mcp-tools-reference

name	mcp-tools-reference
description	Quick reference guide for all 51 AutoML MCP tools organized by category. Use when looking up tool names, checking available MCP functions, or understanding tool parameters. Triggers: MCP 工具, 有什麼工具, 工具清單, tools reference, 工具列表, available tools, 怎麼用, how to use, tool help, 工具說明.

MCP Tools Reference 技能 (MCP 工具速查)

描述

所有 51 個 AutoML MCP 工具的快速參照，幫助選擇正確的工具。

觸發條件

• 「有什麼工具」「工具清單」
• 「MCP 工具」「tools reference」

---

📊 工具總覽 (57 個公開)

類別	數量	主要用途
🎯 整合分析	4	一站式分析（推薦入口）
🧹 資料清理	7	缺失值、編碼、篩選
📁 資料管理	5	上傳、列出、刪除資料集
📈 基礎統計	6	統計摘要、Table One、相關性
🔬 存活分析	2	KM 曲線、Cox 迴歸
🎯 傾向分數	2	PSM、治療效果
📊 ROC 分析	4	ROC 曲線、閾值優化
📐 Power 分析	5	樣本數、檢定力（統一版）
🤖 ML 訓練	2	AutoML 訓練
📋 Job 管理	6	狀態、結果、取消
🗂️ 模型管理	4	模型操作、預測
🔄 智慧工作流	2	資料驗證與清理
📥 結果查詢	2	分析結果管理
📂 專案管理	4	專案建立、視覺化、報告
總計	57

---

🎯 整合分析工具（推薦入口）

這 4 個工具是最常用的入口點，整合多個功能於一身：

工具	用途	何時使用
smart_analyze	一站式資料分析	「分析這個資料」「看看資料」
analyze_medical_study	醫學研究分析	「分析治療效果」「RCT 分析」
quick_preview	快速資料預覽	「預覽」「有什麼欄位」
compare_treatment_groups	組間比較	「比較兩組」「治療對照」

smart_analyze（推薦！）

smart_analyze(
    csv_path="iris.csv",           # 自動路徑解析！
    group_column="species",        # 可選：分組欄位
    include_correlations=True      # 可選：包含相關性
)
# 返回：quick_stats + tableone + correlations

---

🧹 資料清理工具 (7)

工具	用途	關鍵參數
handle_missing_values	處理缺失值	strategy: mean/median/mode/drop
remove_columns	移除欄位	columns: List[str]
rename_columns	重新命名	mapping: {"old": "new"}
filter_rows	篩選資料	condition: "age > 30"
encode_categorical	類別編碼	method: onehot/label
convert_to_binary	轉換 0/1	mapping: {"yes": 1, "no": 0}
get_column_info	欄位資訊	顯示類型、缺失、唯一值

---

📁 資料管理工具 (5)

工具	用途	說明
list_available_files	列出檔案	/data/sample_data/ 下的 CSV
upload_dataset	上傳資料集	上傳到 MinIO
register_dataset	註冊資料集	從 MinIO 路徑註冊
list_datasets	列出資料集	已註冊的資料集
delete_dataset	刪除資料集	從 MinIO 刪除

---

📈 基礎統計工具 (6)

工具	用途	輸出
get_quick_stats	快速統計	行數、欄位、缺失值、基本統計
generate_tableone_directly	生成 Table 1	出版級基線特徵表
compare_groups	組間比較	t-test / ANOVA / Mann-Whitney
analyze_correlations	相關性分析	Pearson / Spearman 矩陣
analyze_missing_values	缺失值分析	MCAR/MAR/MNAR 判斷
check_multicollinearity	VIF 分析	多重共線性檢測

generate_tableone_directly

generate_tableone_directly(
    csv_path="/data/sample_data/titanic.csv",
    groupby="Survived",
    categorical=["Sex", "Pclass"],
    pval=True
)

check_multicollinearity

check_multicollinearity(
    csv_path="/data/sample_data/data.csv",
    columns=["age", "income", "education"],
    vif_threshold=5.0  # VIF > 5 表示有共線性問題
)

---

🔬 存活分析工具 (2)

工具	用途	輸出
kaplan_meier_survival	KM 曲線	存活曲線 + Log-rank test
cox_proportional_hazards	Cox 迴歸	HR + CI + p-value

kaplan_meier_survival(
    csv_path="/data/sample_data/rossi_recidivism.csv",
    time_col="week",
    event_col="arrest",
    group_col="fin"
)

---

🎯 傾向分數工具 (2)

工具	用途	說明
run_propensity_analysis	完整 PSM 分析	一站式：估計 + 配對 + 平衡檢查
estimate_treatment_effect	治療效果估計	ATE/ATT/IPTW

run_propensity_analysis(
    csv_path="/data/sample_data/data.csv",
    treatment_col="treatment",
    outcome_col="outcome",
    covariates=["age", "sex", "baseline"]
)

---

📊 ROC 分析工具 (4)

工具	用途	輸出
compute_roc_curve	計算 ROC	AUC + CI + 曲線
compare_roc_curves	DeLong 比較	兩模型 AUC 差異檢定
find_optimal_threshold	最佳閾值	Youden / Cost-based
full_classifier_evaluation	完整評估	ROC + 校準 + 分類報告

full_classifier_evaluation(
    csv_path="/data/sample_data/data.csv",
    y_true_col="actual",
    y_score_col="predicted_prob"
)

---

📐 Power 分析工具 (5) ⭐ 統一版

原本 18 個工具現在整合為 5 個，每個支援多種 mode：

工具	Mode 選項	用途
power_ttest	sample_size / power / sensitivity / effect_size	T 檢定
power_proportion	sample_size / power / sensitivity	比例檢定
power_anova	sample_size / power / effect_size	ANOVA
power_chisquare	sample_size / power / effect_size	卡方檢定
power_survival	sample_size / power / events / from_medians	存活分析

範例

# 計算樣本數
power_ttest(effect_size=0.5, mode="sample_size", power=0.80)

# 計算檢定力
power_ttest(effect_size=0.5, mode="power", n1=50)

# 敏感度分析
power_ttest(effect_size=0.5, mode="sensitivity")

# 計算效果量
power_ttest(mode="effect_size", mean1=100, mean2=115, pooled_sd=30)

---

🤖 ML 訓練工具 (2)

工具	用途	說明
submit_automl_job	提交訓練	非同步，返回 job_id
train_and_wait	訓練並等待	同步，直接返回結果

# 簡單版（推薦）
train_and_wait(
    dataset_id="abc123",
    target_column="label",
    problem_type="binary",
    user_id="eric",
    time_limit=300
)

---

📋 Job 管理工具 (6)

工具	用途
get_job_status	查詢 AutoML job 狀態
list_jobs	列出所有 jobs
cancel_job	取消 job
get_stats_job_status	查詢統計 job 狀態
get_stats_job_result	取得統計 job 結果
list_stats_jobs	列出統計 jobs

---

🗂️ 模型管理工具 (4)

工具	用途
list_models	列出所有模型
get_model_leaderboard	模型排行榜
predict	使用模型預測
delete_model	刪除模型

---

🔄 智慧工作流工具 (2)

工具	用途	說明
start_data_analysis	開始分析	資料驗證 + 問題偵測
execute_analysis_ticket	執行分析	資料清理 + 持久化選項

這兩個工具提供兩階段工作流：

1. start_data_analysis 檢測資料問題（PII、缺失值、異常值）
2. 使用者決定如何處理
3. execute_analysis_ticket 執行清理並分析

---

📥 結果查詢工具 (2)

工具	用途
list_analysis_results	列出分析結果
get_analysis_result	取得特定結果

---

📂 專案管理工具 (4) ⭐ NEW

工具	用途	說明
create_project_workspace	建立專案目錄	支援 default/medical_study/ml_project 模板
list_project_workspaces	列出專案	顯示 /data/projects/ 下所有專案
list_user_visualizations	列出視覺化	查詢 MinIO 中的圖片檔案
generate_analysis_report	產生報告	從分析結果生成 Markdown 報告

create_project_workspace

create_project_workspace(
    project_name="my_study",
    user_id="eric",
    template="medical_study"  # default, medical_study, ml_project
)
# 返回：project_path, directories[], next_steps[]

list_user_visualizations

list_user_visualizations(
    user_id="eric",
    result_type="roc"  # 可選：roc, km_curve, correlation
)
# 返回：visualizations[] with URLs

---

🎯 常用工作流

快速探索資料

quick_preview → smart_analyze

完整資料分析

list_available_files → quick_preview → smart_analyze → generate_tableone_directly

ML 訓練流程

upload_dataset → train_and_wait → get_model_leaderboard → predict

存活分析流程

kaplan_meier_survival → cox_proportional_hazards

傾向分數分析

run_propensity_analysis → estimate_treatment_effect

Power 分析流程

power_ttest(mode="effect_size") → power_ttest(mode="sample_size")

---

⚠️ 重要提醒

路徑規則

• ✅ 整合工具自動解析：smart_analyze(csv_path="iris.csv")
• ✅ Container 路徑：/data/sample_data/iris.csv
• ❌ 不要用 Host 路徑：/home/eric/...

user_id

• 預設使用 "eric"
• 用於資源隔離

工具選擇建議

需求	推薦工具
「看看資料」	quick_preview
「分析這個」	smart_analyze
「比較兩組」	compare_groups
「Table One」	generate_tableone_directly
「訓練模型」	train_and_wait
「存活分析」	kaplan_meier_survival
「樣本數計算」	power_* 工具
「VIF/共線性」	check_multicollinearity

---

🔧 故障排除指南

常見錯誤與解法

錯誤訊息	原因	解法
File not found	路徑錯誤	確認用 /data/sample_data/ 開頭
'<' not supported between NaN	資料有缺失值	先用 handle_missing_values 處理
Column not found	欄位名錯誤	用 quick_preview 確認欄位名
Invalid column type	類型不符	數值分析不能用文字欄位
Job timeout	任務超時	減少資料量或增加 time_limit
Service unavailable	服務未啟動	執行 docker compose up -d

路徑轉換規則

使用者輸入                      → 正確路徑
─────────────────────────────────────────────────
iris.csv                       → /data/sample_data/iris.csv
sample_data/iris.csv           → /data/sample_data/iris.csv
/data/sample_data/iris.csv     → /data/sample_data/iris.csv (不變)
/home/eric/.../sample_data/x.csv → /data/sample_data/x.csv

資料類型問題

# ❌ 常見錯誤：對類別欄位做數值分析
analyze_correlations(csv_path="data.csv", columns=["name", "age"])

# ✅ 正確：只選數值欄位
analyze_correlations(csv_path="data.csv", columns=["age", "income"])

# 💡 用 quick_preview 先確認欄位類型
quick_preview(csv_path="data.csv")

缺失值處理

# 步驟 1：檢查缺失情況
analyze_missing_values(csv_path="data.csv")

# 步驟 2：處理缺失值
handle_missing_values(
    csv_path="data.csv",
    strategy="mean",  # 或 "median", "mode", "drop"
    columns=["age", "income"]
)

# 步驟 3：再執行分析
smart_analyze(csv_path="processed/data_cleaned.csv")

服務狀態檢查

# 檢查服務
docker compose ps

# 查看日誌
docker compose logs -f stats-service

# 重啟服務
docker compose restart stats-service

測試資料流

# 執行資料流測試
./scripts/run_tests.sh dataflow

# 執行所有測試
./scripts/run_tests.sh all

# 快速煙霧測試
./scripts/run_tests.sh quick

---

📊 測試資料集

資料集	檔案	筆數	用途
Iris	iris.csv	150	多類別分類
Heart Disease	heart_disease.csv	297	二元分類
Titanic	titanic.csv	891	有缺失值
Rossi	rossi_recidivism.csv	432	存活分析
Breast Cancer	breast_cancer.csv	569	二元分類
Diabetes	diabetes.csv	442	迴歸
Medical Study	medical_study_200.csv	200	治療效果