Sentor

Sentor MCP Server

为 Claude、Cursor、Windsurf 以及任何兼容 MCP 的 AI 助手提供基于实体的情感分析。

Sentor 是一个基于微调 BERT 模型的实体级情感分析平台。这个 MCP 服务将 Sentor 的 ML API 封装为工具，供 AI 助手直接调用——从单个自然语言提示词中，即可分析文本中针对特定实体的情感、按主题聚类文档并生成主题标签。

---

目录

• 功能介绍
• 要求
• 快速开始
  • Claude Desktop
  • Cursor / Windsurf
  • Claude.ai Web（远程 MCP）
• 工具参考
• 使用示例
• 速率限制
• 远程部署
• 链接

---

🎯 功能介绍

连接后，你的 AI 助手将获得四个工具：

工具	功能
analyze_sentiment	分析一个或多个文档中针对命名实体（品牌、产品、功能、人物）的情感。返回按文档和按句子的分析结果。
cluster_documents	使用 BERTopic + HDBSCAN 将 5 篇或更多文档归为主题簇。自动发现簇的数量。
name_topic	使用大模型为每个簇生成一个由 3–5 个词组成的描述性标签（例如“配送延迟投诉”）。
health_check	验证 Sentor API 是否可访问，以及 ML 模型是否已加载。

设置后的提示词示例：

“分析这 50 条客户评论中针对结账流程和配送速度的情感。然后按主题对评论聚类，并为每个簇命名。”

---

📋 要求

• Python 3.10+
• Sentor API 密钥 — 前往 dashboard.sentor.app 免费获取

---

🚀 快速开始

Claude Desktop

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

{
  "mcpServers": {
    "sentor": {
      "command": "uvx",
      "args": ["sentor-mcp"],
      "env": {
        "SENTOR_API_KEY": "your_api_key_here"
      }
    }
  }
}

重启 Claude Desktop。工具选择器中会出现一个锤子图标，表示 Sentor 已就绪。

没有 uvx？ 使用 pip install uv 安装，或在运行 pip install sentor-mcp 后直接使用 sentor-mcp。

---

Cursor / Windsurf

添加到 .cursor/mcp.json（项目级）或 ~/.cursor/mcp.json（全局）：

{
  "mcpServers": {
    "sentor": {
      "command": "uvx",
      "args": ["sentor-mcp"],
      "env": {
        "SENTOR_API_KEY": "your_api_key_here"
      }
    }
  }
}

---

Claude.ai Web（远程 MCP）

运行 HTTP 服务，然后通过 URL 连接：

docker run -e SENTOR_API_KEY=your_api_key -p 8080:8080 ghcr.io/nikx-tech/sentor-mcp:latest

然后在 Claude.ai → Settings → Integrations → Add MCP Server 中：

http://your-server:8080/sse

---

🔧 工具参考

analyze_sentiment(docs, language="en")

分析一个或多个文档中实体级别的情感。

docs = [
    {
        "doc_id": "review-1",
        "doc": "The delivery was fast but the packaging was completely crushed.",
        "entities": ["delivery", "packaging"]
    }
]
# Returns: predicted_label, probabilities, per-sentence details

支持的语言： en（英语）、nl（荷兰语）

---

cluster_documents(documents, language="en")

将文档归为主题簇。至少需要 5 篇文档。

documents = [
    {"doc_id": "r1", "text": "Great product quality, very happy.", "entities": ["product"]},
    # ... at least 5 documents
]
# Returns: clusters with cluster_id, document_count, documents, top_words
# Cluster -1 = outliers that did not fit any topic

---

name_topic(cluster_id, documents, top_words, entities, language="en")

为一个簇生成简短标签。直接传入 cluster_documents 的输出数据。

name_topic(
    cluster_id=0,
    documents=cluster["documents"],
    top_words=cluster["top_words"],
    entities=["BrandName"],  # exclude your brand from the label
    language="en"
)
# Returns: { "topic_name": "Shipping Delay Complaints", "generation_method": "LLM" }

---

health_check()

# Returns: { "status": "healthy", "version": "1.0.0", "llm_status": "available" }

---

💬 使用示例

单篇文档：

"使用 Sentor 分析这条评论对 Apple 和 iPhone 的情感倾向：[粘贴文本]"

批量分析：

"我有 100 条客户评论。使用 Sentor 分别为每条评论中对“delivery”和“support”的情感倾向评分，然后告诉我正面与负面情感的比例。"

完整工作流：

"使用 Sentor 执行以下操作：1) 分析这 200 条评论中对“product quality”和“price”的情感倾向，2) 按主题对评论进行聚类，3) 为每个簇命名，4) 总结分析结果。"

竞品分析：

"使用 Sentor 分别分析这些推文中对 Apple、Samsung 和 Google 的情感倾向，然后比较结果。"

---

📊 速率限制

方案	每分钟	每天	每月
免费	5	100	1,000
入门版	60	1,000	10,000
成长版	200	3,000	30,000
商业版	500	10,000	100,000
企业版	自定义	自定义	自定义

查看完整定价 →

---

🐳 远程部署

将其作为托管的 HTTP/SSE 服务运行，以供支持远程 MCP 端点的 AI 工具使用。

Docker：

docker build -t sentor-mcp .
docker run \
  -e SENTOR_API_KEY=your_key \
  -p 8080:8080 \
  sentor-mcp

该服务提供：

• GET /sse — SSE 流（MCP 传输）
• POST /messages — 消息端点

环境变量：

变量	默认值	描述
SENTOR_API_KEY	—	必需。 你的 Sentor API 密钥。
SENTOR_BASE_URL	https://sentor.app/api	覆盖此值，以指向可自托管的 Sentor 实例。
PORT	8080	HTTP 服务端口。

---

🔗 链接

• Sentor 控制面板 — 管理 API 密钥、项目和使用情况
• API 文档 — 完整的 REST API 参考
• MCP 集成指南 — 分步设置说明
• PyPI 软件包 — pip install sentor-mcp
• 支持

---

由 NIKX Technologies B.V. 构建