MCP 服务器

Quantitative Researcher MCP Server

提供用于管理定量研究知识图谱的工具，从而能够对研究项目、数据集、变量、假设、统计检验、模型和结果进行结构化表示。

README

定量研究员 MCP 服务器

一个 MCP 服务器实现，提供用于管理定量研究知识图谱的工具，从而能够以结构化的方式表示研究项目、数据集、变量、假设、统计检验、模型和结果。该服务器帮助定量研究人员组织他们的数据、跟踪他们的分析、评估假设，并从数值数据中生成见解。

特性

持久的研究上下文: 维护一个结构化的研究实体和关系知识图谱，跨越多个分析会话
研究会话管理: 使用唯一的 ID 跟踪研究分析会话，并记录随时间的进展
假设检验: 跟踪假设、其相关的检验以及最终的结论
数据集管理: 组织和跟踪数据集中的描述性统计信息和变量
统计分析: 记录统计检验、模型及其结果
变量关系: 跟踪变量之间的相关性、预测和其他关系
研究问题跟踪: 将数据分析链接到特定的研究问题
数据可视化: 记录从数据集和结果创建的可视化
模型性能: 监控统计模型性能指标
研究发现文档: 将发现链接到支持性的统计证据
研究方法文档: 跟踪方法论决策和方法

实体

定量研究员 MCP 服务器识别以下实体类型：

project: 总体研究项目
dataset: 用于分析的数据集合
variable: 数据集中特定的可测量属性
hypothesis: 正式的可检验的陈述
statisticalTest: 应用于数据的分析方法
result: 统计分析的结果
analysisScript: 用于执行分析的代码
visualization: 数据的可视化表示
model: 统计/数学模型
literature: 学术来源
researchQuestion: 指导研究的正式问题
finding: 结果或结论
participant: 研究对象
status: 实体状态值（活动、已完成、待定、已放弃）
priority: 优先级值（高、低）

关系

实体可以通过以下关系类型连接：

correlates_with: 变量之间的统计相关性
predicts: 从自变量到因变量的预测关系
tests: 统计检验检查假设
analyzes: 对数据集执行的分析
produces: 分析产生结果
visualizes: 可视化显示数据或结果
contains: 分层关系
part_of: 实体是另一个实体的一部分
depends_on: 依赖关系
supports: 支持假设或发现的证据
contradicts: 反驳假设或发现的证据
derived_from: 实体源自另一个实体
controls_for: 变量/方法控制混淆因素
moderates: 变量调节关系
mediates: 变量中介关系
implements: 脚本实现统计检验/模型
compares: 组/变量之间的统计比较
includes: 模型包含变量
validates: 验证模型或结果
cites: 引用文献
has_status: 将实体链接到其当前状态（活动、已完成、待定、已放弃）
has_priority: 将实体链接到其优先级（高、低）
precedes: 指示一个过程或活动在序列中先于另一个过程或活动

可用工具

定量研究员 MCP 服务器提供以下工具来与研究知识进行交互：

startsession

启动一个新的定量研究会话，生成唯一的会话 ID，并显示当前的研究项目、数据集、模型、可视化和以前的会话。通过 has_status 关系显示状态信息，通过 has_priority 关系显示优先级，并根据顺序过程关系识别准备好下一步处理的活动。

loadcontext

加载特定实体（项目、数据集、变量等）的详细上下文，根据实体类型显示相关信息。包括状态信息、优先级和顺序过程关系。

endsession

通过结构化的多阶段过程记录研究会话的结果：

summary: 记录会话摘要、持续时间和项目重点
datasetUpdates: 记录会话期间对数据集的更新
newAnalyses: 记录执行的新统计分析
newVisualizations: 跟踪创建的新数据可视化
hypothesisResults: 记录假设检验的结果
modelUpdates: 记录对统计模型的更新
statusUpdates: 记录对实体状态值的更改
projectStatus: 更新总体项目状态、优先级分配和顺序关系
assembly: 最终组装所有会话数据

buildcontext

在知识图谱中创建新的实体、关系或观察：

entities: 添加新的研究实体（项目、数据集、变量、状态、优先级等）
relations: 创建实体之间的关系（包括 has_status、has_priority、precedes）
observations: 向现有实体添加观察

deletecontext

从知识图谱中删除实体、关系或观察：

entities: 删除研究实体
relations: 删除实体之间的关系（包括状态、优先级和顺序关系）
observations: 从实体中删除特定观察

advancedcontext

从知识图谱中检索信息：

graph: 获取整个知识图谱
search: 根据查询条件搜索节点
nodes: 按名称获取特定节点
related: 查找相关实体
status: 查找具有特定状态值（活动、已完成、待定、已放弃）的实体
priority: 查找具有特定优先级（高、低）的实体
sequence: 识别研究过程的顺序关系

领域特定函数

定量研究员 MCP 服务器包括用于定量研究的专门领域函数：

getProjectOverview: 项目的全面视图，包括研究问题、方法论、数据集、变量
getDatasetAnalysis: 数据集内容的分析，包括变量、描述性统计信息和数据质量
getHypothesisTests: 假设检验及其结果的回顾
getVariableRelationships: 检查变量之间的相关性、预测和其他关系
getStatisticalResults: 总结统计分析的结果
getVisualizationGallery: 查看为数据集和结果创建的可视化
getModelPerformance: 评估统计模型的性能指标
getResearchQuestionResults: 按研究问题组织分析和结果
getVariableDistribution: 检查单个变量的分布和属性
getStatusOverview: 查看具有特定状态（活动、已完成、待定、已放弃）的所有实体
getPriorityItems: 识别高优先级的研究任务和活动
getResearchSequence: 根据 precedes 关系可视化研究过程的顺序

示例提示

启动会话

让我们为我的气候影响研究项目启动一个新的定量研究会话。

加载研究上下文

加载气候影响研究项目的上下文，以便我可以查看我的统计分析的当前状态。

记录会话结果

我刚刚完成了对我的气候影响研究的数据分析。我运行了三个新的回归模型来测试温度和作物产量之间的关系，创建了两个相关模式的可视化，并证实了我们关于降雨影响的假设。我已将温度分析标记为已完成，并将高优先级分配给区域差异分析。在控制区域差异后，模型性能提高了 15%。

管理研究知识

创建一个名为“年降水量”的新变量，它是“气候测量”数据集的一部分，并记录其呈正态分布，平均值为 34.5 英寸。将其状态设置为活动，并使其先于“作物产量分析”过程。

将“数据清理”过程的状态更新为“已完成”，并添加一个观察，说明所有异常值都已得到妥善处理。

用法

此 MCP 服务器使定量研究人员能够：

保持分析连续性: 跟踪跨多个研究会话的分析和结果
组织统计证据: 将假设链接到支持性的统计检验和结果
记录变量关系: 记录变量如何相互关联、预测或影响
跟踪模型开发: 记录统计模型的演变及其性能
支持结果解释: 将统计发现与研究问题和理论框架联系起来
确保方法论的严谨性: 记录方法论决策和分析方法
准备研究报告: 组织统计证据以支持研究发现
跟踪研究进展: 监控整个研究生命周期中的实体状态
确定研究任务的优先级: 识别并专注于高优先级的研究活动
排序研究过程: 计划和可视化研究和分析步骤的逻辑顺序

配置

与 Claude Desktop 一起使用

将其添加到您的 claude_desktop_config.json 中：

从 GitHub 安装并使用 npx 运行

{
  "mcpServers": {
    "quantitativeresearch": {
      "command": "npx",
      "args": [
        "-y",
        "github:tejpalvirk/quantitativeresearch"
      ]
    }
  }
}

全局安装并直接运行

首先，全局安装该软件包：

npm install -g github:tejpalvirk/quantitativeresearch

然后配置 Claude Desktop：

{
  "mcpServers": {
    "quantitativeresearch": {
      "command": "contextmanager-quantitativeresearch"
    }
  }
}

docker

{
  "mcpServers": {
    "quantitativeresearch": {
      "command": "docker",
      "args": [
        "run",
        "--rm",
        "-i",
        "mcp/quantitativeresearch"
      ]
    }
  }
}

构建

从源代码

# 克隆存储库
git clone https://github.com/tejpalvirk/contextmanager.git
cd contextmanager

# 安装依赖项
npm install

# 构建服务器
npm run build

# 运行服务器
cd quantitativeresearch
node quantitativeresearch_index.js

Docker:

docker build -t mcp/quantitativeresearch -f quantitativeresearch/Dockerfile .

许可证

此 MCP 服务器在 MIT 许可证下获得许可。这意味着您可以自由使用、修改和分发该软件，但须遵守 MIT 许可证的条款和条件。有关更多详细信息，请参阅项目存储库中的 LICENSE 文件。

环境变量

定量研究 MCP 服务器支持以下环境变量来自定义数据的存储位置：

MEMORY_FILE_PATH: 知识图谱数据的存储路径
- 可以是绝对路径或相对路径（相对路径使用当前工作目录）
- 默认值：./quantitativeresearch/memory.json
SESSIONS_FILE_PATH: 会话数据的存储路径
- 可以是绝对路径或相对路径（相对路径使用当前工作目录）
- 默认值：./quantitativeresearch/sessions.json

用法示例：

# 将数据存储在当前目录中
MEMORY_FILE_PATH="./quantitative-memory.json" SESSIONS_FILE_PATH="./quantitative-sessions.json" npx github:tejpalvirk/contextmanager-quantitativeresearch

# 将数据存储在特定位置（绝对路径）
MEMORY_FILE_PATH="/path/to/data/quantitative-memory.json" npx github:tejpalvirk/contextmanager-quantitativeresearch

# 将数据存储在用户的主目录中
MEMORY_FILE_PATH="$HOME/contextmanager/quantitative-memory.json" npx github:tejpalvirk/contextmanager-quantitativeresearch