具变量是二维列表，每个子列表代表一个观测
+- 所有数据的观测数量必须严格一致
+
+### 动态面板数据特殊要求
+- 自变量数据是二维列表，每个子列表代表一个自变量的完整时间序列
+- 个体和时间标识符必须与因变量观测数量一致
+- 面板数据必须平衡（每个个体有相同数量的时间点）
+
+## 5. 常见错误及解决方案
+
+### 错误: "自变量的观测数量必须与因变量相同"
+**原因**: 数据维度不匹配
+**解决方案**: 检查所有数据的观测数量是否一致
+
+### 错误: "所有数据序列的长度必须一致"
+**原因**: 动态面板数据中某个自变量的观测数量与因变量不同
+**解决方案**: 确保每个自变量的时间序列长度与因变量相同
+
+### 错误: "输入数据不能为空"
+**原因**: 数据为空或格式错误
+**解决方案**: 提供有效的数据或检查文件路径
+
+## 6. 最佳实践
+
+1. **使用文件输入**: 对于复杂数据，建议使用CSV文件格式
+2. **数据预处理**: 在调用工具前确保数据格式正确
+3. **逐步测试**: 先用小样本数据测试，确认格式正确后再使用完整数据
+4. **检查维度**: 始终验证所有相关数据的观测数量是否一致
+
+通过遵循这些指南，可以确保MCP工具的正确调用和稳定运行。

server.py

@@ -0,0 +1,97 @@
+"""
+AIGroup 计量经济学 MCP 服务器 - 简化修复版
+直接注册工具，避免复杂的包装器
+"""
+
+import sys
+import os
+import asyncio
+from typing import List, Optional, Union
+from mcp.server.fastmcp import FastMCP, Context
+from mcp.server.session import ServerSession
+
+# 设置Windows控制台编码
+if sys.platform == "win32":
+    try:
+        # 尝试设置UTF-8编码
+        sys.stdout.reconfigure(encoding='utf-8')
+        sys.stderr.reconfigure(encoding='utf-8')
+    except:
+        # 如果失败，使用ASCII字符
+        pass
+
+# 导入工具注册中心
+from tools.mcp_tools_registry import registry
+
+# 创建 FastMCP 服务器实例
+mcp = FastMCP("aigroup-econ-mcp")
+
+# 自动发现并注册所有工具组
+print("正在自动发现工具组...")
+registry.auto_discover_groups()
+
+# 显示发现的工具组
+print(f"发现工具组数量: {len(registry.tool_groups)}")
+for group in registry.tool_groups:
+    print(f"  - {group.name}")
+
+# 直接注册所有工具
+print("正在注册工具...")
+for tool_name, tool_info in registry.get_all_tools().items():
+    # 获取原始工具处理器
+    original_handler = tool_info["handler"]
+    
+    # 直接注册工具
+    mcp.tool(name=tool_name, description=tool_info["description"])(original_handler)
+    
+    print(f"  - 已注册: {tool_name}")
+
+@mcp.resource("guide://econometrics")
+def get_econometrics_guide() -> str:
+    """Get complete econometrics tools guide"""
+    try:
+        with open("resources/MCP_MASTER_GUIDE.md", "r", encoding="utf-8") as f:
+            return f.read()
+    except FileNotFoundError:
+        return "完整使用指南文件未找到，请检查 resources/MCP_MASTER_GUIDE.md 文件是否存在。"
+
+
+def main():
+    """Start FastMCP server"""
+    print("=" * 60)
+    print("AIGroup Econometrics MCP Server - SIMPLE FIXED")
+    print("=" * 60)
+    print("\n架构: 简化修复版")
+    print("\n已注册工具组:")
+    
+    # 显示工具组信息
+    for group in registry.tool_groups:
+        tools_in_group = [name for name, info in registry.tools.items() if info["group"] == group.name]
+        print(f"  - {group.name} ({len(tools_in_group)} tools)")
+    
+    print(f"\n总工具数: {len(registry.tools)}")
+    print("\n支持格式:")
+    print("  输入: txt/json/csv/excel (.xlsx, .xls)")
+    print("  输出: json/markdown/txt")
+    
+    print("\n优势:")
+    print("  * 简化工具注册")
+    print("  * 避免包装器问题")
+    print("  * 直接使用原始处理器")
+    
+    print("\n启动服务器...")
+    print("=" * 60)
+    
+    # 正确使用FastMCP.run方法，不传递timeout参数
+    try:
+        mcp.run(transport="stdio")
+    except KeyboardInterrupt:
+        print("\n服务器已停止")
+    except Exception as e:
+        print(f"\n服务器运行出错: {e}")
+        import traceback
+        traceback.print_exc()
+
+
+if __name__ == "__main__":
+    main()