Mirobody MCP Server

社区

AI 原生的健康数据引擎：采集、翻译、智能体推理。

分类: 其他第 119 / 230
Stars: ★ 1.4k 非常热门
传输方式: stdio（本地进程） · SSE · Streamable HTTP
运行环境: Python 3.12+ · Docker
凭据: 可选 API Key
许可证: Apache-2.0
最近提交: 今天

54FMRS · D

Mirobody 是一个以 Apache-2.0 开源的 AI 原生健康数据引擎，把化验单、可穿戴与基因组数据统一为 LOINC 编码、UCUM 归一化、FHIR 友好的格式，并以 MCP 形式向 Claude Desktop、Cursor 或自建智能体提供智能体工具。它面向需要自托管、标准化健康数据的开发者与团队，并不适合只想用云端即开即用产品、或期望本地 GPU 推理的用户。使用时需注意健康数据的敏感性、照护圈共享授权、演示种子数据开关，以及文档内容会经托管模型提供方处理。

最强项 · 维护活跃度 13/20 最弱项 · 可靠性 9/20

可靠性

9/20

安全与权限

11/20

维护活跃度

13/20

文档质量

12/20

安装易用性

9/20

查看各项评分依据

可靠性 9/20: README 显示这是一个自托管服务，通过 ./deploy.sh 启动 Postgres + pgvector、Redis、server 和 worker，并声称在 /mcp 暴露完整 agent 工具。但本次审查为纯静态审查，未执行任何代码，且所提供的材料中不含 server manifest（标注为 [not cached]），无法核实 MCP 初始化握手、工具清单与实际行为是否一致。README 提到 mirobody/tests/test_engine_coverage.py 覆盖 213/213，但仅在文档层面声称，没有可见的 CI 工作流或提交的测试证据支持 MCP 关键路径可复现。离线 resolver 的名称到代码映射路径描述较为具体（含弃权语义），可信度尚可，但整体握手与服务端行为未验证，按静态校准上限（无 CI+测试证据不得高于 12）扣分。
安全与权限 11/20: 证据显示使用 Apache-2.0，密钥只放在 .env，config.llm.yaml 仅引用 OPENROUTER_API_KEY 等变量名而非明文，安装示例中未出现真实 token，未见恶意代码或隐蔽外传的迹象。但存在若干未决风险：agent 工具会读取原始医疗文档、报告图片并调用外部托管的 LLM 供应商（OpenRouter/DashScope/OpenAI/Anthropic/DeepSeek），文档未明确披露发送给第三方的数据范围、脱敏或 PHI 处理边界；“agent”阶段包含 eval REPL（langchain-quickjs）类能力，是否对危险操作有确认机制未见说明。默认开启 SEED_DEMO_DATA，文档虽提示生产环境改为 false，但默认配置存在数据混淆风险。权限模型（care_circle_members.health_access 默认 0、越权返回 403）描述清晰，为加分项。综合：主要风险可见但数据流披露与确认机制不完整，未触及红线，给 11 分。
维护活跃度 13/20: 仓库登记 1322 stars、1 个 open issue、未归档，Apache-2.0 许可与 SECURITY.md、CHANGELOG、CONTRIBUTING、roadmap 均有链接，README 表示“releases land most weeks”，并附有 arXiv 论文、HuggingFace 基准与独立 eval 仓库，治理结构看似完整。但静态材料无法核验最近提交时间、issue 响应速度和依赖更新节奏；README 中 arXiv 编号（2604.02834）与版权年份 2026 属未来日期，存在真实性存疑的信号，需扣分。未见已知 CVE 或停止维护的证据。综合给 13 分。
文档质量 12/20: 文档层级丰富：README 提供 60 秒 uvx 试跑、Python API 示例（resolve/resolve_reading 及其弃权语义）、部署步骤、模型与密钥配置说明、MCP 启用位置（Settings → MCP，/mcp，按用户授权）以及多个 docs.mirobody.ai 章节链接，还明确区分“离线 resolver”与“托管 LLM”，这一限制披露较好。扣分点：MCP 工具的参数清单、鉴权方式、限额与成本、错误排查步骤在给定材料中缺失（server manifest 未缓存）；README 中部分外部链接、论文编号与年份无法静态验证；troubleshooting 主要靠 docs 站点，本地材料自足性不足。综合给 12 分。
安装易用性 9/20: README 给出相对清晰的多步流程：git clone --depth 1、git lfs install && git lfs pull（拉取 LOINC bundle，否则只是指针桩，这是易错点）、./deploy.sh 启动 Postgres/pgvector、Redis、server 与 worker 到 localhost:18060，并提供演示账号与可注册的账号请求、默认 SEED_DEMO_DATA 说明。存在明显摩擦：需要 Docker、Git LFS、单独 .env 放置 API key（shell export 无效，必须重启容器），且本地机器虽不推理但仍需外部托管模型密钥，实际门槛不低。MCP 客户端（Claude Desktop/Cursor）的具体配置示例未在材料中给出，仅有指向文档的链接。无执行证据，按静态校准上限（无 CI+测试证据不得高于 15）进一步下调，给 9 分。

静态评测 · 未实际运行收录于 2026-09-18

查看 FMRS 评分方法 →

选型与风险

能访问什么读取本地文件访问网络连接数据库

适合谁

需要把异构化验单与可穿戴数据标准化的开发者或医疗数据团队
希望自托管、以 Apache-2.0 开源、面向 FHIR 的健康数据栈的团队
把健康数据工具接入 MCP 客户端（如 Claude Desktop、Cursor）的用户
需要在无网络、无密钥环境下做离线术语与单位解析的场景

不适合谁

希望开箱即用、无需自托管部署的纯云端用户
需要本地 GPU 推理的用户——本项目的推理依赖托管模型 API
不适合把本项目当作官方医疗诊断或持牌临床决策系统使用
不愿配置任何模型 API 密钥、但需要文档抽取与智能体问答的场景

所需权限

读取用户上传或导入的健康文档与设备数据（化验单、可穿戴、基因组）
访问用户健康记录，包括照护圈中他人共享的记录（按每行 health_access 字段授权）
调用托管模型提供方 API（密钥放在 .env 的 OPENROUTER_API_KEY 等变量中）
以 MCP 端点为客户端提供智能体工具，权限按用户授予

风险与副作用

健康数据属于高度敏感的个人信息，自托管部署若被未授权访问会直接泄露病历
照护圈共享：成员在被邀请后仍需自行在自己的行上开启 health_access，未校验该字段的路由应返回 403 而非交出记录
演示默认开启 SEED_DEMO_DATA，用于存放真实数据前应设为 false，否则可能混入合成数据
文档与照片会发送到所配置的托管模型提供方，仅扫描页会送至视觉模型，需评估数据出境与合规
项目自称非本地 LLM，若误以为全部离线，可能在无网络环境下失败
上游模型 API 密钥一旦写入 .env，需防止被提交或泄露

安装接入

准备工作

运行环境：Python 3.12+ · Docker

OPENROUTER_API_KEY 可选密钥推荐的托管模型密钥，写入 .env 文件，从 openrouter.ai/keys 获取；仅代理/推理需要，离线解析不需要。

OPENAI_API_KEY 可选密钥替代 OpenRouter 的模型密钥，从 platform.openai.com/api-keys 获取，写入 .env。

ANTHROPIC_API_KEY 可选密钥替代模型密钥，从 platform.claude.com/settings/keys 获取，写入 .env。

其他可选配置项（2 个）

SEED_DEMO_DATA 可选默认开启时填充演示护理圈数据；设为 false 用于存真实数据的部署。

AGENT_DIRS 可选指向自定义 agent 目录以替换内置 agent。

克隆仓库：git clone --depth 1 https://github.com/thetahealth/mirobody.git && cd mirobody
拉取大文件：git lfs install && git lfs pull（解析器所需的 LOINC 数据包）
运行 ./deploy.sh，启动 Postgres + pgvector、Redis、服务端与 worker，访问 http://localhost:18060
使用 [email protected]、验证码 111111 登录；如需自己的账号可调用 POST /password/register
在 .env 中填入一个托管模型 API 密钥（推荐 OPENROUTER_API_KEY，也可用 OpenAI、Anthropic、Google 或 DashScope），然后 docker compose restart；浏览种子数据无需密钥
在客户端（如 Claude Desktop、Cursor）中配置 MCP：所有智能体工具同时通过 /mcp 端点提供，按用户授权

验证是否装好

启动 ./deploy.sh 后访问 http://localhost:18060，确认 MCP 端点 /mcp 在 Claude Desktop/Cursor 设置中可见并返回健康状态；离线可运行 uvx mirobody resolve "LDL cholesterol" 验证解析器返回 LOINC 码。

常见排障

解析结果为空或错误：运行 mirobody resolve "<术语>" 检查；类别型术语（如血脂）会返回空而非猜测
同一名称在不同单位下返回不同 LOINC 编码：需同时传入数值与单位，使用 resolve_reading(name, value, unit)
启动失败：确认已执行 git lfs pull 以获得 LOINC 数据包，且 ./deploy.sh 已启动 Postgres、Redis、服务端与 worker
模型调用失败：检查 .env 中的密钥变量名是否与 config.llm.yaml 中的 api_key 一致，并 docker compose restart；shell export 不会传入容器
克隆体积过大：使用 --depth 1；如需提交 PR 则去掉该参数
MCP 客户端未出现工具：确认部署可访问且工具端点 /mcp 已按用户授权，可参考 examples/07_claude_agent_sdk.py

试试这样问

连接成功后，可以直接对 AI 助手这样说：

把这份化验单里的指标解析成标准 LOINC 编码
画出 Demo 记录里两年的 HbA1c 趋势并说明变化
解析 reading 'total cholesterol 5.0 mmol/L' 对应哪个 LOINC 码

使用场景

把化验单 PDF、图片、Excel、Word、PowerPoint 或文本解析为带数值与单位的指标读数

把多语言检验项目名称解析为 LOINC 编码，并把单位归一化为 UCUM

把 Apple Health 导出文件导入为统一格式的健康记录

让智能体在原始文档与传感器数据序列上推理，并给出图表与引用

在自托管部署中通过 MCP 把健康数据工具接入 Claude Desktop、Cursor 或自建智能体

支持客户端

Claude Desktop

Cursor

依据项目文档列出，未经本站实测。

详细介绍

Mirobody 是一个 AI 原生的健康数据引擎，把化验单、可穿戴设备与基因组数据统一成 AI 可读的语言：LOINC 编码、UCUM 单位归一化、面向 FHIR。它分三个阶段工作：采集（3 个设备提供方、7 种文件格式、Apple Health 导入）、翻译（把任何读数解析为 LOINC · SNOMED CT · RxNorm 规范编码并归一化单位）、智能体（智能体通过虚拟文件系统阅读原始文档，并带图表与引用作答）。代码库内包含 440,961 个概念节点、22,044,110 条跨词表边、49,253 条多语言别名（中文 22,578 · 日语 16,809，以及德·西·法·韩·俄），并附带简体／繁体中文折叠表。解析器可离线运行，不需要密钥与网络；整个栈可通过 ./deploy.sh 自托管，并以 MCP 形式向 Claude Desktop、Cursor 或自建智能体提供每一项智能体工具（位于 /mcp，按用户授权）。项目以 Apache-2.0 许可开源，同时支撑面向消费者的健康产品 Theta Wellness。