模型上下文协议（Model Context Protocol，MCP）正在彻底改变我们与人工智能的交互方式，它让从数据科学家到业余爱好者的每个人都能轻松地为 AI 助手接入真实世界的数据，从而大幅提升其能力。举个例子，你可以像和同事聊天一样与 AI 对话，毫不费力地让它深入分析复杂数据集、发现隐藏模式、进行数值计算，甚至实时抓取网络上的市场趋势——整个过程自然流畅，就像普通对话一样。MCP 就像一个通用连接器，弥合了现代 AI 模型强大能力与动态变化的数据世界之间的鸿沟。无论是分析销售数据、预测趋势，还是探索实时洞察，MCP 都能把 AI 转变成一个强大的数据伙伴，它不仅能对话，更能真正理解并交互与你关心的重要信息。这个协议正在开启智能、上下文感知助手的新纪元，它们不再只是生成文本，而是能够推理、计算，并交付符合你需求的可执行结果。

什么是 MCP 服务器？

MCP 服务器就像一座桥梁，把 AI 模型（如 Claude 或 GPT）与您的数据或工具连接起来。它允许 AI 通过标准化协议访问数据集、执行计算或获取外部数据。你可以把它想象成 AI 的 USB-C 接口——它把数据科学的工作流与 AI 连接，使其功能远超文本生成。

对于数据科学家来说，MCP 服务器可以：

  • 读取并总结数据集（例如 CSV 文件）。
  • 计算统计量（如均值、中位数或标准差）。
  • 从 API 获取实时数据（如股票价格或天气）。
  • 基于数据生成洞察或可视化结果。

我们将在本文创建一个基于 Python 的 MCP 服务器，它可以：

  • 读取包含销售数据的 CSV 文件。
  • 提供计算统计量的工具（均值、中位数、标准差）。
  • 使用 Alpha Vantage API 获取实时股票价格。
  • 连接到 Claude Desktop，让你能与数据进行对话。

以下是高层次的工作流图：

设置开发环境

步骤 1：安装 Python

确保已安装 Python 3.10 或更高版本。检查方式：

python --version

步骤 2：安装 uv

uv 是一个轻量级的 Python 包管理器。安装方法：

Mac/Linux

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

安装完成后，重启终端以确保 uv 命令可用。

步骤 3：创建项目目录

创建一个项目文件夹，并设置虚拟环境：

mkdir data_science_mcpcd data_science_mcpuv init data_science_mcpuv venvsource .venv/bin/activate  # Mac/Linux.venv\Scripts\activate     # Windows

步骤 4：安装依赖

创建一个 requirements.txt 文件，列出依赖：

mcp[cli]>=1.4.0pandas>=2.0.0httpx>=0.23.0python-dotenv>=1.0.0

安装依赖：

uv pip install -r requirements.txt

步骤 5：获取 Alpha Vantage API Key

在 Alpha Vantage 注册并获取免费的 API key（每天 25 次请求）。
将其保存到项目根目录下的 .env 文件：

ALPHA_VANTAGE_API_KEY=your_api_key_here

步骤 6：准备示例数据集

创建一个 data 文件夹，并添加一个示例 CSV 文件 sales_data.csv：

product,category,price,quantity_soldLaptop,Electronics,999.99,50Phone,Electronics,499.99,120T-Shirt,Clothing,19.99,200Jeans,Clothing,49.99,80

这个数据集包含了产品的销售数据，我们将用它来做分析。

步骤 7：安装 Claude Desktop

从 Anthropic 官网 下载并安装 Claude Desktop。
它支持 macOS 和 Windows（Linux 用户可以构建自定义 MCP 客户端）。

环境准备完成！

项目结构应如下

data_science_mcp/
├── .venv/
├── data/
│   └── sales_data.csv
├── .env
├── requirements.txt

构建 MCP 服务器

接下来我们来创建 MCP 服务器。我们将使用 FastMCP 库来定义数据分析和 API 调用的工具。

步骤 1：创建服务器文件

在项目根目录下创建 server.py 文件，写入以下代码：

import pandas as pdimport httpxfrom mcp.server.fastmcp import FastMCPfrom dotenv import load_dotenvimport os
# 加载环境变量load_dotenv()
# 初始化 MCP 服务器mcp = FastMCP("data_science_server")
# 加载示例数据集DATA_PATH = "data/sales_data.csv"df = pd.read_csv(DATA_PATH)
# 工具 1：获取数据集摘要@mcp.tool()def summarize_dataset() -> str:    """总结数据集：行数、列数和列名。"""    rows, cols = df.shape    columns = ", ".join(df.columns)    return f"Dataset has {rows} rows and {cols} columns. Columns: {columns}"
# 工具 2：计算列均值@mcp.tool()def compute_mean(column: str) -> float:    """计算数值列的均值。"""    if column not in df.columns:        return f"Error: Column '{column}' not found."    if not pd.api.types.is_numeric_dtype(df[column]):        return f"Error: Column '{column}' is not numeric."    return float(df[column].mean())
# 工具 3：计算列中位数@mcp.tool()def compute_median(column: str) -> float:    """计算数值列的中位数。"""    if column not in df.columns:        return f"Error: Column '{column}' not found."    if not pd.api.types.is_numeric_dtype(df[column]):        return f"Error: Column '{column}' is not numeric."    return float(df[column].median())
# 工具 4：计算列标准差@mcp.tool()def compute_std(column: str) -> float:    """计算数值列的标准差。"""    if column not in df.columns:        return f"Error: Column '{column}' not found."    if not pd.api.types.is_numeric_dtype(df[column]):        return f"Error: Column '{column}' is not numeric."    return float(df[column].std())
# 工具 5：获取股票价格@mcp.tool()async def get_stock_price(symbol: str) -> str:    """获取指定股票代码的最新价格。"""    api_key = os.getenv("ALPHA_VANTAGE_API_KEY")    url = f"https://www.alphavantage.co/query?function=TIME_SERIES_INTRADAY&symbol={symbol}&interval=5min&apikey={api_key}"    async with httpx.AsyncClient() as client:        try:            response = await client.get(url)            response.raise_for_status()            data = response.json()            if "Time Series (5min)" not in data:                return f"Error: No data found for symbol '{symbol}'."            latest_time = list(data["Time Series (5min)"].keys())[0]            price = data["Time Series (5min)"][latest_time]["4. close"]            return f"Latest price for {symbol}: ${price}"        except httpx.HTTPError:            return f"Error: Failed to fetch stock price for '{symbol}'."
# 运行服务器if __name__ == "__main__":    mcp.run(transport="stdio")

代码解释

  • 导入：使用 pandas 处理数据，httpx 调用 API，FastMCP 创建 MCP 服务器，dotenv 管理环境变量。

  • 服务器初始化：FastMCP(“data_science_server”)创建一个名为 “data_science_server” 的服务器。

  • 加载数据集：读取 sales_data.csv 到 Pandas DataFrame。

  • 工具：

    summarize_dataset：返回行数、列数和列名。

    compute_mean / compute_median / compute_std

    ：计算数值列的基本统计量（如价格或销量）。

    get_stock_price：异步获取实时股票价格（Alpha Vantage API）。

  • 运行服务器：mcp.run(transport=“stdio”)启动服务器（STDIO 模式），适合本地与 Claude Desktop 测试。

步骤 2：配置 Claude Desktop

要将服务器连接到 Claude Desktop：

  1. 找到 Claude Desktop 的配置文件 claude_desktop_config.json（路径见官方文档）。
  2. 添加服务器配置：
{  "mcpServers": {    "data_science_server": {      "command": "/path/to/your/venv/bin/python",      "args": ["/path/to/data_science_mcp/server.py"]    }  }}

将 /path/to/your/venv/bin/python 和 /path/to/data_science_mcp/server.py 替换为你本地的实际路径。

步骤 3：测试服务器

运行服务器：

uv run python server.py

打开 Claude Desktop。你应该能在可用工具中看到该服务器。如果显示绿色指示符（🟢），说明连接成功。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
在这里插入图片描述

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
在这里插入图片描述

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
在这里插入图片描述

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

图片

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

图片

  • 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

  • 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

image.png

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
在这里插入图片描述

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：
图片

04 视频和书籍PDF合集

图片

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

图片

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
图片

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！
图片

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）图片
在这里插入图片描述

07 deepseek部署包+技巧大全

在这里插入图片描述

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】
在这里插入图片描述

# 人工智能 # 产品经理 # 学习
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

深度剖析洞察见解！AI应用架构师在AI系统性能监控平台的见解深度分享

当你负责的AI系统突然出现推荐点击率暴跌20%图像识别精度下降15%推理延迟从100ms飙升至500ms时，你需要的不是传统IT监控的"服务器负载报警"，而是一套能穿透AI系统本质的性能监控平台。本文结合AI应用架构师的一线实践，深度剖析AI系统性能监控的特殊性核心指标架构设计要点与实践技巧，帮你构建一套"能听懂AI说话"的监控体系。无论是模型漂移、推理瓶颈还是资源浪费，都能让你快速定位问题，像"

avatar 2048 AI社区

企业AI Agent的强化学习在动态资源分配中的应用

在当今竞争激烈的商业环境中，企业面临着复杂多变的资源分配问题。动态资源分配涉及到在不同的时间点和不同的业务需求下，合理地分配有限的资源，如人力、物力、财力等，以实现企业的效益最大化。传统的资源分配方法往往难以适应快速变化的市场环境和业务需求，而强化学习作为一种能够在动态环境中进行自主学习和决策的技术，为企业动态资源分配提供了新的解决方案。

avatar 2048 AI社区
cover

2026免费GEO监测工具：AI搜索优化落地实操参考

avatar 2048 AI社区