obsei MCP
Анализ отзывов клиентов на своем сервере: персональные данные скрыты до модели, а MCP-сервер и скилл отдают агенту цитаты из отзывов
- 1 440 ★ репозитория
- Последний коммит
- Apache-2.0
Расширенный доступ
Почему такой уровень
- Инструменты MCP читают базу отзывов клиентов, где персональные данные скрыты, но тексты остаются чужим вводом
- Запуск obsei run ходит по сети в источники с вашими ключами и отправляет результаты в Slack, Jira, Linear или GitHub
Установка
- Работает в
Ручная установка
/plugin install obsei --marketplace obsei/obseiПлагин ставит MCP-сервер и скилл voice-of-customer. Перед использованием настройте obsei: obsei init и obsei run.
Доступ и проверки
Как мы проверяемРасширенный доступИнструмент запускает код или ходит в сеть, а внешние данные только читает.
- Инструменты MCP читают базу отзывов клиентов, где персональные данные скрыты, но тексты остаются чужим вводом
- Запуск obsei run ходит по сети в источники с вашими ключами и отправляет результаты в Slack, Jira, Linear или GitHub
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
obsei — платформа с открытым кодом для анализа обратной связи клиентов, которая работает на вашем сервере. В новой папке вы запускаете obsei init, добавляете источники командой obsei add (App Store, Google Play, Zendesk, GitHub issues, почта по IMAP, CSV, REST и другие) и выполняете obsei run. Инструмент забирает отзывы, скрывает адреса почты, телефоны, номера карт и IBAN, подменяет авторов псевдонимами, размечает тональность, намерение и язык и сохраняет результат в зашифрованную базу DuckDB. Для агентов в репозитории лежит плагин. Его MCP-сервер запускается командой obsei mcp по stdio и отдает пять инструментов: list_themes, feedback_stats, search_feedback, get_feedback и propose_issue. Скилл voice-of-customer ведет агента по шагам: сначала темы, затем объемы по тональности, источнику или языку, затем поиск цитат, в том числе на языках клиентов, и ответ с цитатами и номерами записей вида rec_. Инструмент propose_issue только ставит задачу в очередь на одобрение человеком. Разметку делает локальный классификатор внутри процесса или модель из Ollama, vLLM, Azure OpenAI, OpenAI, Bedrock и Vertex через LiteLLM. Запросы к публичным адресам блокируются, пока вы не выберете OBSEI_EGRESS_MODE=private или hybrid.
Для кого. Для продуктовых менеджеров, аналитиков и служб поддержки, которые разбирают отзывы и тикеты с помощью Claude Code, Codex или Gemini CLI и не могут отправлять тексты клиентов во внешние сервисы.
Подходит, если
- Нужно спросить агента, о чем пишут клиенты в отзывах App Store и тикетах, и получить ответ с цитатами и номерами записей
- Тексты клиентов нельзя отправлять во внешний сервис или публичную модель, поэтому разбор должен идти на вашем сервере
- Отзывы из магазинов приложений, Zendesk, почты и CSV надо собрать в одну базу и сгруппировать по темам на разных языках
- Агент должен предлагать задачи в GitHub, Jira или Linear по найденным проблемам, а одобрять их будет человек
- Нужны оповещения в Slack или Teams, когда тема отзывов резко растет
Не подходит, если
- Нужна готовая облачная служба: obsei ставится и настраивается самостоятельно и требует Python 3.11 или новее
- Агент должен сам менять тикеты и задачи: инструменты MCP только читают, а запись идет через очередь одобрений
- Вы работаете на версии 0.0.x: выпуск 1.0 написан заново и с ней несовместим, старый код лежит в ветке legacy/0.0.x
- Нужен источник Reddit из коробки: он поставляется неопубликованным плагином сообщества, который ставят из Git
Пример запроса к агенту
Что клиенты пишут про вход в аккаунт за последний месяц? Дай три цитаты на языке оригинала с номерами записейMCP
- Транспорт
- stdio
- Авторизация
- не нужна
Переменные окружения
OBSEI_CONFIGобязательная- Абсолютный путь к файлу obsei.yaml
OBSEI_DB_KEYсекрет- Ключ шифрования базы, нужен, если нет .obsei/secrets.env рядом с obsei.yaml
Ограничения
- Версия 1.0 вышла 15.10.2026. Автор ведет проект в свободное время с большой долей автоматизации, а новые возможности появятся, только если их возьмется делать участник сообщества.
- В официальные каталоги плагинов Claude Code, Codex и других агентов obsei пока не входит, плагин ставится прямо из репозитория.
- Сбор отзывов плагин не запускает. Перед подключением MCP нужны файл obsei.yaml и база после obsei run, иначе читать нечего. Ключ базы OBSEI_DB_KEY лежит в .obsei/secrets.env или задается переменной среды.
- Фильтр персональных данных находит адреса почты, телефоны, карты, IBAN и национальные номера 16 стран, имена скрываются только с установкой obsei[names]. Соответствие GDPR, DPDP, LGPD и CCPA автор не заявляет: средства лишь помогают, оператором данных остаетесь вы.
- Без obsei[embeddings] офлайн-модель группирует отзывы по словам, и каждый язык образует свои темы.
- Лицензия Apache-2.0.
Как отключить. Удалите плагин obsei через меню /plugin в Claude Code или уберите сервер obsei из настроек MCP вашего клиента. Данные остаются в папке проекта: ключ и база лежат в .obsei, а стереть сведения о людях можно командой obsei forget.
Частые вопросы
Как подключить obsei к Claude Code?
Выполните /plugin install obsei --marketplace obsei/obsei. Плагин приносит MCP-сервер и скилл voice-of-customer. Для любого другого MCP-клиента сервер запускается командой uvx --from "obsei>=1.0" obsei mcp.
Как obsei защищает персональные данные в отзывах?
База DuckDB шифруется ключом OBSEI_DB_KEY, авторы заменяются псевдонимами с солью, телеметрии нет. Команды `obsei forget`, `obsei export` и `obsei audit` стирают сведения, выгружают их и показывают журнал.
Может ли агент сам создать задачу в Jira или GitHub по отзывам?
Нет. Инструмент propose_issue только ставит предложение в очередь одобрений и возвращает идентификатор. Задачу создает человек после подтверждения командой obsei approvals approve.
Что будет, если в отзыве написана инструкция для агента?
Текст клиентов в ответах MCP помечен как untrusted: true, а скилл требует не выполнять инструкции из него. Агент цитирует отзыв и указывает номер записи, чтобы цитату можно было проверить вызовом get_feedback.
Можно ли разбирать отзывы без облака и внешних моделей?
Можно. По умолчанию классификатор работает внутри процесса на процессоре, база зашифрована, телеметрии нет, а обращения на публичные адреса отклоняются, пока вы не выберете режим private или hybrid в OBSEI_EGRESS_MODE.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
MCP-серверыНеофициальный MCP-сервер Checko.ru для проверки контрагентов: ЕГРЮЛ, ЕГРИП, финансы, арбитраж, госконтракты и банкротства
MCP сервер и скиллы для продуктовой аналитики: пути пользователей, воронки, сегменты и графы переходов по событийным логам
MOEX ISS и риск-аналитика MCP
MOEX Market Analyst Agent (OpenRouter + MCP)
Два MCP-сервера данных Мосбиржи и портфельного риска из проекта мультиагентного аналитика MOEX: котировки, VaR и CFO-отчеты
Python MCP-сервер только для чтения официального ISS API Мосбиржи: акции, облигации, фьючерсы FORTS и дивиденды
MCP-сервер с набором инструментов для сводок по миру: рынки, отчеты SEC, конфликты, климат и новости из открытых источников
MOEX MCP сервер с кэшем и повторами
MOEX MCP сервер
Опубликованный в npm MCP-сервер ISS Мосбиржи с 10 инструментами, SQLite-кэшем и отказоустойчивыми повторами запросов
Из блога
Коротко о README
Описание начинается с принципов: приватность по умолчанию, свои источники и модели, работа через агентов, много языков. Дальше идут быстрый старт командами obsei, таблица встроенных источников, приемников и видов анализа, установка плагина в Claude Code, Codex, Copilot CLI и Gemini CLI и раздел о дорожной карте. В репозитории есть пакет packages/obsei с тестами, галерея примеров конфигураций, файлы llms.txt и llms-install.md для агентов, документация и блог.