统计分析 MCP 服务器

要解决什么问题

在对话式 Agent 里做统计，常见痛点是：模型会「手算」或编造 p 值，且难以复用同一套检验与回归流程。把计算交给专用引擎、通过 MCP 以工具形式暴露，可以让 Agent 只负责选方法与解读结果，数值由服务端按规范算法产出。

核心能力概览

本技能对应 统计分析 MCP 服务器，对外提供约 30 个 MCP 工具，可按任务类型粗分为：

• 描述与分布：描述性统计、正态性检验等，用于先看清数据尺度与假设是否成立。
• 组间与列联：t 检验、ANOVA、卡方及非参数检验，适合均值/比例差异与分布未知情形。
• 回归建模：OLS、Logistic 回归，配合残差分析、VIF 做多重共线与拟合质量检查。
• 时间序列：分解、ACF/PACF、ADF 平稳性、ARIMA 拟合与 Granger 因果，用于序列结构与预测相关分析。

典型工作流是：Agent 根据用户问题调用对应工具 → 传入数据或参数 → 读取返回的统计量与诊断信息 → 用自然语言解释结论与局限。

适用边界与注意点

• 工具覆盖的是经典频率学派常用流程；贝叶斯、机器学习分类器、因果推断（除 Granger 外）等不在清单内，需另选方案。
• 结论正确性依赖输入数据格式、样本量与检验前提（如正态性、独立性）；Agent 仍应结合领域知识判断是否适用，不能只看显著性。
• MCP 只负责计算与结构化输出，不负责数据采集、清洗与可重复实验记录；生产环境建议保留原始数据与调用日志以便审计。