Data Aggregator

Name: Data Aggregator
Author: musharna

โดย musharnaรุ่น 0.75.4i★ –iรันบนเครื่อง

ชื่อใน registryio.github.musharna/data-aggregator-mcp

ติดตั้ง

ภาพรวม

คำอธิบายจากผู้ทำ (ภาษาอังกฤษตามต้นฉบับ)

Find & fetch research datasets across 21 archives, omics registries, and literature sources.

สามเสาของ PopNx MCP

สามเรื่องนี้ไม่รวมเป็นคะแนนเดียว เพราะความเห็น การวัด และความนิยม เป็นคนละเรื่องกัน

เสียงผู้ใช้iยังไม่มีรีวิวรีวิวเปิดพร้อมระบบบัญชีในขั้นถัดไป
ผลตรวจเบื้องต้นของเราiผ่าน 1 จาก 1 ข้อตรวจจากข้อมูลที่เปิดอยู่ ยังไม่ได้สแกนโค้ด
การใช้งานiยังไม่ได้วัด★ –

ใช้ทำอะไรได้

ตัวนี้ยังไม่ได้เรียบเรียงเป็นภาษาไทย ด้านล่างคือข้อเท็จจริงที่เราอ่านจาก registry

การเชื่อมต่อ: รันบนเครื่อง
ช่องทาง (transport): stdio
หมวด: ค้นข้อมูลและความจำของ AI
ต้องใส่ค่าเหล่านี้: NCBI_API_KEY, LLM_API_KEY, EMBEDDING_API_KEY, DATA_GOV_API_KEY

ติดตั้ง

เลือกโปรแกรม AI ที่คุณใช้ แล้วคัดลอกค่าตั้งไปวาง

ก่อนติดตั้ง

ผลตรวจเบื้องต้น: ผ่าน 1 จาก 1 ข้อ
รันในเครื่องคุณด้วยสิทธิ์ของผู้ใช้คุณ (ไฟล์ อินเทอร์เน็ต แอปต่าง ๆ)
ค่าที่คุณต้องใส่เอง: NCBI_API_KEY, LLM_API_BASE, LLM_API_KEY, LLM_MODEL, EMBEDDING_API_BASE, EMBEDDING_API_KEY, EMBEDDING_MODEL, DATA_GOV_API_KEY, UNPAYWALL_EMAIL, NCBI_EMAIL, DATAVERSE_BASE_URL, CACHE_TTL_SECONDS

ค่าที่ติดป้ายความลับคือกุญแจของบัญชีคุณ อย่าส่งให้ใคร และอย่าวางในแชต

ต้องเตรียมก่อน

PyPIติดตั้ง uv ของ Python (มีคำสั่ง uvx) ในเครื่อง

คุณใช้แอปไหน

ClaudeClaude CodeCursorVS CodeChatGPT

เลือกแอปด้านบน เราจำไว้ให้ ครั้งหน้าปุ่มจะขึ้นว่า “ติดตั้งลง …”

เปิด Claude Desktop → Settings → Developer → Edit Config แล้ววางค่านี้ในไฟล์ claude_desktop_config.json

{
  "mcpServers": {
    "data-aggregator": {
      "command": "uvx",
      "args": [
        "data-aggregator-mcp"
      ],
      "env": {
        "NCBI_API_KEY": "ใส่ค่าของคุณ",
        "LLM_API_BASE": "ใส่ค่าของคุณ",
        "LLM_API_KEY": "ใส่ค่าของคุณ",
        "LLM_MODEL": "ใส่ค่าของคุณ",
        "EMBEDDING_API_BASE": "ใส่ค่าของคุณ",
        "EMBEDDING_API_KEY": "ใส่ค่าของคุณ",
        "EMBEDDING_MODEL": "ใส่ค่าของคุณ",
        "DATA_GOV_API_KEY": "ใส่ค่าของคุณ",
        "UNPAYWALL_EMAIL": "ใส่ค่าของคุณ",
        "NCBI_EMAIL": "ใส่ค่าของคุณ",
        "DATAVERSE_BASE_URL": "ใส่ค่าของคุณ",
        "CACHE_TTL_SECONDS": "ใส่ค่าของคุณ"
      }
    }
  }
}

พิมพ์คำสั่งนี้ใน Terminal

claude mcp add data-aggregator --env NCBI_API_KEY='ใส่ค่าของคุณ' --env LLM_API_BASE='ใส่ค่าของคุณ' --env LLM_API_KEY='ใส่ค่าของคุณ' --env LLM_MODEL='ใส่ค่าของคุณ' --env EMBEDDING_API_BASE='ใส่ค่าของคุณ' --env EMBEDDING_API_KEY='ใส่ค่าของคุณ' --env EMBEDDING_MODEL='ใส่ค่าของคุณ' --env DATA_GOV_API_KEY='ใส่ค่าของคุณ' --env UNPAYWALL_EMAIL='ใส่ค่าของคุณ' --env NCBI_EMAIL='ใส่ค่าของคุณ' --env DATAVERSE_BASE_URL='ใส่ค่าของคุณ' --env CACHE_TTL_SECONDS='ใส่ค่าของคุณ' -- uvx data-aggregator-mcp

เติมค่าที่เว้นว่างไว้ก่อนรัน

เปิดใน Cursor

หรือคัดลอกค่าตั้งเอง

วางในไฟล์ .cursor/mcp.json ของโปรเจกต์ หรือ ~/.cursor/mcp.json

{
  "mcpServers": {
    "data-aggregator": {
      "command": "uvx",
      "args": [
        "data-aggregator-mcp"
      ],
      "env": {
        "NCBI_API_KEY": "ใส่ค่าของคุณ",
        "LLM_API_BASE": "ใส่ค่าของคุณ",
        "LLM_API_KEY": "ใส่ค่าของคุณ",
        "LLM_MODEL": "ใส่ค่าของคุณ",
        "EMBEDDING_API_BASE": "ใส่ค่าของคุณ",
        "EMBEDDING_API_KEY": "ใส่ค่าของคุณ",
        "EMBEDDING_MODEL": "ใส่ค่าของคุณ",
        "DATA_GOV_API_KEY": "ใส่ค่าของคุณ",
        "UNPAYWALL_EMAIL": "ใส่ค่าของคุณ",
        "NCBI_EMAIL": "ใส่ค่าของคุณ",
        "DATAVERSE_BASE_URL": "ใส่ค่าของคุณ",
        "CACHE_TTL_SECONDS": "ใส่ค่าของคุณ"
      }
    }
  }
}

เบราว์เซอร์จะถามก่อนเปิดแอป จากนั้นแอปแสดงค่าตั้งให้ตรวจแล้วกดยืนยัน ช่อง key เว้นว่างไว้ให้คุณใส่เอง

เปิดใน VS Code

หรือคัดลอกค่าตั้งเอง

วางในไฟล์ .vscode/mcp.json ของโปรเจกต์

{
  "servers": {
    "data-aggregator": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "data-aggregator-mcp"
      ],
      "env": {
        "NCBI_API_KEY": "ใส่ค่าของคุณ",
        "LLM_API_BASE": "ใส่ค่าของคุณ",
        "LLM_API_KEY": "ใส่ค่าของคุณ",
        "LLM_MODEL": "ใส่ค่าของคุณ",
        "EMBEDDING_API_BASE": "ใส่ค่าของคุณ",
        "EMBEDDING_API_KEY": "ใส่ค่าของคุณ",
        "EMBEDDING_MODEL": "ใส่ค่าของคุณ",
        "DATA_GOV_API_KEY": "ใส่ค่าของคุณ",
        "UNPAYWALL_EMAIL": "ใส่ค่าของคุณ",
        "NCBI_EMAIL": "ใส่ค่าของคุณ",
        "DATAVERSE_BASE_URL": "ใส่ค่าของคุณ",
        "CACHE_TTL_SECONDS": "ใส่ค่าของคุณ"
      }
    }
  }
}

ตัวนี้รันในเครื่องคุณ แต่ ChatGPT ต่อได้เฉพาะ server บนอินเทอร์เน็ต ลองเลือกแอปอื่น

ตัวเลือกเก็บในคุกกี้บนเครื่องนี้ ไม่ต้องมีบัญชี

ค่าที่ต้องใส่เอง

NCBI_API_KEY ความลับ env
Optional NCBI E-utilities API key; raises the rate limit 3->10 req/s for omics, literature, and taxonomy lookups.
LLM_API_BASE env
Base URL of an OpenAI-compatible /chat/completions endpoint; enables search(understand=true) and search(multi_query=true).
LLM_API_KEY ความลับ env
Bearer token for the LLM endpoint (LLM_API_BASE); omit for keyless local servers.
LLM_MODEL env
Model name passed to the LLM endpoint (default: gpt-4o-mini); set to whatever your endpoint serves.
EMBEDDING_API_BASE env
Base URL of an OpenAI-compatible /embeddings endpoint; enables search(rank=semantic) re-ranking.
EMBEDDING_API_KEY ความลับ env
Bearer token for the embeddings endpoint (EMBEDDING_API_BASE); omit for keyless local servers.
EMBEDDING_MODEL env
Model name passed to the embeddings endpoint (default: text-embedding-3-small).
DATA_GOV_API_KEY ความลับ env
Optional api.data.gov key for the data.gov source; without it requests fall back to the shared public DEMO_KEY, which is aggressively rate-limited.
UNPAYWALL_EMAIL env
Email address sent to the Unpaywall API; required to enable the Unpaywall PDF fallback leg of literature full-text retrieval.
NCBI_EMAIL env
Contact address sent to NCBI's ID converter; falls back to UNPAYWALL_EMAIL when unset.
DATAVERSE_BASE_URL env
Resolve Dataverse DOIs against a different installation (default: https://dataverse.harvard.edu).
CACHE_TTL_SECONDS env
Resolve-cache lifetime in seconds (default: 3600); an unparseable value falls back to the default.

ค่าตั้งนี้สร้างจากข้อมูลใน registry ของผู้ทำ ถ้าไม่ตรงกับ README ให้เชื่อ README

ทำอะไรได้บ้าง

รันในเครื่องคุณ รายการเครื่องมือจะขึ้นในแอป AI หลังติดตั้ง

ผลตรวจเบื้องต้นi

เราตรวจจากข้อมูลที่ใครก็เปิดดูได้ ยังไม่ได้อ่านโค้ด ข้อที่ไม่เกี่ยวกับตัวนี้ไม่นับในตัวหาร · ตรวจเมื่อ 7 พ.ย. 2569

✓ ผ่าน
ตัวตนผู้ทำตรงกับ repo
ชื่อใน registry ยืนยันด้วยบัญชี GitHub musharna ซึ่งเป็นเจ้าของ repo
… ยังไม่ตรวจ
ยังมีคนดูแล
ยังไม่ได้อ่านข้อมูล repo จาก GitHub
… ยังไม่ตรวจ
มีสัญญาอนุญาต (license)
ยังไม่ได้อ่านข้อมูล repo จาก GitHub
– ไม่เกี่ยว
endpoint ตอบ
ตัวนี้รันบนเครื่องคุณ ไม่มี endpoint บนอินเทอร์เน็ต
– ไม่เกี่ยว
ล็อกอินแบบ OAuth
ตัวนี้รันบนเครื่อง ใช้ค่าที่ตั้งในเครื่องแทน
… ยังไม่ตรวจ
คำอธิบายเครื่องมือไม่มีคำสั่งแอบแฝง
รันในเครื่องคุณ เราอ่านรายการเครื่องมือได้เฉพาะตัวที่มี endpoint บนอินเทอร์เน็ต

เทียบกับตัวอื่นในหมวด ค้นข้อมูลและความจำของ AIi

ดาวมากกว่า 0% ของอีก 7271 ตัวในหมวดนี้
ส่งรุ่นใหม่เข้า registry ล่าสุดกว่า 68% ของอีก 7271 ตัวในหมวดนี้
ผลตรวจเบื้องต้นดีกว่าหรือเท่ากับ 100% ของอีก 7271 ตัวในหมวดนี้

เทียบกับทุก server ที่ยังใช้งานในหมวดนี้ทั้งทะเบียน ดาวนับเฉพาะเมื่อผู้ลงทะเบียนเป็นเจ้าของ repo

คำถามที่พบบ่อย

Data Aggregator ปลอดภัยไหม?

จากการตรวจเบื้องต้นของเรา ผ่าน 1 จาก 1 ข้อที่ตรวจได้ เรายังไม่ได้อ่านโค้ด ก่อนใส่กุญแจหรือ token ให้ดูว่า server ขอสิทธิ์อะไร และเลือกกุญแจที่ทำได้เท่าที่จำเป็น

ต้องใช้กุญแจหรือรหัสอะไรบ้าง?

ต้องใส่ค่าเหล่านี้: NCBI_API_KEY, LLM_API_KEY, EMBEDDING_API_KEY, DATA_GOV_API_KEY

ตัวนี้รันบนเครื่องหรือบนคลาวด์?

รันบนเครื่องของคุณ โปรแกรม AI จะเปิด server ขึ้นมาเองเมื่อใช้ ข้อมูลไม่ต้องผ่านเซิร์ฟเวอร์ของผู้ทำ (ยกเว้นตัวที่ไปเรียกบริการออนไลน์ต่อ)

ยังมีคนดูแลอยู่ไหม?

repo บน GitHub มีการแก้โค้ดล่าสุด – และส่งรุ่นล่าสุด (0.75.4) เข้า registry 18 วันที่ผ่านมา

ใช้กับโปรแกรมไหนได้บ้าง?

โปรแกรมที่รองรับ MCP เช่น Claude Desktop, Claude Code, Cursor และ VS Code ตัวนี้ต้องมี Python (uv) ในเครื่องด้วย

มีตัวไหนใช้แทนได้บ้าง?

ในหมวดเดียวกันมี Context7, Codebase Memory, Exa

ตัวที่ใช้แทนได้

server หมวดเดียวกันจากผู้ทำคนอื่น เรียงตามดาว

อ่านการ์ด:★ ดาว GitHubiสามเสา: รีวิว · ผลตรวจ · การใช้งานiอัปเดต = วันที่ส่งรุ่นล่าสุดเข้า registryi

Context7

โดย upstash

ส่งคู่มือการใช้ไลบรารีและเฟรมเวิร์กรุ่นล่าสุดให้ AI อ่านก่อนตอบ ช่วยให้โค้ดที่ AI เขียนไม่ใช้คำสั่งเก่าที่เลิกใช้แล้ว

บนเครื่องหรือคลาวด์★ 64,224MITอัปเดต เมื่อวาน

ติดตั้ง

Codebase Memory

โดย DeusData

Codebase knowledge graph for AI agents — 162 languages, sub-ms queries, 99% fewer tokens.

รันบนเครื่อง★ 48,148MITอัปเดต 21 วันที่ผ่านมา

ติดตั้ง

Exa

โดย exa-labs

Connect AI agents to Exa for web search, content fetching, and multi-step research.

รันบนคลาวด์★ 5,213MITอัปเดต เดือนที่แล้ว

ติดตั้ง

README จากผู้ทำ

เปิดอ่าน README

ส่วนนี้คัดจาก repo ของผู้ทำตามต้นฉบับ PopNx MCP ไม่ได้ตรวจหรือรับรองเนื้อหา ตัด HTML รูปภาพ และสคริปต์ออกแล้ว ลิงก์จะพาออกนอกเว็บ

data-aggregator-mcp

data-aggregator-mcp is an MCP server that lets AI agents search 21 public research-data sources at once and get back one deduplicated list.

Install

Claude Code:

claude mcp add data-aggregator -- uvx data-aggregator-mcp

One-click install for VS Code or Cursor:

Any other MCP client: run uvx data-aggregator-mcp as a stdio server.

Claude Desktop, pip, and the operate extra

Claude Desktop (claude_desktop_config.json) and most other clients:

"mcpServers": { "data-aggregator": { "command": "uvx", "args": ["data-aggregator-mcp"], "env": { "NCBI_API_KEY": "your-optional-key" } } } }

With pip:

pip install data-aggregator-mcp

data-aggregator-mcp # or: python -m data_aggregator_mcp

operate (SQL and previews over remote files) needs an optional extra: pip install "data-aggregator-mcp[operate]".

What you can ask

"Find transcriptomes for Orobanche aegyptiaca." The species was renamed; NCBI Taxonomy maps it to *Phelipanche aegyptiaca*, and the sources that accept synonyms match both names (the demo above).

"What data came out of this paper?"

resolve("pubmed:40098680")

links geo:GSE284240, bioproject:PRJNA1198054, and 18 sra: experiments files PMC11910882.xml (open-access full text)

"Can I train a model on this dataset?"

resolve("hf:scikit-learn/iris", use="ml-training")

license_compat ALLOW: "CC0-1.0 grants the permission(s) required for ml-training: commercial-use, modifications"

The verdict is read from the record's license metadata; it is advice, not a legal opinion. resolve also renders citations in any CSL style, checks Crossref for retractions, scores FAIRness, and exports Croissant or RO-Crate. relate reports how a set of records connect (a shared accession, DOI or explicit link).

How a search runs

A source that fails is named in the result's errors, never dropped silently.

What each source can fetch, and which checksum it is verified against: docs/sources.md.

What the benchmark shows

An agent using this server was compared with the same agent using web search, on held-out dataset-finding tasks scored by recall against independently built answer keys, 3 runs per task. Mean recall, server against web search: Claude Haiku 5.5 0.47 against 0.32 (higher on 8 of 10 tasks), Sonnet 5.5 0.54 against 0.52 (5 of 10), Opus 5.5 0.72 against 0.58 (6 of 10). With Haiku the server met round 5's pre-registered "better" rule (higher on at least 8 of 10 tasks, interval above 0) but not the stricter bar for a win across model tiers (9 of 10, Holm-adjusted sign test, p = 0.22); Sonnet and Opus met neither. With Opus it returned fewer wrong entries and answered in about a third of the time; with Sonnet it was faster on 9 of 10 tasks; with Haiku it cost less on 9 of 10.

The two latest Opus 5.5 rounds (2026-10-19, rules written before the runs):

Tools given to the agent	Round 4 (5 tasks)	Round 5 (10 tasks)
this server	0.66	0.72
web search	0.66	0.58
ToolUniverse	0.59	0.63
no tools (memory only)	0.02	0.09

In round 5 this server was higher on 6 of 10 tasks, where the pre-set rule needed 8. Web search hit the 15-minute limit in 11 of 30 runs, and a run that times out scores

In runs that finished, web search found more (0.90). The server answered in 203 s

against 599 s (median), with fewer tool calls and fewer wrong entries (precision 0.95 against 0.62). It cost more per run than web search ($2.08 against $1.51, API-equivalent).

We chose the tasks and ran the benchmark ourselves; an outside re-run is welcome. Method and controls: benchmarks/h2h; the Haiku and Sonnet runs: 2026-10-20 re-run.

Compared with other servers

Server	Searches	One search	Checksum	Remote SQL	License check
data-aggregator-mcp	21 sources: data archives, omics, papers	yes, DOI dedup	where published	yes	yes
Mobus	20 general and ML data platforms	yes	—	row preview	yes
paper-search-mcp	papers: arXiv, PubMed, OpenAlex, Crossref and more	yes, deduplicated	—	—	—
ToolUniverse	1000+ tools: models, datasets, APIs, packages	papers	—	—	—
BioMCP	genes, variants, trials, drugs, proteins, papers	yes (`search all`)	—	—	—

— means the project's README doesn't describe it (READMEs read 2026-10-04). Where they are ahead: BioMCP reaches clinical trials, ChEMBL and AlphaFold; ToolUniverse covers far more ground overall; paper-search-mcp covers far more literature sources; Mobus also compares datasets and checks schema compatibility. More: docs/POSITIONING.md.

Reference and development

Every tool and parameter, the HTTP transport (--transport http) and the environment variables: docs/reference.md. Sources that need every word of a query, and how they are searched: every-word sources. Tests, linting and the live API probes: CONTRIBUTING.md.

License

MIT. See LICENSE.

Data Aggregator

ภาพรวม

สามเสาของ PopNx MCP

ใช้ทำอะไรได้

ติดตั้ง

ก่อนติดตั้ง

ค่าที่ต้องใส่เอง

ทำอะไรได้บ้าง

ผลตรวจเบื้องต้นi

ตัวตนผู้ทำตรงกับ repo

ยังมีคนดูแล

มีสัญญาอนุญาต (license)

endpoint ตอบ

ล็อกอินแบบ OAuth

คำอธิบายเครื่องมือไม่มีคำสั่งแอบแฝง

เทียบกับตัวอื่นในหมวด ค้นข้อมูลและความจำของ AIi

คำถามที่พบบ่อย

ตัวที่ใช้แทนได้

Context7

Codebase Memory

Exa

README จากผู้ทำ

data-aggregator-mcp

Install

What you can ask

How a search runs

What the benchmark shows

Compared with other servers

Reference and development

License