DESI MCP Server

Astro MCP - 智能天文学数据访问

一个模块化的 Model Context Protocol（MCP）服务，通过简洁、可扩展的架构统一访问多个天文学数据集。

愿景

此 MCP 服务旨在将大数据天文学从软件工程问题转变为自然语言对话。研究人员无需花数月学习 astroquery API，只需提出需求，即可获得经过整理、处理完毕且可直接用于分析的数据产品。

一位专家一次性解决复杂问题，数千名科学家便能长久受益。如今，编程经验有限的学生只需使用自然语言和 AI 助手，就能完成与资深天文学家相同的多巡天分析。

这不仅关乎天文学，更是让所有科学普及化的范例。每个领域都有杰出的研究人员，他们把 80% 的时间花在数据整理上，而非发现上。移除这一瓶颈，我们就能加快科学进步本身的步伐。

最终，我们将拥有能够无缝访问数十个天文巡天数据并进行交叉匹配的 AI 科学家，从而实现几年前还需要数月准备才能尝试的发现。

Cursor 和 Claude Desktop 快速设置

1. 克隆并设置环境

# Clone the repository
git clone https://github.com/SandyYuan/astro_mcp.git
cd astro_mcp

# Create a dedicated conda environment with Python 3.11+
conda create -n mcp python=3.11
conda activate mcp

# Install dependencies
pip install -r requirements.txt

# Install astronomical libraries for full functionality
pip install sparclclient datalab astropy astroquery

2. 测试服务

# Test basic functionality
python test_server.py

# Test with a simple query (optional)
python -c "
import asyncio
from server import astro_server
async def test():
    result = astro_server.get_global_statistics()
    print('✅ Server working:', result['total_files'], 'files in registry')
    services = astro_server.list_astroquery_services()
    print(f'✅ Astroquery: {len(services)} services discovered')
asyncio.run(test())
"

3. 配置 Cursor

将此配置添加到 Cursor MCP 设置中：

{
  "mcpServers": {
    "astro-mcp": {
      "command": "/path/to/conda/envs/mcp/bin/python",
      "args": ["/path/to/astro_mcp/server.py"],
      "cwd": "/path/to/astro_mcp",
      "env": {}
    }
  }
}

查找 conda Python 路径：

conda activate mcp
which python
# Copy this path for the "command" field above

4. 配置 Claude Desktop

编辑 Claude Desktop MCP 配置文件：

macOS： ~/Library/Application Support/Claude/claude_desktop_config.json Windows： %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "astro-mcp": {
      "command": "/path/to/conda/envs/mcp/bin/python",
      "args": ["/path/to/astro_mcp/server.py"],
      "cwd": "/path/to/astro_mcp",
      "env": {}
    }
  }
}

5. 重启并测试

1. 重启 Cursor/Claude Desktop，加载新的 MCP 服务
2. 使用类似以下查询进行测试：
   • “搜索 RA=10.68、Dec=41.27 附近的星系”
   • “从 SIMBAD 获取参宿四的坐标”
   • “查找 z=0.5 附近的 10 个 BOSS 星系并保存为 FITS”
   • “列出可用的 astroquery 服务”

6. 故障排除

服务无法启动：

# Check Python environment
conda activate mcp
python --version  # Should be 3.11+

# Test server manually
python server.py
# Should start without errors

MCP 连接问题：

• 确认配置中的 Python 路径指向 conda 环境
• 确保工作目录（cwd）指向 astro_mcp 文件夹
• 检查所有依赖是否已安装在正确的环境中

缺少天文数据：

# Install optional dependencies for full functionality
conda activate mcp
pip install sparclclient datalab astropy astroquery h5py

在 Cursor/Claude Desktop 中的使用示例

配置完成后，你可以用自然语言询问天文数据相关问题：

基本搜索

• “查找 RA=150.5、Dec=2.2 附近 0.1 度范围内的星系”
• “搜索红移在 2 到 3 之间的类星体”
• “从 SIMBAD 获取参宿四的精确坐标”
• “查找红移 0.5 附近的 10 个 BOSS 星系”

多巡天数据访问

• “查询 VizieR 中猎户座区域的恒星星表”
• “在 SDSS 中搜索星系并保存为 FITS 格式”
• “从多个天文数据库获取天体信息”
• “列出可用于星系研究的所有 astroquery 服务”

光谱数据分析

• “获取 DESI 天体的光谱，其 ID 为 1270d3c4-9d36-11ee-94ad-525400ad1336”
• “显示你能找到的最亮类星体的详细光谱信息”
• “查找一个星系光谱并分析其红移”

文件管理与转换

• “列出所有已保存的天文数据文件”
• “将我的星系星表转换为 FITS 格式”
• “预览最新搜索结果的结构”
• “显示已下载数据的存储统计信息”

高级查询

• “查找高红移星系（z > 1.5）并保存其光谱”
• “搜索 COSMOS 视场中的天体并分析其类型”
• “对同一片天区的 DESI 和 SDSS 数据进行交叉匹配”

服务将自动：

• 跨多个巡天执行适当的数据库查询
• 使用描述性文件名和元数据保存结果
• 处理坐标转换和天文计算
• 根据需要将数据转换为标准格式（CSV、FITS）

架构

astro_mcp/
├── server.py                    # Main MCP server entry point
├── data_sources/               # Modular data source implementations
│   ├── __init__.py
│   ├── base.py                # Base class for all data sources
│   ├── desi.py                # DESI survey data access
│   ├── astroquery_universal.py # Universal astroquery wrapper
│   └── astroquery_metadata.py  # Service metadata and capabilities
├── data_io/                   # File handling and conversion
│   ├── __init__.py
│   ├── preview.py             # Data preview and structure analysis
│   └── fits_converter.py      # FITS format conversion
├── tests/                     # Test suite
├── examples/                  # Usage examples
└── requirements.txt           # Project dependencies

功能

🔭 通用天文数据访问

• DESI：通过 SPARCL 和 Data Lab 访问暗能量光谱仪数据
• Astroquery：自动访问 40 多种天文服务（SIMBAD、VizieR、SDSS、Gaia 等）
• 自动发现：自动检测并配置可用的 Astroquery 服务
• 统一接口：所有数据源使用相同的 API

📁 智能文件管理

• 使用描述性文件名自动保存数据
• 跨数据源文件注册与整理
• 全面跟踪元数据及其来源
• 智能文件预览，附带加载示例
• 转换为 FITS 格式，以兼容天文数据

🔍 强大的搜索功能

• 在所有巡天项目中按坐标搜索（点、圆锥、矩形）
• 按天体类型和红移筛选
• 使用空间索引（Q3C）执行 SQL 查询
• 自然语言查询解读
• 跨巡天项目数据关联

📊 数据分析与转换工具

• 获取并分析光谱数据
• 自动将星表、光谱和图像转换为 FITS 格式
• 检查并预览文件结构
• 统计与存储管理
• 可扩展的工具架构，支持自定义分析

🤖 针对 AI 优化的接口

• 参数预处理与验证
• 智能错误处理并提供实用建议
• 自动检测并转换格式
• 所有数据源的元数据保持一致

安装

**快速开始：**如需集成 Cursor 和 Claude Desktop，请参阅上方的快速设置部分。

手动安装

# Clone the repository
git clone https://github.com/SandyYuan/astro_mcp.git
cd astro_mcp

# Create and activate environment
conda create -n mcp python=3.11
conda activate mcp

# Install core dependencies
pip install -r requirements.txt

# Install astronomical libraries
pip install sparclclient datalab astropy astroquery

# Optional: Install development dependencies
pip install pytest coverage

验证安装

# Test the server components
python test_server.py

# Check available astroquery services
python -c "
import asyncio
from server import astro_server

async def show_services():
    services = astro_server.list_astroquery_services()
    print(f'✅ Discovered {len(services)} astroquery services')
    for service in services[:5]:  # Show first 5
        print(f'  - {service["full_name"]} ({service["service"]})')

asyncio.run(show_services())
"

快速开始

1. 启动 MCP 服务

python server.py

2. 可用工具

此服务提供以下主要工具：

数据访问：

• search_objects - 查找天文目标（DESI）
• astroquery_query - 跨 40 多种天文服务执行通用查询
• get_spectrum_by_id - 获取详细光谱数据（DESI）

服务发现：

• list_astroquery_services - 显示所有可用的天文数据库
• get_astroquery_service_details - 查看详细的服务信息
• search_astroquery_services - 按条件查找服务

文件管理：

• preview_data - 检查已保存的文件及其结构
• list_files - 管理所有数据源中的已保存数据
• file_statistics - 查看存储用量和整理信息
• convert_to_fits - 将数据转换为 FITS 格式

3. 使用示例

# Get object coordinates from SIMBAD
astroquery_query(
    service_name="simbad",
    object_name="Betelgeuse"
)

# Search SDSS for galaxies with SQL
astroquery_query(
    service_name="sdss",
    query_type="query_sql",
    sql="SELECT TOP 10 ra, dec, z FROM SpecObj WHERE class='GALAXY' AND z BETWEEN 0.1 AND 0.3"
)

# Search VizieR catalogs
astroquery_query(
    service_name="vizier",
    ra=10.68,
    dec=41.27,
    radius=0.1
)

# Convert results to FITS
convert_to_fits(
    identifier="search_results.csv",
    data_type="catalog"
)

数据源

DESI（暗能量光谱仪）

状态：✅ 已完整实现

• SPARCL 访问：完整获取光谱数据
• Data Lab SQL：快速查询星表（sparcl.main 表）
• 覆盖范围：DESI EDR（约 180 万条光谱）和 DR1（超过 1,800 万条光谱）
• 波长：360–980 nm，分辨率：R ~ 2000–5500

Astroquery 通用访问

状态：✅ 已完整实现

可用的主要服务：

• SIMBAD：天体识别和基本数据
• VizieR：天文星表和巡天项目
• SDSS：斯隆数字巡天数据和光谱
• Gaia：天体测量和测光数据
• MAST：哈勃、JWST 及其他空间望远镜档案
• IRSA：红外和亚毫米档案
• ESASky：多任务天文数据
• 以及 30 多种其他服务……

功能：

• 自动发现并配置服务
• 智能检测查询类型
• 参数预处理与验证
• 统一的错误处理与帮助生成

必需依赖项：

pip install astroquery astropy

扩展架构

添加新的数据源

1. 创建数据源类：

# data_sources/my_survey.py
from .base import BaseDataSource

class MySurveyDataSource(BaseDataSource):
    def __init__(self, base_dir=None):
        super().__init__(base_dir=base_dir, source_name="my_survey")
        # Initialize survey-specific clients
    
    def search_objects(self, **kwargs):
        # Implement survey-specific search
        pass

2. 更新主服务：

# server.py
from data_sources import MySurveyDataSource

class AstroMCPServer:
    def __init__(self, base_dir=None):
        # ... existing code ...
        self.my_survey = MySurveyDataSource(base_dir=base_dir)

添加新的 Astroquery 服务

Astroquery 集成会自动发现新服务。如需添加自定义元数据：

# data_sources/astroquery_metadata.py
ASTROQUERY_SERVICE_INFO = {
    "my_service": {
        "full_name": "My Custom Service",
        "description": "Custom astronomical database",
        "data_types": ["catalogs", "images"],
        "wavelength_coverage": "optical",
        "object_types": ["stars", "galaxies"],
        "requires_auth": False,
        "example_queries": [
            {
                "description": "Search by object name",
                "query": "astroquery_query(service_name='my_service', object_name='M31')"
            }
        ]
    }
}

文件整理

文件会按数据源自动整理，并附带全面的元数据：

~/astro_mcp_data/
├── file_registry.json           # Global file registry with metadata
├── desi/                        # DESI-specific files
│   ├── desi_search_*.json      # Search results
│   ├── spectrum_*.json         # Spectral data
│   └── *.fits                  # FITS conversions
└── astroquery/                 # Astroquery results
    ├── astroquery_simbad_*.csv # SIMBAD queries
    ├── astroquery_sdss_*.csv   # SDSS results
    ├── astroquery_vizier_*.csv # VizieR catalogs
    └── *.fits                  # FITS conversions

开发

项目结构的优势

• 模块化：易于添加新的巡天和分析工具
• 通用访问：通过统一接口访问 40 多个天文数据库
• 关注点分离：数据访问、I/O 和分析各自独立
• 可测试性：每个模块都可以独立测试
• 可扩展性：清晰的架构支持无限扩展

测试

# Run all tests
pytest

# Test specific modules
pytest tests/test_desi.py
pytest tests/test_astroquery.py

# Test with coverage
pytest --cov=data_sources tests/

贡献

1. Fork 此仓库
2. 创建功能分支（git checkout -b feature/new-capability）
3. 按照现有模式添加数据源或工具
4. 为新功能编写测试
5. 更新文档和示例
6. 提交拉取请求

依赖项

核心要求

• mcp>=1.0.0 - Model Context Protocol 框架
• pandas>=2.0.0 - 数据处理
• numpy>=1.24.0 - 数值计算

天文库

• astroquery>=0.4.6 - 通用天文数据库访问
• astropy>=5.0.0 - FITS 文件和天文计算
• sparclclient>=1.0.0 - DESI SPARCL 访问
• datalab>=2.20.0 - NOAO Data Lab 查询

可选功能

• h5py>=3.8.0 - HDF5 文件支持
• pytest>=7.0.0 - 测试框架

许可证

[在此指定许可证]

引用

如果您在研究中使用此软件，请引用：

@software{astro_mcp,
  title={Astro MCP: Universal Astronomical Data Access for AI Agents},
  author={[Your Name]},
  year={2024},
  url={[Repository URL]}
}

支持

• 问题：GitHub 问题
• 文档：完整文档
• 讨论：GitHub 讨论

路线图

当前（v0.1.0）

• ✅ 通过 SPARCL 和 Data Lab 访问 DESI 数据
• ✅ 通用 astroquery 集成（40 多项服务）
• ✅ 自动将所有数据类型转换为 FITS
• ✅ 借助全面的元数据实现智能文件管理
• ✅ 自然语言查询接口

计划中（v0.2.0）

• 🚧 跨巡天天体匹配与关联
• 🚧 高级天文计算（距离、星等）
• 🚧 变星的时间序列分析
• 🚧 可视化工具集成

未来（v0.3.0+）

• 🔮 集成机器学习以进行天体分类
• 🔮 巡天数据实时流传输
• 🔮 自定义分析流水线创建
• 🔮 多波段数据关联工具