DataSentry

Name: DataSentry
Author: Jackxiaozhiren

제작자: Jackxiaozhiren버전 2.0.0i★ –i내 컴퓨터에서 실행

레지스트리 이름io.github.Jackxiaozhiren/datasentry

설치

개요

제작자가 쓴 설명(영어 원문)

Local-first MCP server for data-quality discovery, evidence, drift, and controlled repair.

PopNx MCP의 세 기둥

이 세 가지는 절대 하나의 점수로 합치지 않아요. 의견, 측정, 인기는 서로 다른 것이니까요.

사용자 의견i아직 리뷰가 없어요리뷰는 다음 단계에서 계정 기능과 함께 열려요
우리의 기본 점검i1개 중 1개 통과공개된 정보로 점검했으며, 코드는 아직 스캔하지 않았어요
사용 정도i아직 측정 안 함★ –

할 수 있는 일

이 서버는 아직 쉬운 말로 된 요약을 쓰지 못했어요. 아래는 레지스트리에서 읽어 온 사실이에요.

연결 방식: 내 컴퓨터에서 실행
전송 방식: stdio
카테고리: 기타

설치

쓰고 있는 AI 앱을 고른 다음 설정을 복사하세요.

설치하기 전에

기본 점검: 1개 중 1개 통과
내 컴퓨터에서 내 사용자 계정의 권한(파일, 네트워크, 앱)으로 실행돼요.
레지스트리에 입력해야 할 키가 나와 있지 않아요.

필요한 것

PyPIPython의 uv 설치(uvx 명령어용)

어떤 앱을 쓰세요?

ClaudeClaude CodeCursorVS CodeChatGPT

위에서 앱을 고르세요. 기억해 두었다가 다음부터는 버튼에 “…에 설치”라고 표시해요.

Claude Desktop → Settings → Developer → Edit Config를 열고 claude_desktop_config.json에 이 내용을 붙여 넣으세요

{
  "mcpServers": {
    "datasentry": {
      "command": "uvx",
      "args": [
        "datasentry-ai",
        "datasentry",
        "mcp"
      ]
    }
  }
}

터미널에서 이 명령어를 실행하세요

claude mcp add datasentry -- uvx datasentry-ai datasentry mcp

Cursor에서 열기

또는 설정을 직접 복사하기

프로젝트의 .cursor/mcp.json 또는 ~/.cursor/mcp.json에 붙여 넣으세요

{
  "mcpServers": {
    "datasentry": {
      "command": "uvx",
      "args": [
        "datasentry-ai",
        "datasentry",
        "mcp"
      ]
    }
  }
}

브라우저가 앱을 열지 물어본 다음, 앱이 설정을 보여 주고 확인을 요청해요. 키 값은 비워 두니 직접 입력하세요.

VS Code에서 열기

또는 설정을 직접 복사하기

프로젝트의 .vscode/mcp.json에 붙여 넣으세요

{
  "servers": {
    "datasentry": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "datasentry-ai",
        "datasentry",
        "mcp"
      ]
    }
  }
}

브라우저가 앱을 열지 물어본 다음, 앱이 설정을 보여 주고 확인을 요청해요. 키 값은 비워 두니 직접 입력하세요.

이 서버는 내 컴퓨터에서 실행되는데, ChatGPT는 인터넷에 있는 서버에만 연결할 수 있어요. 다른 앱을 고르세요.

선택한 앱은 이 기기의 쿠키에만 저장돼요. 계정은 필요 없어요.

이 설정은 제작자의 레지스트리 정보로 만들었어요. README와 다르면 README를 따르세요.

할 수 있는 일

내 컴퓨터에서 실행돼요. 설치하면 AI 앱에 도구 목록이 나타나요.

기본 점검i

누구나 볼 수 있는 정보를 점검했고, 코드는 읽지 않았어요. 해당하지 않는 항목은 개수에서 뺐어요. · 2026년 11월 6일 점검

✓ 통과
제작자와 저장소 일치
레지스트리 이름이 GitHub 계정 Jackxiaozhiren 기준으로 확인되었고, 이 계정이 저장소를 소유하고 있어요
… 아직 점검 안 함
계속 관리되고 있음
아직 GitHub에서 이 저장소를 읽어 오지 않았어요
… 아직 점검 안 함
라이선스 있음
아직 GitHub에서 이 저장소를 읽어 오지 않았어요
– 해당 없음
엔드포인트 응답
내 컴퓨터에서 실행되는 서버라 인터넷 엔드포인트가 없어요
– 해당 없음
OAuth로 로그인
내 컴퓨터에서 실행되며, 대신 로컬 설정을 사용해요
… 아직 점검 안 함
도구 설명에 숨겨진 지시 없음
내 컴퓨터에서 실행돼요. 도구 목록은 인터넷 엔드포인트가 있는 서버에서만 읽을 수 있어요

기타 카테고리의 다른 서버와 비교i

이 카테고리의 다른 서버 32451개 중 0%보다 스타가 많아요
이 카테고리의 다른 서버 32451개 중 67%보다 최근에 레지스트리에 공개됐어요
기본 점검 결과가 이 카테고리의 다른 서버 32451개 중 100%와 같거나 더 좋아요

레지스트리에서 이 카테고리의 활성 서버 전체와 비교했어요. 스타는 게시자가 저장소를 소유한 경우에만 세요.

자주 묻는 질문

DataSentry, 안전한가요?

해당하는 기본 점검 1개 중 1개를 통과했어요. 코드는 읽지 않았어요. 키나 토큰을 넣기 전에 서버가 어떤 권한을 요구하는지 확인하고, 꼭 필요한 권한만 있는 키를 쓰세요.

어떤 키나 코드가 필요한가요?

레지스트리에 필수 키가 나와 있지 않아요. 다만 처음 쓸 때 로그인을 요구하는 서버도 있어요.

내 컴퓨터에서 실행되나요, 클라우드에서 실행되나요?

내 컴퓨터에서 실행돼요. AI 앱이 필요할 때 실행하고, 데이터는 제작자의 서버를 거치지 않아요(서버 자체가 온라인 서비스를 호출하는 경우는 제외).

아직 관리되고 있나요?

GitHub 저장소는 마지막으로 – 변경됐고, 최신 버전(2.0.0)은 18일 전 레지스트리에 올라왔어요.

어떤 앱에서 쓸 수 있나요?

Claude Desktop, Claude Code, Cursor, VS Code처럼 MCP를 지원하는 앱에서 쓸 수 있어요. 내 컴퓨터에 Python (uv)도 있어야 해요.

대신 쓸 수 있는 건 뭐가 있나요?

같은 카테고리에는: Spec Driven Development, Remote Desktop Commander, Recta

대안

같은 카테고리에서 다른 제작자가 만든 서버예요. 스타 순으로 정렬했어요.

카드 보는 법:★ GitHub 스타i세 기둥: 리뷰 · 점검 · 사용 정도i업데이트 = 최신 버전을 레지스트리에 공개한 날i

Spec Driven Development

제작자: formulahendry

MCP Server that facilitates spec-driven development workflows, not just Vibe Coding.

내 컴퓨터에서 실행★ 440MIT14개월 전 업데이트

설치

Remote Desktop Commander

제작자: desktop-commander

Remote Desktop Commander: use files, terminal and processes on your own computers from any AI app.

클라우드에서 실행★ 211어제 업데이트

설치

Recta

제작자: RectaBuild

Cheaper cross-chain stablecoin routes for AI agents; 5 % of the verified saving, nothing if none.

클라우드에서 실행오늘 업데이트

설치

제작자의 README

README 열기

제작자의 저장소에서 쓰인 그대로 가져왔어요. PopNx MCP가 검토하거나 보증한 내용이 아니에요. HTML, 이미지, 스크립트는 제거했어요. 링크를 누르면 이 사이트를 벗어나요.

DataSentry

Find bad data before your users do.

Automatic data-quality discovery, evidence-backed explanations, and safe reversible repair.

Local-first. Deterministic by default. AI optional.

Live demo · 30-second start · Use cases · FAQ · PyPI · Examples · MCP setup · Contribute

中文导读：DataSentry 会先自动发现数据质量问题，再给出样本、比例、置信度等证据。修复采用 propose → preview → apply to a copy → verify → rollback 的保守流程。检测与评分不依赖 LLM，AI 只作为可选辅助，数据可以完全留在本机。

Try it in 30 seconds

Install the current PyPI release and run the zero-config product tour:

pip install --upgrade datasentry-ai

datasentry demo

datasentry-demo is also available as a direct console alias.

The demo generates synthetic dirty data, runs the built-in detectors, exports JSON + HTML reports, applies one safe repair to a copy, re-scans the repaired copy, and prints a rollback command. It needs no dataset, cloud service, API key, or LLM.

synthetic dirty CSV

↓ 39 deterministic detectors ↓ evidence-backed issues + quality score ↓ preview → repaired copy ↓ re-scan → verify new/persistent issues

Prefer scanning your own data immediately?

curl -L https://raw.githubusercontent.com/Jackxiaozhiren/datasentry/main/demo-data/orders.csv -o orders.csv

datasentry scan orders.csv datasentry issues list --severity high

Or launch the interactive interfaces:

datasentry          # terminal UI

datasentry-server # Web UI + REST API at http://localhost:8000/ui/

Start with your problem

If you need to...	Start here
Find suspicious data before you know every rule	`datasentry scan data.csv`
See the full discovery → repair → verify loop	`datasentry demo`
Block severe data issues in CI	`docs/GITHUB_ACTIONS.md`
Add quality gates to dbt / Airflow	`examples/integrations/`
Inspect and repair issues without overwriting the source	`Safe repair`
Give AI agents deterministic data-quality tools	`docs/MCP.md`

The default path is intentionally low-commitment: scan first, inspect evidence, then decide whether a finding deserves a permanent rule or a repair.

Why DataSentry exists

Most data-quality tools are excellent once you already know the expectations, checks, or contracts you want to enforce. Real incidents often start one step earlier: you do not yet know what is wrong.

DataSentry is built around the complete remediation loop:

Find → Explain → Fix safely → Verify

Find — discover common quality problems without writing every rule first.
Explain — attach samples, affected counts/ratios, detector evidence, and confidence.
Fix safely — preview changes and apply repairs to a copy instead of mutating the source.
Verify — re-scan the repaired copy and surface persistent or newly introduced issues.

DataSentry fits best when you are looking at data you do not fully trust yet, want evidence before codifying checks, or need a conservative remediation path. It complements expectation- and contract-driven tools rather than requiring you to replace them.

What it catches automatically

DataSentry ships with 39 deterministic detectors covering common failure modes such as:

missing and placeholder values;
invalid emails, URLs, dates, and encodings;
duplicate identifiers and uniqueness violations;
inconsistent categories and cross-field contradictions;
foreign-key and referential-integrity problems;
numeric and statistical outliers;
schema, row-count, score, and issue-distribution drift.

Every scan produces an evidence-backed issue list and a six-dimension quality score across completeness, validity, uniqueness, consistency, integrity, and timeliness.

Safe repair, not blind mutation

# inspect the highest-severity findings

datasentry issues list --severity high

propose a repair without changing data

datasentry repair propose --file orders.csv

preview the exact effect

datasentry repair preview --file orders.csv

apply to a repaired copy; the original is not overwritten

datasentry repair apply --file orders.csv

re-scan the repaired copy and detect regressions

datasentry repair verify

inspect or undo the repair

datasentry repair diff datasentry repair rollback

Repairs are fingerprinted, auditable, and reversible. AI-generated repair proposals remain human-approved state changes.

Quality gates for CI

datasentry scan orders.csv --fail-on high

For GitHub repositories, reuse DataSentry's maintained workflow_call gate instead of duplicating installation and exit-code handling:

jobs:

datasentry: uses: Jackxiaozhiren/datasentry/.github/workflows/datasentry-quality-gate.yml@main with: path: data/orders.csv fail_on: high

See docs/GITHUB_ACTIONS.md for inputs, artifacts, security boundaries, and version-pinning guidance.

Reports can be exported as JSON, Markdown, HTML, JUnit, and SARIF. The versioned, machine-readable JSON report Schema is included for downstream validation. The GitHub Actions example fails the workflow on severe findings while still uploading an HTML report for review.

Give AI agents deterministic data-quality tools

DataSentry includes an MCP stdio server:

datasentry mcp --project /path/to/project

MCP-capable clients can scan files, inspect evidence-backed issues, read quality scores and trends, compare drift, validate contracts, manage scheduled jobs, and call DataSentry tools without bypassing the same underlying safety rules used by the CLI and REST API.

Copy-paste setup recipes for VS Code and Claude Desktop are in docs/MCP.md.

Boundary: AI may propose; humans approve state-changing repairs.

Where it fits next to popular data-quality projects

This is a positioning guide, not a winner/loser feature scorecard. These projects solve overlapping but different jobs; check their upstream documentation for current capabilities.

Project	Core mental model	A strong fit when you want...
DataSentry	discover → explain → repair → verify	automatic issue discovery plus a controlled, reversible remediation loop
Great Expectations	Expectations / expressive data tests	explicit validation rules, validation results, and generated data-quality documentation
Soda Core	data contracts and quality checks	YAML contracts and verification across a broad data stack
Deequ	“unit tests for data” on Spark	large-scale data verification in Spark-centric environments
ydata-profiling	one-line profiling / EDA	fast exploratory profiling and shareable analysis reports

DataSentry is intentionally not trying to replace a metadata catalog, lineage platform, or every validator. Its focus is narrower: find bad data, show why it was flagged, and close the repair loop without gambling on the source.

Local-first by design

deterministic detection and scoring run locally;
DuckDB powers core local execution;
OpenAI/Ollama assistance is optional;
PII redaction, encrypted mappings, and LLM audit records are available when AI is enabled;
the original source file is not overwritten by repair workflows.

Data sources

CSV, Parquet, JSONL, XLSX
DuckDB and SQLite
PostgreSQL and MySQL
s3://, gs://, and az:// objects
single files, batches, and globs

History and drift

Persist scans and compare data over time:

datasentry drift latest orders

datasentry score

Tracked signals include schema changes, row-count movement, quality-score changes, and issue-distribution drift.

Architecture

flowchart LR

Sources[Files / DBs / cloud objects] --> DuckDB[Local execution] DuckDB --> Detect[39 detectors] Detect --> Evidence[Evidence fusion] Evidence --> Score[6-dimension score] Score --> Reports[Reports / history / gates] Reports --> CLI[CLI / TUI] Reports --> Web[Web / REST] Reports --> MCP[MCP] Evidence --> Proposal[Repair proposal] Proposal --> Preview[Preview] Preview --> Apply[Apply to copy] Apply --> Verify[Verify by re-scan] Verify --> Rollback[Rollback artifact] LLM[Optional OpenAI / Ollama] -. proposes .-> Proposal

Reproducible benchmark

uv sync

uv run python benchmarks/bench_scan.py 1000000 42

The benchmark generates synthetic dirty data and measures profiling, detection/fusion/scoring, numeric-outlier detection, JSONL reading, sampling, score drift, and memory high-water marks. See docs/BENCHMARKS.md.

Development

uv sync

make check # lint + mypy --strict + tests/coverage make demo # exercise the public datasentry demo path make bench # benchmark make build # distributions

Contributing

Useful contributions include new detectors, connectors, integration examples, reproducible benchmark cases, documentation/translations, minimal bug reproductions, and CLI/TUI/Web usability improvements.

Want a small first contribution? Start with good first issue #14 or good first issue #15.

See CONTRIBUTING.md, CODE_OF_CONDUCT.md, SECURITY.md, and ROADMAP.md. Small contributions are tracked with `good first issue` and `help wanted` labels.

Documentation

Project site and live report
docs/FAQ.md — evaluation, safety boundaries, and how DataSentry fits alongside other data-quality tools
examples/ — scenario-first runnable examples
docs/MCP.md — VS Code and Claude Desktop MCP setup
docs/GITHUB_ACTIONS.md — reusable GitHub quality gate
examples/integrations/github-actions/ — copy-paste CI gate
docs/BENCHMARKS.md — benchmark policy
docs/DEVELOPMENT.md — engineering notes
Detect → fix → verify / 中文版

License

Apache-2.0 — see LICENSE.

If DataSentry helps you catch b

앞부분만 보여 드려요. 나머지는 저장소에서 읽어 보세요

DataSentry

개요

PopNx MCP의 세 기둥

할 수 있는 일

설치

설치하기 전에

할 수 있는 일

기본 점검i

제작자와 저장소 일치

계속 관리되고 있음

라이선스 있음

엔드포인트 응답

OAuth로 로그인

도구 설명에 숨겨진 지시 없음

기타 카테고리의 다른 서버와 비교i

자주 묻는 질문

대안

Spec Driven Development

Remote Desktop Commander

Recta

제작자의 README

Try it in 30 seconds

Start with your problem

Why DataSentry exists

What it catches automatically

Safe repair, not blind mutation

propose a repair without changing data

preview the exact effect

apply to a repaired copy; the original is not overwritten

re-scan the repaired copy and detect regressions

inspect or undo the repair

Quality gates for CI

Give AI agents deterministic data-quality tools

Where it fits next to popular data-quality projects

Local-first by design

Data sources

History and drift

Architecture

Reproducible benchmark

Development

Contributing

Documentation

License