关于 KinielaGPT
KinielaGPT 是用于 Quiniela 预测和足球比赛分析的 MCP 服务,面向研究西班牙竞猜赛程的用户。它结合 LAE 官方概率与历史及近期球队信息,提供三种预测策略和冷门检测。
主要功能
- 01生成保守、冒险或自定义预测
- 02分析交锋历史和当前比赛背景
- 03根据数据差异检测潜在冷门
- 04查看球队状态及主客场表现
- 05查询解读分析或原始数据
适用场景
- 01为一轮 Quiniela 制定预测
- 02对照官方概率与球队状态
- 03查看比赛双方的交锋历史
- 04找出可能出现冷门的比赛
MCP 相关
它向 MCP 客户端提供七种专用工具,涵盖 Quiniela 数据、概率、预测、冷门检测、比赛分析和球队分析。
配置
本地服务的配置在各客户端中通用,复制后粘贴到客户端的 MCP 配置文件即可。
我们还没有获取到这个服务的安装包或远程地址,请按项目 README 中的说明安装。
工具
本地服务需要在你的电脑上运行后才能读取工具,维护者暂未提供工具列表。
详细介绍
KinielaGPT - Kiniela 比赛预测工具
KinielaGPT 是一款 MCP(Model Context Protocol)服务,旨在通过高级数据分析提升你的 Quiniela 预测能力。它将 LAE 的官方概率与深入的背景分析相结合,涵盖交锋历史、近期连胜连败、排名以及主客场表现。它提供三种预测策略、冷门检测功能,以及对每场比赛的详细分析。
🎯 特性
🎲 比赛结果预测
通过三种策略生成预测:保守型(选择概率最高的结果)、冒险型(平衡概率与背景信息)或自定义型(指定“1”“X”“2”的数量)。
📊 全面比赛分析
综合 LAE 概率、交锋历史(近 10 年)、连胜连败、排名及背景信息,提供有理有据的预测。
🔍 冷门检测
检测官方概率与实际表现(连胜连败、历史交锋、状态)之间的差异,以预测可能出现的冷门。
👥 球队状态
详细评估球队表现:近期比分、当前连胜连败、主客场表现及排名趋势。
📈 灵活的数据查询
既可获取解读后的分析,也可访问原始数据,以便自行得出结论。
🔌 原生 MCP 服务
包含 7 个专用工具,完全兼容 Claude Desktop、VS Code 及其他 MCP 客户端。
🏁 KinielaGPT 入门步骤
按照以下步骤,在你的设备上安装并运行 KinielaGPT:
- 在你的电脑上安装 UV 或 Python 3.10+。
- 安装 KinielaGPT。
- 配置 MCP 服务,并选择 Claude 或 VS Code 作为客户端。
完成这些步骤后,就可以开始使用 KinielaGPT 进行预测和分析了!
✅ 安装 UV 或 Python 3.10+
使用 KinielaGPT 前,你需要安装 UV(推荐)或 Python 3.10+。
下面介绍两种方式的安装方法,不过你必须二选一:
选项 1:UV(推荐)⚡
UV 是一款超快速的 Python 包和项目管理器,可简化 Python 工具的安装与运行。无需预先安装 Python。
🪟 Windows 上的 UV
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
验证:
uv --version
🍎🐧 macOS/Linux 上的 UV
curl -LsSf https://astral.sh/uv/install.sh | sh
验证:
uv --version
重要
安装后请重启终端。
如果你已安装 Python,并且更喜欢传统方式,可以使用 pip(Python 包管理器)。要求系统已安装 Python 3.10 或更高版本。
🪟 Windows 上的 Python
- 从 python.org/downloads 下载 Python 3.10+
- 安装时勾选“Add Python to PATH”
- 验证:
python --version
pip --version
🍎 macOS 上的 Python
macOS:
- 前往 python.org/downloads
- 下载适用于 macOS 的 Python 3.10+
- 运行 . pkg 安装程序
验证:
python3 --version
pip3 --version
🐧 Linux 上的 Python(Ubuntu/Debian)
sudo apt update
sudo apt install python3.10 python3-pip python3.10-venv
验证:
python3 --version
pip3 --version
🚀 安装
选项 1:使用 UV(推荐)
安装 UV 后,无需安装 KinielaGPT。你将使用 uvx 直接运行它——请参阅配置。
选项 2:使用 pip
从 PyPI 安装 KinielaGPT:
pip install kinielagpt
🔧 配置
🤖 为 Claude.app 配置
编辑配置文件 claude_desktop_config.json。该文件因操作系统而异,位于以下位置:
- Windows:
%APPDATA%\Roaming\Claude\claude_desktop_config.json - macOS/Linux:
~/Library/Application Support/Claude/claude_desktop_config.json
根据安装方式,添加以下其中一种配置:
使用 uvx
{
"mcpServers": {
"kinielagpt": {
"command": "uvx",
"args": ["kinielagpt"]
}
}
}
使用 pip
{
"mcpServers": {
"kinielagpt": {
"command": "python",
"args": ["-m", "kinielagpt"]
}
}
}
说明
在 macOS/Linux 上,如果
python无法运行,请改用python3。
💻 为 VS Code 配置
快速安装(一键):
点击下方按钮,在 VS Code 中自动安装 MCP 服务:
手动安装:
打开命令面板(Ctrl + Shift + P),运行 MCP: Open User Configuration,然后添加以下其中一种配置:
使用 uvx
{
"mcpServers": {
"kinielagpt": {
"command": "uvx",
"args": ["kinielagpt"]
}
}
}
使用 pip
{
"mcpServers": {
"kinielagpt": {
"command": "python",
"args": ["-m", "kinielagpt"]
}
}
}
说明
在 macOS/Linux 上,如果
python无法运行,请改用python3。
提示
你也可以在工作区中创建
.vscode/mcp.json文件,以便与他人共享配置。更多详情请参阅 VS Code MCP 官方文档。
📖 如何使用 KinielaGPT?
配置好 MCP 后,你可以用自然语言与大模型(Claude、GPT、Gemini 等)交互。只需提出以下问题即可:
| 类别 | 问题示例 |
|---|---|
| 信息查询 | 🔹 “当前最新的 quiniela 是哪一期?” 🔹 “显示 2025/2026 赛季第 26 轮的比赛” 🔹 “当前轮次每场比赛的概率是多少?” |
| quiniela 预测 | 🔹 “为当前轮次提供一份保守预测” 🔹 “我想要一份针对下一轮的冒险预测” 🔹 “生成一份包含 7 个 1、4 个 X 和 4 个 2 的个性化 quiniela” |
| 比赛分析 | 🔹 “分析皇家马德里本轮将要参加的比赛” 🔹 “比利亚雷亚尔对赫塔费的比赛会怎么样?” 🔹 “显示阿拉维斯对皇家社会的交锋历史” |
| 冷门检测 | 🔹 “本轮是否有可能出现冷门的比赛?” 🔹 “使用更敏感的阈值检测冷门(threshold=20)” |
| 球队分析 | 🔹 “巴列卡诺最近踢得怎么样?” 🔹 “分析巴塞罗那目前的表现” 🔹 “马德里竞技目前处于什么连胜或连败状态?” |
可用工具
| 工具 | 描述 | 主要参数 | 返回内容 |
|---|---|---|---|
get_last_quiniela | 获取最新一期 quiniela | - | 轮次、赛季和比赛 |
get_quiniela | 特定轮次的信息 | jornada、temporada | 已安排的比赛 |
get_probabilities | 根据 LAE 计算的某一轮次概率 | jornada、temporada | 1/X/2 概率和进球数 |
predict_quiniela | 使用保守、冒险和个性化策略进行完整预测 | jornada、temporada、strategy | 包含 15 场比赛的 quiniela |
detect_surprises | 检测比赛中的异常情况 | jornada、temporada、threshold | 包含潜在冷门预警的比赛列表 |
analyze_match | 对一场比赛进行详细分析 | jornada、temporada、partido | 预测和背景数据 |
analyze_team | 完整分析一支球队的表现 | jornada、temporada、equipo | 包含连胜连败状态和趋势的分析 |
共提供 7 个 MCP 工具
如需了解参数和示例的完整详情,请参阅完整文档。
📚 文档
完整文档请访问:https://ricardomoya.github.io/KinielaGPT/
内容包括:
- 快速入门指南: 在你的环境中安装和配置 KinielaGPT,并了解如何开始使用。
- 安装手册: 使用 UV 或 pip 安装的详细说明及前置要求。
- 高级配置: 如何将 KinielaGPT 连接到 Claude Desktop、VS Code 和其他 MCP 客户端。
- 使用方法和示例: 常见问题、命令示例和推荐工作流。
- API 参考: 介绍所有可用的 MCP 工具、参数和使用示例。
- 参与贡献: 为项目做贡献、提交 issue 和发送 pull request 的指南。
- 许可证和致谢: 法律信息,以及对作者和贡献者的致谢。
🧪 测试
项目包含一套完整的自动化测试,覆盖所有主要功能。测试按模块组织,并使用 pytest 运行。
可用测试
| 测试文件 | 测试数量 | 描述 |
|---|---|---|
test_data_source.py | 4 | 测试从外部 API 获取和处理 quiniela 数据 |
test_predictor.py | 9 | 测试预测策略(保守、冒险、自定义) |
test_detector.py | 30 | 测试检测比赛中的冷门和不一致情况 |
test_analyzer.py | 12 | 测试比赛分析和球队表现分析 |
在本地运行测试
# Ejecutar todos los tests
pytest tests/ -v
# Ejecutar con cobertura
pytest tests/ -v --cov=kinielagpt --cov-report=term-missing
# Ejecutar un módulo específico
pytest tests/test_predictor.py -v
# Ejecutar tests en paralelo (si tienes pytest-xdist)
pytest tests/ -v -n auto
代码覆盖率
测试覆盖了主要代码。当前各模块的覆盖率如下:
| 模块 | 覆盖率 | 描述 |
|---|---|---|
data_source | 67% | 获取和解析 quiniela 数据的函数 |
predictor | 84% | 预测算法和策略(保守、冒险、自定义) |
detector | 88% | 检测冷门和不一致情况的逻辑 |
analyzer | 48% | 比赛分析和球队表现分析 |
CI/CD
测试会通过 GitHub Actions 自动运行:
- 每次向
main和develop分支推送或提交 PR 时 - 定时运行:每周四上午 9:00(UTC 时间)
- 测试矩阵:Ubuntu 上的 Python 3.10、3.11、3.12、3.13
- 通知:定时运行时自动发送包含结果的邮件
如需查看 CI 结果,请访问仓库的 Actions 选项卡。
🤝 贡献
欢迎贡献!请按以下步骤操作:
- Fork 仓库
- 为你的功能创建分支(
git checkout -b feature/AmazingFeature) - Commit 你的更改(
git commit -m 'Add some AmazingFeature') - Push 到该分支(
git push origin feature/AmazingFeature) - 创建 Pull Request
📝 许可证
本项目采用 GNU Affero General Public License v3.0 (AGPL-3.0) 许可。
这意味着你可以:
- ✅ 自由使用代码(包括商业用途)
- ✅ 修改和改编项目
- ✅ 分发副本和修改后的版本
但须遵守以下条件:
- 📝 Copyleft:任何修改也必须采用 AGPL-3.0
- 🌐 网络使用:如果你在服务器/服务中使用此代码,必须共享源代码
- 📦 开源:所有修改后的版本都必须随源代码一同分发
- ©️ 署名:必须保留版权声明
特别保护:AGPL-3.0 弥补了“服务器漏洞”——即使你将此代码作为 Web 服务运行而不分发二进制文件,也必须向用户提供源代码。
完整法律文本请参阅 LICENSE 文件。
重要
本项目仅供娱乐。预测结果不作保证,不应作为投注决策的唯一依据。请理性投注。
👨💻 作者 - Ricardo Moya
🐙 GitHub:@RicardoMoya
💼 LinkedIn:Ricardo Moya, PhD
📧 联系方式
如有问题、建议或需要报告 issue:
⚽ Ricardo Moya 创建本项目,希望每场 quiniela 都能凭理性、策略和数据来玩。
评论
一个开放协议,规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话,MCP 服务负责提供工具、资源和提示模板,两者通过标准消息通信,同一个服务可以被不同客户端复用。