dataciviclab/dcl-mcp

Il modo più rapido per consultare il Lab e partecipare alle sue discussioni
da un agente AI, senza clonare nessun repository.
Un solo server, nome dataciviclab, 12 tool.
## Cosa ti dà
| Puoi… | Con | Cosa ottieni |
| capire com'è organizzato il Lab | session_bootstrap, lab_map | domini, repo, fonti, stato recente |
| trovare un dataset o un'analisi | find, explore | slug, anni, colonne, marts, dove sta il parquet |
| leggere i dati pubblicati | gcs_query | SELECT su clean e mart, read-only (max 500 righe) |
| capire se due dataset si possono unire | join_suggestions | coppie di colonne, overlap anni, mismatch di tipo |
| vedere cosa è aperto | workspace_triage, find(include_github=true) | PR, issue, discussioni del tema |
| partecipare | github_get_discussion, github_create_discussion, github_add_discussion_comment | leggi, apri, commenta |
## Cosa non puoi fare
Il server è read-only sui dati e non esegue pipeline:
non scarica né trasforma dati → usa toolkit, sul repo locale
non modifica file nei repo né apre PR → usa il server github
non pubblica dataset né rigenera il catalogo → lo fa la CI di
agent-context-builder
## Tre percorsi
### 1. Mi oriento
session_bootstrap() # cosa è successo nel Lab
lab_map() # domini → repo → fonti
find("rifiuti urbani") # cerca dataset, analisi, repo, fonti
explore("ispra_ru_base") # card: anni, colonne, marts, gcs_path
### 2. Mi serve un numero verificabile
find("irpef comunale") # trova lo slug
explore("irpef_comunale") # controlla colonne e periodo
gcs_query(slug="irpef_comunale", sql="SELECT count() FROM _data")
clean_rows nella card è il conteggio dell'ultimo snapshot pubblicato, non
la serie completa: per un numero citabile usa sempre count() via
gcs_query.
### 3. Voglio partecipare
find("appalti", include_github=true) # cosa è già aperto
github_get_discussion(number=123, include_comments=true)
github_list_discussion_categories() # prima di creare
github_create_discussion(category_name="…", title=…, body=…)
github_add_discussion_comment(number=123, body=…)
## Installazione
bash
pip install "lab-connectors[mcp,duckdb] @ git+https://github.com/dataciviclab/lab-connectors.git"
pip install "dcl-mcp @ git+https://github.com/dataciviclab/dcl-mcp.git"
Config OpenCode (V2):
jsonc
"mcp": {
"servers": {
"dataciviclab": {
"type": "local",
"command": ["dcl-mcp"],
"environment": { "DCL_MCP_ENV_FILE": "/percorso/.env" }
Per altri client che usano il formato mcpServers, l'entry è
{"command": "dcl-mcp", "env": {...}}.
| Env var | Ruolo | Obbligatoria |
| GITHUB_TOKEN (o GITHUB_PERSONAL_ACCESS_TOKEN / GH_TOKEN) | Discussions e find(include_github=true) — GraphQL richiede auth anche in lettura | sì, per discussions/write |
| DCL_MCP_ENV_FILE | Path a un file .env (fallback: .env cercato verso l'alto dal cwd) | no |
| ACB_REPO / ACB_BRANCH | Sorgente artefatti contesto (default: ACB, branch context) | no |
## Riferimento tool
| Famiglia | Tool | Cosa fa |
| Context | session_bootstrap | Orientamento rapido (markdown) |
| | lab_map(domain=) | Domini → repo → fonti; con domain= i totali sono quelli del dominio |