瑞克斯银行-MCP
项目介绍
瑞典货币政策数据MCP服务器
SwemoMCO是一个非官方的货币政策数据MCP服务器，它封装了瑞典中央银行的开放API，并将其转换为一个模型上下文协议（MCP）微服务。它将原始的REST端点转换为可以由LLMs或通过任何MCP客户端调用的类型化的Python工具。
本README假定您正在使用**Astral的uv**进行依赖管理和执行。
目录
为什么存在这个项目
处理货币政策数据可能会很复杂：原始API需要手工编写的查询以及对不同系列的理解。此项目：
- 在一个干净、异步的Python接口后面隐藏了HTTP管道，
- 将每个系列暴露为一个可被LLMs发现的MCP工具——允许Claude Desktop和其他MCP客户端工具按需获取瑞典宏观经济数据。
自2020年起，瑞典中央银行的服务现在包括预测值和实际（观测）数据，一旦官方数字发布。这使得该数据集适合于历史分析（例如，“2022年通货膨胀实际上发生了什么？”）和预测查询（例如，“瑞典中央银行对未来一年的GDP有何预期？”）。
基础数据
政策周期
瑞典中央银行每年发布四到五次新的预测。每次发布都标记为YYYY:I（例如，2025:2表示2025年的第二次发布）。
系列标识符
每个时间序列名称遵循以下模式：
国家-频率-区域-分解-单位-调整
示例：SEQGDPNAYCA → 瑞典（SE），季度（Q），GDP（GDP），国民账户分解（NA），同比变化（Y），日历调整（CA）。通过以下HTTP请求发现目录：
GET /forecasts/series_ids
预测版本及观测值
每个政策周期都会产生关键宏观经济变量的新“版本”的预测。同时，随着实际结果的数据发布，瑞典中央银行会更新其实际观测值。这意味着您可以：
- 固定特定的政策周期（例如，“2024:1”）以仅查看该周期的预测以及该周期之前的所有可用观测值。
- 使用“latest”检索所有历史观测值（今天已知的最终实际值）加上最新的预测版本。这对于历史分析尤其理想——特别是如果您想要看到最终修订或实际值而不是较旧的预测。
预测元数据示例：
{
"revision_dtm": "2024-07-02T08:55:00Z",
"forecast_cutoff_date": "2024-06-18",
"policy_round": "2024:3",
"policy_round_end_dtm": "2024-07-02T09:30:00Z"
}
MCP服务器如何工作
架构
┌─────────────────────────────────────────────────────────┐
│ 快速MCP服务器（src/swemo_mcp/server.py） │
│ │
│ • 注册约30个*工具*（每个经济系列一个） │
│ • 通过标准输入/ SSE / HTTP公开它们 │
└───────────────▲──────────────────────────────▲──────────┘
│ │
异步httpx LLM / 用户
│ │
┌───────────────┴────────────┐ ┌────────┴──────────┐
│ 瑞典中央银行REST API │ │ mcp-cli / ChatGPT │
└────────────────────────────┘ └───────────────────┘
services/monetary_policy_api.py– 薄薄的异步包装器，具有自动指数退避（在HTTP 429时最大重试）。tools/monetary_policy_tools.py– 每个系列一个声明性函数；文档字符串作为LLM提示。- Pydantic v2模型在
models.py中确保每个响应都有预期的模式。
工具目录
| 工具 | 系列ID | 描述 |
|---|---|---|
get_gdp_data | SEQGDPNAYCA | GDP同比，日历调整 |
get_unemployment_data | SEQLABUEASA | 劳动力调查失业率 |
get_cpi_data | SEMCPINAYNA | 核心CPI同比 |
| … | … | 总计约30个系列 – 运行list_series_ids()获取完整列表。 |
每个工具签名如下：
async def get_<series>_data(policy_round: str | None = None) -> MonetaryPolicyDataResponse
传递policy_round="2024:3"以固定版本；省略以获取完整历史。对于最终的历史数据，传递policy_round="latest"以便工具合并所有实际（观测）数据点。
安装
前提条件：
- Python ≥ 3.12（使用
typing.TypeAlias/PEP 604联合）- Astral
uv≥ 0.2.0
通过一条命令克隆并设置项目：
uv sync
uv sync安装pyproject.toml中声明的所有生产和开发依赖项，如果需要则创建虚拟环境，并锁定确切版本，以便每位贡献者或CI流水线使用相同的堆栈。
Claude Desktop集成
编辑您的claude_desktop_config.json以添加Kolada MCP服务器：
Docker镜像（本地构建）
"SwemoMCP": {
"args": [
"run",
"-i",
"--rm",
"--name",
"swemo-mcp-managed",
"swemo-mcp:local"
],
"command": "docker",
"env": {}
}
通过PyPI预构建容器
"SwemoPyPI": {
"args": ["swemo-mcp"],
"command": "/Users/hugi/.cargo/bin/uvx"
}
本地UV执行（无Docker）
替换[path to kolada-mcp]为您本地目录：
"SwemoLocal": {
"args": [
"--directory",
"[path to kolada-mcp]/src/kolada_mcp",
"run",
"kolada-mcp"
],
"command": "uv"
}
更新后重启Claude Desktop。
作为库使用
import asyncio
from swemo_mcp.tools import get_policy_rate_data
async def main():
from swemo_mcp.query import ForecastRequest
req = ForecastRequest(policy_round="2023:4", include_realised=True)
data = await get_policy_rate_data(req)
print(data.vintages[0].observations[:5]) # 前5个观测值
asyncio.run(main())
由于一切都是类型化且异步的，您可以直接将这些工具集成到笔记本、仪表板或其他服务中。
Docker
该项目附带一个多阶段Dockerfile，在最终层使用uv，因此容器构建可以从确定性的依赖解析中受益。
docker build -t swemo-mcp:latest .
docker run -i --rm swemo-mcp:latest | mcp chat
如果您更喜欢使用Docker Compose进行开发，示例compose.yaml展示了如何挂载源目录并热重载更改。
开发
-
设置环境：
uv sync --dev -
在开发模式下运行带有实时重载的服务器（需要
mcp dev）：uv run mcp dev src/swemo_mcp/server.py -
打开MCP Inspector进行测试和调试：
-
运行测试套件（pytest + asyncio）：
uv run pytest -q -
自动格式化和lint使用Ruff：
uv run ruff check . --fix
许可证
根据Apache 2.0许可。详情见LICENSE。
免责声明
- 这是一个非官方的MCP服务器，用于瑞典中央银行的数据。底层API可能会发生变化，本项目可能不会总是反映最新更新。
- 瑞典中央银行未参与本项目的开发。数据按原样提供，不作任何保证。
- 瑞典中央银行的数据受其自身的使用条款约束。请参阅Riksbank的API门户获取更多信息。