mcp-altair-studio

Servidor MCP (Model Context Protocol) que permite a Claude controlar Altair AI Studio (el producto de minería de datos/ML de Altair, basado en RapidMiner) instalado en tu PC con Windows: importar/limpiar/transformar datos, entrenar y evaluar modelos de ML, clusterizar, minar reglas de asociación y ejecutar procesos guardados — todo desde una conversación con Claude.

Repositorio: https://github.com/alan4041207/mcp-altair-studio

El target de este proyecto es Altair AI Studio 2026.1.1, instalado en:

C:\Program Files\Altair\RapidMiner\AI Studio 2026.1.1

Todo este proyecto se construyó y validó contra esa instalación real (ver "Qué se verificó realmente" más abajo) en lugar de basarse solo en documentación.

Cómo se conecta (no existe una "API de Altair Studio" pública)

Altair AI Studio es una aplicación de escritorio sin una API REST propia para su GUI. Este proyecto usa los dos puntos de integración reales que el producto sí ofrece:

1. Ejecución headless por batch (principal, siempre disponible): el servidor MCP genera al vuelo un archivo de proceso .rmp (XML de RapidMiner) y lo ejecuta con el lanzador de línea de comandos incluido, scripts\ai-studio-batch.bat -f <archivo>. Está verificado de punta a punta (ver abajo) y no requiere instalar nada adicional.

   Limitación real confirmada de este modo (no es un bug del MCP, es del lanzador batch de Altair AI Studio 2026.1.1): cualquier resultado que NO sea una tabla de datos (Performance Vector, Association Rules, etc.) se pierde silenciosamente — se enruta al puerto "result N" del proceso pero nunca se imprime. Se confirmó desensamblando com.rapidminer.launcher.CommandLineLauncher.runProcessAndQuit: llama a Process.run() y descarta el IOContainer devuelto sin pasarlo jamás a ResultService.logResult(...), pese a que el propio log dice "using stdout for logging results!". Esto afecta a altair_train_classifier (el Performance Vector de la validación cruzada no se ve) y a cualquier uso de Create Association Rules que no termine en una tabla. Mitigación usada en este proyecto: para altair_association_rules/reglas de asociación, exportar los itemsets frecuentes (que sí son tabulares, vía item_sets_to_data) y calcular confidence/lift/conviction con las fórmulas estándar fuera de Studio — ver examples/market-basket-optimization/ para un caso real completo. Este modo sí funciona sin problema para todo lo que ya es una tabla (ExampleSet/Data Table): limpieza, normalización, PCA, clustering con add_cluster_attribute, itemsets, etc.

2. Bridge HTTP opcional (altair-http-bridge/): una pequeña extensión Java que se compila e instala en la carpeta de extensiones de Studio. Levanta un servidor HTTP en localhost dentro de la sesión de Studio que ya está corriendo, para que Claude pueda explorar el repositorio y leer/reemplazar el proceso que esté abierto en la GUI en ese momento. Es opcional — todo lo demás funciona sin él. Ver altair-http-bridge/README.md.

   Estado: construido, instalado y verificado funcionando — altair_check_connection reporta el bridge como alcanzable en http://127.0.0.1:8266. Dos detalles no documentados oficialmente que costó descubrir (y que ya están corregidos en el código/README de la extensión, para que un rebuild futuro no los repita):

   • La carpeta que Altair AI Studio 2026.x realmente escanea en el arranque es %USERPROFILE%\.AltairRapidMiner\AI Studio\shared\extensions, no %USERPROFILE%\.RapidMiner\extensions (confirmado desmontando Plugin.class del jar núcleo de Studio).
   • El método de entrada initPlugin() debe ser estático — Studio lo invoca por reflexión con Method.invoke(null, ...), y si es un método de instancia falla con un NullPointerException silencioso que la GUI muestra como "Incompatible extensions".

Qué se verificó realmente

En lugar de adivinar nombres de operadores de RapidMiner de memoria (es fácil equivocarse: por ejemplo "PCA" en realidad se llama principal_component_analysis, y los operadores más nuevos viven detrás de prefijos de namespace como concurrency:), la construcción de este proyecto:

• Inspeccionó los jars reales instalados (lib\*.jar, lib\plugins\*.jar) para confirmar las claves de operador y sus prefijos de namespace (concurrency:, blending:) vía el registro OperatorsXxx.xml de cada extensión y su MANIFEST.MF.
• Ejecutó el CLI real ai-studio-batch.bat contra procesos de prueba construidos a mano, iterando sobre los mensajes de error reales hasta que pasaron, confirmando:
  • La sintaxis del CLI es ai-studio-batch.bat -f <ruta-al-rmp> (no la sintaxis clásica posicional rapidminer-batch.sh '//repo/ruta' que describen algunos manuales antiguos).
  • Un pipeline completo Retrieve -> Write CSV corre y produce el resultado correcto.
  • Un pipeline completo Set Role -> Cross Validation(Naive Bayes / Apply Model / Performance) corre de punta a punta, lo cual corrigió dos suposiciones erróneas de nombres de puerto en el camino (el puerto de entrada exterior de Cross Validation es example set, no training; el puerto reenviado de su subproceso Training es training set).
  • Un Performance Vector no puede alimentar directamente a Write CSV (incompatibilidad de tipos) — debe enrutarse al puerto de resultado exterior del proceso, donde el runner de batch lo imprime en stdout.

Las recetas de limpiar/normalizar/dividir/PCA reutilizan las mismas convenciones clásicas de puertos de ExampleSet confirmadas arriba, pero no se volvieron a ejecutar individualmente en esta sesión — si alguna reporta un operador/puerto desconocido, ver "Si algo falla" más abajo.

Reglas de asociación y k-Means: verificados de punta a punta y dos bugs reales corregidos (sesión de análisis Market Basket Optimization, ver examples/market-basket-optimization/):

• sourceOperator() fijaba el parámetro first_row_as_names en read_csv, pero ese parámetro no existe en el operador real que Altair AI Studio 2026.x usa para read_csv (com.rapidminer.operator.nio.CSVTableSource) — se verificó ejecutándolo con ese valor en false contra un CSV sin encabezado y comprobando que igual trataba la fila 1 como nombres de columna (perdiendo una fila de datos real). El parámetro correcto es use_header_row. Corregido en recipes.ts; documentado inline por qué.
• associationRulesRecipe() y kMeansRecipe() usaban las claves de operador sin namespace (fp_growth, k_means). Se verificó que ambas resuelven a la implementación central obsoleta (com.rapidminer.operator.learner .associations.fpgrowth.FPGrowth / ...clustering.clusterer.KMeans), no a la versión moderna de la extensión Concurrency (BeltFPGrowth/BeltKMeans) pese a que esta última declara priority=100 — la prioridad más alta NO gana la resolución de la clave sin prefijo en esta instalación. Se confirmó ejecutando fp_growth (sin prefijo) con input_format="items in separate columns": el operador ni reconoce ese parámetro ("unknown for operator") y además elimina en silencio cualquier columna no binominal ("Removed N non-binominal attributes"). Corregido a concurrency:fp_growth y concurrency:k_means explícitamente en recipes.ts.
• El operador De-Pivot (de_pivot) requiere que el parámetro attribute_name se pase como lista ({key: nombre_columna_resultado, value: regex_de_atributos_fuente}), no como string simple — el nombre del parámetro coincidía pero el tipo no, y usarlo como string simple produce 0 filas de salida sin ningún error. Confirmado desensamblando Attribute2ExamplePivoting.getParameterTypes(). No se usa en las recetas actuales de este proyecto (FP-Growth consume el formato ancho directamente, ver el ejemplo), pero queda documentado aquí porque es la ruta clásica que cualquier tutorial de RapidMiner asume.

No verificado: Gradient Boosted Trees (la extensión H2O está instalada en esta máquina, pero su clave de operador no se confirmó).

También se descubrió: esta instalación no tiene alcance a un servidor de licencias de Altair activo, así que Studio recae en licenciamiento community/RapidMiner. La ejecución batch de los operadores principales funcionó bien en ese estado; algunos operadores de nivel Professional pueden requerir licencia según tu cuenta de Altair.

Instalación

1. Clonar e instalar dependencias

git clone https://github.com/alan4041207/mcp-altair-studio.git
cd mcp-altair-studio
npm install
npm run build

2. (Opcional) Compilar e instalar el bridge HTTP

Requiere JDK 17+ y Gradle — ver altair-http-bridge/README.md para el paso a paso completo (incluye cómo obtener ambos sin permisos de administrador).

cd altair-http-bridge
gradle build -PaltairHome="C:\Program Files\Altair\RapidMiner\AI Studio 2026.1.1"
gradle installExtension -PaltairHome="C:\Program Files\Altair\RapidMiner\AI Studio 2026.1.1"

Reinicia Altair AI Studio después de instalar la extensión.

3. Configurar Claude Desktop

Agrega (o fusiona, si ya tienes otros servidores MCP configurados) esta entrada en %APPDATA%\Claude\claude_desktop_config.json:

{
  "mcpServers": {
    "altair-studio": {
      "command": "node",
      "args": ["C:\\ruta\\a\\mcp-altair-studio\\dist\\index.js"],
      "env": {
        "ALTAIR_HOME": "C:\\Program Files\\Altair\\RapidMiner\\AI Studio 2026.1.1",
        "ALTAIR_DEFAULT_REPOSITORY": "Local Repository",
        "ALTAIR_HTTP_BRIDGE_ENABLED": "true",
        "ALTAIR_HTTP_BRIDGE_PORT": "8266"
      }
    }
  }
}

Reinicia Claude Desktop después de modificar este archivo.

4. Verificación

En una conversación de Claude Desktop, pide que ejecute altair_check_connection. Debe reportar el script de batch encontrado en ALTAIR_HOME, y si el bridge HTTP opcional está alcanzable (no lo estará hasta que completes el paso 2 y reinicies Studio).

Herramientas (tools)

Tool	Categoría	Notas
altair_check_connection	diagnóstico	ejecutar primero
altair_import_data	ingesta	archivo CSV o entrada de repositorio
altair_list_repository	ingesta	requiere el bridge HTTP
altair_read_repository_entry	ingesta	requiere el bridge HTTP
altair_store_csv_to_repository	ingesta	requiere el bridge HTTP
altair_clean_data	preparación	valores faltantes, duplicados, eliminar columnas
altair_normalize_data	preparación	Z-score/rango/proporción/IQR
altair_generate_attribute	preparación	columna derivada vía expresión
altair_split_data	preparación	partición train/test
altair_descriptive_stats	exploración	media/mín/máx/desv. estándar/mediana/conteo
altair_train_classifier	ML	árbol de decisión/random forest/naive bayes/k-NN/SVM/regresión logística/red neuronal/GBT + validación cruzada k-fold. El Performance Vector no se imprime en modo batch (ver limitación en "Cómo se conecta") — la tool devuelve el log crudo, que no contendrá las métricas.
altair_cluster_kmeans	ML	k-Means (usa concurrency:k_means, verificado)
altair_association_rules	ML	FP-Growth + reglas. Requiere datos ya binarizados (item presente/ausente); las reglas mismas tampoco se imprimen en modo batch — ver examples/market-basket-optimization/ para el patrón de mitigación (itemsets tabulares + fórmulas estándar).
altair_reduce_dimensions_pca	ML	PCA
altair_run_process_file	automatización	ejecuta cualquier .rmp guardado en modo headless
altair_run_operator_chain	automatización	vía de escape: cualquier grafo de operadores que armes (DBSCAN, clustering jerárquico, conexiones a bases de datos, scripting Python/R, operadores de Hugging Face/LLM, Optimize Parameters, Loop Files, ...)
altair_get_current_process	GUI hand-off	requiere el bridge HTTP
altair_open_process_in_studio	GUI hand-off	requiere el bridge HTTP

Este proyecto deliberadamente no expone decenas de tools hechas a mano una por una. RapidMiner/Altair tiene cientos de operadores; codificar cada uno de memoria implicaría o bien una superficie enorme de baja confianza, o entregar tools que silenciosamente invoquen la clave de operador equivocada. En su lugar: ~17 tools bien probadas cubren los casos comunes de cada categoría, más altair_run_operator_chain como bloque de construcción totalmente genérico — se le pasa cualquier clave de clase de operador + parámetros + cableado de puertos, y lo ejecuta. Arma el proceso una vez en la GUI de Studio, usa Process ▸ Export Process para ver las claves de clase/puerto exactas, y pásaselas directamente a la tool.

Ejemplos

examples/market-basket-optimization/ — análisis completo de reglas de asociación (Market Basket Optimization) sobre un dataset real de 7 501 transacciones: flujo construido y ejecutado contra Altair AI Studio, 959 itemsets frecuentes, 249 reglas con support/confidence/lift/conviction/ leverage/coverage, y un reporte HTML autocontenido con hallazgos de negocio. Es el caso real que motivó los tres bugs corregidos arriba (use_header_row, concurrency:fp_growth, la limitación de resultados no tabulares en modo batch) — ver su propio README.md para el detalle completo.

Si algo falla

1. Ejecuta altair_check_connection.
2. Lee el log de error en la respuesta de la tool — los mensajes de error propios de Altair AI Studio suelen nombrar exactamente el operador/puerto incorrecto (así se corrigieron los nombres de puerto en las recetas de este proyecto).
3. Para un operador/puerto del que no estés seguro: arrástralo a un proceso en la GUI de Studio, conéctalo, y luego Process ▸ Export Process (o la vista de XML del proceso) para ver la clave de clase y nombres de puerto reales, y usa altair_run_operator_chain directamente o corrige la función correspondiente en src/altair/recipes.ts.
4. Para inspeccionar tú mismo el registro real de operadores del producto instalado (misma técnica usada para construir este proyecto):

   Add-Type -AssemblyName System.IO.Compression.FileSystem
   $zip = [System.IO.Compression.ZipFile]::OpenRead("C:\Program Files\Altair\RapidMiner\AI Studio 2026.1.1\lib\plugins\concurrency-12.1.1-all.jar")
   $zip.Entries | Where-Object { $_.FullName -match "Operators.*\.xml" }
   

5. Si el bridge HTTP deja de responder tras un rebuild: revisa %USERPROFILE%\.AltairRapidMiner\AI Studio\<versión>\ai-studio.log en busca de la línea Register plugin: MCP HTTP Bridge y cualquier WARNING/excepción justo después — casi siempre apunta al problema exacto (ruta de instalación incorrecta, firma de método incorrecta, etc.).

Estructura del proyecto

src/
  config.ts                 ALTAIR_HOME, puertos, carpeta scratch (todo sobreescribible por env)
  altair/
    rmpXml.ts                constructor genérico de XML .rmp
    recipes.ts                grafos de operadores escritos y probados a mano
    batchRunner.ts             lanza ai-studio-batch.bat
    httpBridgeClient.ts        habla con la extensión Java opcional
    connector.ts               elige bridge vs. batch, lee los CSV de resultado
  tools/                      registro de tools MCP (esquemas zod + handlers)
  index.ts                    punto de entrada del servidor MCP (transporte stdio)
altair-http-bridge/           extensión Java opcional (ver su propio README)
examples/
  market-basket-optimization/ caso real: reglas de asociación end-to-end (ver su README)
claude-desktop-config.example.json