oraculo-x37
Health Warn
- License — License: MIT
- Description — Repository has a description
- Active repo — Last push 0 days ago
- Low visibility — Only 5 GitHub stars
Code Pass
- Code scan — Scanned 12 files during light audit, no dangerous patterns found
Permissions Pass
- Permissions — No dangerous permissions requested
No AI report is available for this listing yet.
API Python de classificação e regressão com scikit-learn e servidor MCP com ferramentas determinísticas de análise explicável.
Oráculo X-37 — API e Ferramentas MCP
Visão geral
Fatos verificáveis no código: repositório Python com API Flask para treinar e servir modelos scikit-learn de classificação e regressão, além de servidor FastMCP separado com ferramentas determinísticas para simulação exploratória, explicação de previsões, auditoria descritiva, monitoramento por limiares e comparação ponderada de opções. O README também apresenta objetivos de soberania tecnológica, IA e blockchain e descreve usos estratégicos, mas essas alegações não são demonstradas por integrações, dados ou validações no código inspecionado. O serviço gera dados sintéticos de treino.
Objetivo e valor
Problema/escopo: API Python de classificação e regressão com scikit-learn e servidor MCP com ferramentas determinísticas de análise explicável.
Valor verificável hoje: o repositório torna explícitos seus artefatos, interfaces e limitações para que mantenedores e contribuidores possam avaliar o que existe sem confundir demonstração, proposta e produção.
Arquitetura e tecnologias
Parcialmente inferível pela árvore, mas não documentada formalmente: app/main.py cria a aplicação Flask e registra app/api/routes.py; app/services/oracle_service.py encapsula treinamento, predição e explicação, app/models/model_loader.py lida com serialização, e app/core/config.py concentra configuração. app/mcp/server.py é servidor MCP separado. Há modelos .pkl em models/, script de treino em scripts/train.py e testes em tests/. README não explica fronteiras ou integração entre API, modelos e MCP; docs/mcp-integration-findings.md contém afirmações que não correspondem integralmente aos arquivos atuais.
flowchart LR
H[Cliente HTTP] --> F[API Flask]
F --> M[Modelos scikit-learn e dados sintéticos]
C[Cliente MCP] --> X[FastMCP]
X --> D[Ferramentas determinísticas]
- Python (linguagem indicada pelo GitHub e pelos arquivos).
- API Flask; scikit-learn com RandomForestClassifier/RandomForestRegressor, NumPy e SHAP no serviço de modelos.
- Servidor MCP via FastMCP; ferramentas implementadas em app/mcp/server.py.
- Configuração usa python-dotenv; testes escritos para pytest; há Dockerfile e docker-compose.yml.
- Manifestos também declaram pandas, matplotlib, FastAPI, Uvicorn e Gunicorn, mas isso não comprova uso efetivo no código inspecionado; as rotas da API importam Flask.
- Há divergências de versões entre requirements.txt e pyproject.toml; CI usa Python 3.10 e Dockerfile parte de Python 3.11.
Início rápido
Os comandos abaixo refletem instruções, manifestos ou pontos de entrada presentes no repositório. Dependências externas, segredos e serviços estão indicados quando aplicável; a presença de um comando não equivale a uma execução validada.
- README documenta a instalação com pip install -r requirements.txt.
- README documenta python app/mcp/server.py para iniciar o servidor MCP; declara transporte padrão stdio e seleção de sse com ORACULO_X37_TRANSPORT=sse.
- Workflow .github/workflows/python-app.yml instala requirements.txt, executa verificações flake8 e chama pytest em pushes e pull requests para main; isso comprova comandos configurados, não que passem.
- Não executei comandos. A instalação limpa indicada no README não está comprovada como funcional: requirements.txt não declara Flask, embora a API e seus testes o importem.
Exemplo de uso
Exemplo existente em tests/test_api.py: POST /api/v1/classification/train com n_samples igual a 50; em seguida POST /api/v1/classification/predict com data contendo uma linha de dez valores decimais. O teste também chama GET /api/v1/health. São rotas e sequência baseadas no código/testes; README não documenta comando verificado para iniciar a API Flask e as chamadas não há execução validada registrada.
Estado e limitações
Maturidade indicada: Demonstração.
- Não tratar como capacidades comprovadas as alegações do README sobre segurança nacional, alto nível, independência de infraestrutura estrangeira, soberania de dados ou blockchain: os arquivos examinados não as demonstram.
- Há incompatibilidade aparente de dependências: API e tests/test_api.py importam Flask, ausente de requirements.txt e da lista do pyproject.toml; em contraste, o manifesto declara FastAPI, que não aparece nas rotas inspecionadas. Instalação/testes limpos podem falhar; não foram executados.
- requirements.txt fixa versões diferentes das faixas em pyproject.toml. O manifesto diz Python >=3.7, mas server.py usa sintaxe de união de tipos com |, incompatível com versões anteriores a Python 3.10.
- O próprio código qualifica a simulação como exploratória, não causal ou probabilística calibrada; não inferir previsões operacionais ou validação de modelos. O código exige revisão humana.
Contribuição
Leia CONTRIBUTING.md antes de abrir uma issue ou pull request. Para reportes de segurança, siga a orientação específica do repositório, se houver.
Licença
Este repositório está licenciado sob MIT; consulte LICENSE.
Patrocínio e apoio
O desenvolvimento aberto exige tempo para manutenção, documentação, testes, revisão de contribuições e resposta a issues. Se este projeto for útil, considere apoiar a continuidade pelo GitHub Sponsors. O apoio não representa promessa de funcionalidades, prazo de entrega ou suporte comercial.
Reviews (0)
Sign in to leave a review.
Leave a reviewNo results found