Orionbelt Analytics

Name: Orionbelt Analytics
Author: ralfbecher

제작자: ralfbecher버전 0.5.0i★ –i내 컴퓨터에서 실행

레지스트리 이름io.github.ralfbecher/orionbelt-analytics

설치

개요

제작자가 쓴 설명(영어 원문)

Ontology-based MCP server for database schema analysis and RDF/OWL ontology generation

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: 마케팅 및 소셜 미디어

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": {
    "orionbelt-analytics": {
      "command": "uvx",
      "args": [
        "orionbelt-analytics"
      ]
    }
  }
}

터미널에서 이 명령어를 실행하세요

claude mcp add orionbelt-analytics -- uvx orionbelt-analytics

Cursor에서 열기

또는 설정을 직접 복사하기

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

{
  "mcpServers": {
    "orionbelt-analytics": {
      "command": "uvx",
      "args": [
        "orionbelt-analytics"
      ]
    }
  }
}

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": {
    "orionbelt-analytics": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "orionbelt-analytics"
      ]
    }
  }
}

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 7일 점검

✓ 통과
제작자와 저장소 일치
레지스트리 이름이 GitHub 계정 ralfbecher 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

마케팅 및 소셜 미디어 카테고리의 다른 서버와 비교i

이 카테고리의 다른 서버 2990개 중 0%보다 스타가 많아요
이 카테고리의 다른 서버 2990개 중 2%보다 최근에 레지스트리에 공개됐어요
기본 점검 결과가 이 카테고리의 다른 서버 2990개 중 100%와 같거나 더 좋아요

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

자주 묻는 질문

Orionbelt Analytics, 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(0.5.0)은 9개월 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: MCP YouTube Transcript, Google Analytics MCP, BibiGPT YouTube Video Summarizer

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

MCP YouTube Transcript

제작자: jkawamoto

An MCP server retrieving transcripts of YouTube videos

내 컴퓨터에서 실행★ 495MIT10일 전 업데이트

설치

Google Analytics MCP

제작자: surendranb

GA4 MCP server for AI agents: schema discovery, server-side aggregation, analysis-ready defaults.

내 컴퓨터에서 실행★ 244MIT10일 전 업데이트

설치

BibiGPT YouTube Video Summarizer

제작자: JimmyLv

AI video summarizer: summarize and transcribe YouTube, Bilibili, TikTok and podcast videos.

클라우드에서 실행★ 137MIT10일 전 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.

OrionBelt® Analytics

The Ontology-based MCP server for your Text-2-SQL convenience.

OrionBelt Analytics is an MCP server that analyzes relational database schemas and generates RDF/OWL ontologies with embedded SQL mappings. It provides relationship-aware Text-to-SQL with automatic fan-trap prevention, GraphRAG for intelligent schema discovery, and interactive charting -- all accessible through any MCP-compatible AI client.

The OrionBelt Ecosystem

Project	Purpose
OrionBelt Analytics (this)	Schema analysis, ontology generation, GraphRAG, Text-to-SQL
OrionBelt Semantic Layer	Declarative YAML models compiled into dialect-specific, fan-trap-free SQL
OrionBelt Ontology Builder	Visual OWL ontology editor with reasoning and graph visualization (live demo)
OrionBelt Chat	AI chat UI for Analytics + Semantic Layer (Chainlit, multiple LLM providers)

Run Analytics and Semantic Layer side-by-side in Claude Desktop for schema-aware ontology generation and guaranteed-correct SQL compilation.

Architecture

8 database connectors -- PostgreSQL, MySQL, Snowflake, ClickHouse, Dremio, BigQuery, DuckDB/MotherDuck, Databricks SQL
RDF/OWL ontology generation with oba: namespace SQL annotations and W3C R2RML mappings
GraphRAG -- graph traversal (up to 12 hops) + ChromaDB vector embeddings for semantic schema discovery, run locally; a multilingual option lets questions in other languages find the schema (German *"Umsatz"* finds a column named *"Net revenue"*)
SPARQL 1.1 query interface via persistent Oxigraph RDF store
OBQC validation -- deterministic SQL checks against the ontology (table/column existence, join validity, type mismatches, fan-traps)
Interactive charting -- Plotly charts with MCP-UI rendering in Claude Desktop
Multi-schema support -- analyze multiple schemas simultaneously; ontology and GraphRAG state are isolated per schema
Workspace persistence -- reconnect to the same database and restore your previous session
MCP sampling -- when the connected client supports sampling (e.g. OrionBelt Chat), suggest_semantic_names asks the host LLM to pre-fill rename suggestions for cryptic identifiers via sampling/createMessage, collapsing the previous review-then-apply flow into a single tool call. Clients without sampling support (e.g. Claude Desktop) silently fall back to the manual review path

OBQC -- Ontology-Based Query Check

A key differentiator of OrionBelt is OBQC (Ontology-Based Query Check), a deterministic, rule-based SQL validator that catches errors _before_ queries reach the database. Unlike LLM-only approaches that rely on the model "getting it right," OBQC cross-references every generated SQL statement against the loaded RDF/OWL ontology to enforce structural correctness.

What OBQC validates:

Check	What it catches
Table existence	References to tables that don't exist in the schema
Column existence	References to columns not present in their table, ambiguous unqualified columns
Join validity	Missing join conditions (Cartesian products), join columns that don't match declared foreign keys
Type compatibility	WHERE/ON comparisons between incompatible types (e.g. string vs. integer)
Aggregation correctness	SELECT columns missing from GROUP BY when aggregates are used
Fan-trap detection	Aggregations across multiple one-to-many joins that silently multiply results

How it works:

generate_ontology or load_my_ontology creates/loads an ontology with oba: namespace annotations that map OWL classes and properties to actual database tables, columns, types, and foreign keys.
When execute_sql_query is called, OBQC parses the SQL with sqlglot and validates every table, column, join, and aggregation against the ontology's schema model.
Issues are returned with severity levels (error, warning, info) alongside the query results, so the LLM can self-correct before the user sees wrong data.

OBQC is fully deterministic -- no LLM calls, no probabilistic reasoning. It acts as a safety net that complements the LLM's SQL generation with hard structural guarantees. Errors block query execution; warnings are attached to the response for the LLM to act on. See OBQC documentation for the full rule reference, severity behavior, and annotation requirements.

Quick Start

1. Install

git clone https://github.com/ralforion/orionbelt-analytics

cd orionbelt-analytics uv sync

Requires Python 3.13+ and uv.

2. Configure

cp .env.template .env

Edit .env with your database credentials. At minimum, set the variables for one database (e.g. POSTGRES_HOST, POSTGRES_PORT, POSTGRES_DATABASE, POSTGRES_USERNAME, POSTGRES_PASSWORD).

See docs/configuration.md for all environment variables, transport options, and troubleshooting.

3. Run

uv run server.py

The server starts on http://localhost:9000 (HTTP transport, configurable via MCP_SERVER_PORT).

Connect Your AI Client

Claude Desktop

Start the server, then add to your claude_desktop_config.json:

"mcpServers": { "OrionBelt-Analytics": { "command": "npx", "args": [ "mcp-remote", "http://localhost:9000/mcp", "--transport", "http-only" ] } } }

Claude Code

claude mcp add orionbelt-analytics http://localhost:9000/mcp

LibreChat

Add to librechat.yaml:

mcpServers:

OrionBelt-Analytics: type: streamable-http url: "http://host.docker.internal:9000/mcp" timeout: 60000 startup: true

Other Frameworks

OrionBelt works with LangChain, OpenAI Agents SDK, CrewAI, Google ADK, Vercel AI SDK, n8n, and ChatGPT Custom GPTs. See docs/integrations.md for setup examples.

Tools

OrionBelt exposes 26 MCP tools. Here is a summary by category:

Connection & Schema

Tool	Description
`connect_database`	Connect to any supported database using `.env` credentials
`list_databases`	List the databases configured on the server, by name and description
`list_schemas`	List available schemas in the connected database
`reset_cache`	Clear cached schema and ontology data for the current session
`discover_schema`	Analyze schema structure with automatic GraphRAG + ontology generation
`get_table_details`	Get detailed column, key, and constraint info for a specific table
`cleanup_workspace`	Delete all workspace files for the current connection and start fresh

Ontology & Semantic

Tool	Description
`generate_ontology`	Generate RDF/OWL ontology from schema with SQL mapping annotations
`suggest_semantic_names`	Detect abbreviations and cryptic names for business-friendly renaming
`apply_semantic_names`	Apply LLM-suggested semantic names and descriptions to ontology
`load_my_ontology`	Load a custom `.ttl` ontology file from an import folder
`validate_relationship`	Check a relationship against the data and record the verdict in the ontology
`download_artifact`	Download ontology or R2RML mapping as a Turtle file

Query & Visualization

Tool	Description

앞부분만 보여 드려요. 나머지는 저장소에서 읽어 보세요

Orionbelt Analytics

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

마케팅 및 소셜 미디어 카테고리의 다른 서버와 비교i

자주 묻는 질문

대안

MCP YouTube Transcript

Google Analytics MCP

BibiGPT YouTube Video Summarizer

제작자의 README

The OrionBelt Ecosystem

Architecture

OBQC -- Ontology-Based Query Check

Quick Start

1. Install

2. Configure

3. Run

Connect Your AI Client

Claude Desktop

Claude Code

LibreChat

Other Frameworks

Tools

Connection & Schema

Ontology & Semantic

Query & Visualization