Protocol di Contesto del Modello di Dati Aperti
Collega qualsiasi Dato Aperto a qualsiasi LLM con il Protocollo di Contesto del Modello.
Panoramica
Cos'è OpenDataMCP?
OpenDataMCP è una piattaforma innovativa progettata per connettere qualsiasi Open Data a qualsiasi Modello di Linguaggio di Grandi Dimensioni (LLM) utilizzando il Protocollo di Contesto del Modello. Questo consente un'integrazione e un utilizzo senza soluzione di continuità di diversi set di dati, migliorando le capacità dei modelli di machine learning e facilitando decisioni basate sui dati più informate.
Caratteristiche di OpenDataMCP
- Integrazione Dati Versatile: OpenDataMCP consente agli utenti di connettere vari tipi di fonti di dati aperti agli LLM, rendendo più facile sfruttare i set di dati esistenti per analisi avanzate e approfondimenti.
- Protocollo di Contesto del Modello: Questo protocollo unico garantisce che i dati siano contestualizzati in modo appropriato per gli LLM, migliorando la pertinenza e l'accuratezza delle uscite generate.
- Interfaccia Intuitiva: La piattaforma è progettata tenendo presente l'usabilità, fornendo un'interfaccia intuitiva che semplifica il processo di connessione dei dati e di addestramento del modello.
- Repository Pubblico: OpenDataMCP è disponibile come repository pubblico, incoraggiando la collaborazione e i contributi da parte di sviluppatori e scienziati dei dati in tutto il mondo.
Come Utilizzare OpenDataMCP
- Accedi al Repository: Visita il repository GitHub di OpenDataMCP per esplorare le risorse e la documentazione disponibili.
- Configura il Tuo Ambiente: Segui le istruzioni di configurazione fornite nel repository per configurare il tuo ambiente di sviluppo per utilizzare OpenDataMCP.
- Collega i Tuoi Dati: Utilizza il Protocollo di Contesto del Modello per collegare le tue fonti di dati aperti agli LLM. Linee guida dettagliate sono disponibili nella documentazione.
- Addestra il Tuo Modello: Una volta che i tuoi dati sono collegati, puoi iniziare ad addestrare il tuo LLM con i set di dati integrati, ottimizzando per i tuoi casi d'uso specifici.
- Collabora e Condividi: Interagisci con la comunità contribuendo al repository, condividendo le tue scoperte e collaborando su nuove funzionalità o miglioramenti.
Domande Frequenti
D: Quali tipi di open data possono essere collegati a OpenDataMCP?
R: OpenDataMCP supporta una vasta gamma di formati e fonti di open data, inclusi CSV, JSON e API di vari set di dati pubblici.
D: OpenDataMCP è gratuito da usare?
R: Sì, OpenDataMCP è un repository pubblico ed è gratuito da usare. Gli utenti possono accedere alla piattaforma senza alcuna tassa di abbonamento.
D: Posso contribuire a OpenDataMCP?
R: Assolutamente! I contributi sono benvenuti. Puoi forkare il repository, apportare miglioramenti e inviare richieste di pull per condividere i tuoi miglioramenti con la comunità.
D: Quali sono i requisiti di sistema per utilizzare OpenDataMCP?
R: I requisiti di sistema possono variare in base al specifico LLM che stai utilizzando. Tuttavia, un ambiente di sviluppo standard con Python e le librerie necessarie è generalmente sufficiente.
D: Come posso rimanere aggiornato sugli sviluppi di OpenDataMCP?
R: Puoi seguire il repository su GitHub e metterlo tra i preferiti per ricevere notifiche su aggiornamenti, nuove funzionalità e discussioni della comunità.
Dettaglio
Open Data Model Context Protocol
See it in action
https://github.com/user-attachments/assets/760e1a16-add6-49a1-bf71-dfbb335e893e
We enable 2 things:
- Open Data Access: Access to many public datasets right from your LLM application (starting with Claude, more to come).
- Publishing: Get community help and a distribution network to distribute your Open Data. Get everyone to use it!
How do we do that?
- Access: Setup our MCP servers in your LLM application in 2 clicks via our CLI tool (starting with Claude, see Roadmap for next steps).
- Publish: Use provided templates and guidelines to quickly contribute and publish on Open Data MCP. Make your data easily discoverable!
Usage
<u>Access</u>: Access Open Data using Open Data MCP CLI Tool
Prerequisites
If you want to use Open Data MCP with Claude Desktop app client you need to install the Claude Desktop app.
You will also need uv to easily run our CLI and MCP servers.
macOS
### you need to install uv through homebrew as using the install shell script
### will install it locally to your user which make it unavailable in the Claude Desktop app context.
brew install uv
Windows
### (UNTESTED)
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
Open Data MCP - CLI Tool
Overview
### show available commands
uvx odmcp
### show available providers
uvx odmcp list
### show info about a provider
uvx odmcp info $PROVIDER_NAME
### setup a provider's MCP server on your Claude Desktop app
uvx odmcp setup $PROVIDER_NAME
### remove a provider's MCP server from your Claude Desktop app
uvx odmcp remove $PROVIDER_NAME
Example
Quickstart for the Switzerland SBB (train company) provider:
### make sure claude is installed
uvx odmcp setup ch_sbb
Restart Claude and you should see a new hammer icon at the bottom right of the chat.
You can now ask questions to Claude about SBB train network disruption and it will answer based on data collected on data.sbb.ch.
<u>Publish</u>: Contribute by building and publishing public datasets
Prerequisites
-
Install UV Package Manager
# macOS brew install uv # Windows (PowerShell) powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex" # Linux/WSL curl -LsSf https://astral.sh/uv/install.sh | sh -
Clone & Setup Repository
# Clone the repository git clone https://github.com/OpenDataMCP/OpenDataMCP.git cd OpenDataMCP # Create and activate virtual environment uv venv source .venv/bin/activate # Unix/macOS # or .venv\Scripts\activate # Windows # Install dependencies uv sync -
Install Pre-commit Hooks
# Install pre-commit hooks for code quality pre-commit install
Publishing Instructions
-
Create a New Provider Module
- Each data source needs its own python module.
- Create a new Python module in
src/odmcp/providers/. - Use a descriptive name following the pattern:
{country_code}_{organization}.py(e.g.,ch_sbb.py). - Start with our template file as your base.
-
Implement Required Components
- Define your Tools & Resources following the template structure
- Each Tool or Resource should have:
- Clear description of its purpose
- Well-defined input/output schemas using Pydantic models
- Proper error handling
- Documentation strings
-
Tool vs Resource
- Choose Tool implementation if your data needs:
- Active querying or computation
- Parameter-based filtering
- Complex transformations
- Choose Resource implementation if your data is:
- Static or rarely changing
- Small enough to be loaded into memory
- Simple file-based content
- Reference documentation or lookup tables
- Reference the MCP documentation for guidance
- Choose Tool implementation if your data needs:
-
Testing
- Add tests in the
tests/directory - Follow existing test patterns (see other provider tests)
- Required test coverage:
- Basic functionality
- Edge cases
- Error handling
- Add tests in the
-
Validation
- Test your MCP server using our experimental client:
uv run src/odmcp/providers/client.py - Verify all endpoints respond correctly
- Ensure error messages are helpful
- Check performance with typical query loads
- Test your MCP server using our experimental client:
For other examples, check our existing providers in the src/odmcp/providers/ directory.
Contributing
We have an ambitious roadmap and we want this project to scale with the community. The ultimate goal is to make the millions of datasets publicly available to all LLM applications.
For that we need your help!
Discord
We want to build a helping community around the challenge of bringing open data to LLM's. Join us on discord to start chatting: https://discord.gg/QPFFZWKW
Our Core Guidelines
Because of our target scale we want to keep things simple and pragmatic at first. Tackle issues with the community as they come along.
-
Simplicity and Maintainability
- Minimize abstractions to keep codebase simple and scalable
- Focus on clear, straightforward implementations
- Avoid unnecessary complexity
-
Standardization / Templates
- Follow provided templates and guidelines consistently
- Maintain uniform structure across providers
- Use common patterns for similar functionality
-
Dependencies
- Keep external dependencies to a minimum
- Prioritize single repository/package setup
- Carefully evaluate necessity of new dependencies
-
Code Quality
- Format code using ruff
- Maintain comprehensive test coverage with pytest
- Follow consistent code style
-
Type Safety
- Use Python type hints throughout
- Leverage Pydantic models for API request/response validation
- Ensure type safety in data handling
Tactical Topics (our current priorities)
- Initialize repository with guidelines, testing framework, and contribution workflow
- Implement CI/CD pipeline with automated PyPI releases
- Develop provider template and first reference implementation
- Integrate additional open datasets (actively seeking contributors)
- Establish clear guidelines for choosing between Resources and Tools
- Develop scalable repository architecture for long-term growth
- Expand MCP SDK parameter support (authentication, rate limiting, etc.)
- Implement additional MCP protocol features (prompts, resource templates)
- Add support for alternative transport protocols beyond stdio (SSE)
- Deploy hosted MCP servers for improved accessibility
Roadmap
Let’s build the open source infrastructure that will allow all LLMs to access all Open Data together!
Access:
- Make Open Data available to all LLM applications (beyond Claude)
- Make Open Data data sources searchable in a scalable way
- Make Open Data available through MCP remotely (SSE) with publicly sponsored infrastructure
Publish:
- Build the many Open Data MCP servers to make all the Open Data truly accessible (we need you!).
- On our side we are starting to build MCP servers for Switzerland ~12k open dataset!
- Make it even easier to build Open Data MCP servers
We are very early, and lack of dataset available is currently the bottleneck. Help yourself! Create your Open Data MCP server and get users to use it as well from their LLMs applications. Let’s connect LLMs to the millions of open datasets from governments, public entities, companies and NGOs!
As Anthropic's MCP evolves we will adapt and upgrade Open Data MCP.
Limitations
- All data served by Open Data MCP servers should be Open.
- Please oblige to the data licenses of the data providers.
- Our License must be quoted in commercial applications.
References
- Kudos to Anthropic's open source MCP release enabling initiative like this one.
License
This project is licensed under the MIT License - see the LICENSE file for details
Configurazione Server
{
"mcpServers": {
"open-data-mcp": {
"command": "docker",
"args": [
"run",
"-i",
"--rm",
"ghcr.io/metorial/mcp-container--opendatamcp--opendatamcp--open-data-mcp",
"odmcp"
],
"env": {}
}
}
}
