후지쯔 소셜 디지털 트윈 MCP 서버
이 프로젝트에서는 Fujitsu의 Social Digital Twin과 Digital Rehearsal API를 Model Context Protocol(MCP) 과 통합하여 대규모 언어 모델(LLM)이 자연어를 통해 Fujitsu의 Digital Rehearsal API에 액세스할 수 있도록 합니다.
개요
후지쯔의 소셜 디지털 트윈은 현실 세계 데이터를 기반으로 디지털 공간에서 사람과 사물의 상태뿐만 아니라 경제 및 사회 활동 전반을 재현합니다. 핵심 기능인 "디지털 리허설"을 통해 사용자는 현실 세계에 조치를 적용하기 전에 디지털 공간에서 인간 및 사회적 행동을 시뮬레이션하여 그 효과와 영향을 사전에 검증할 수 있습니다.
이 프로젝트에서는 MCP를 사용하여 LLM과 Digital Rehearsal API 간의 격차를 해소하고, 사용자가 자연어를 사용하여 시뮬레이션을 실행하고 결과를 분석할 수 있도록 합니다.
Related MCP server: Lark MCP Server
주요 특징
시뮬레이션 목록 검색 및 표시
시뮬레이션 시작
시뮬레이션 결과 검색 및 분석
시뮬레이션 데이터 관리
교통 시뮬레이션 분석
시나리오 비교
자연어에서 시뮬레이션 구성 생성
필수 조건
설치
Smithery를 통해 설치
Smithery를 통해 Claude Desktop용 Fujitsu Social Digital Twin Server를 자동으로 설치하려면:
지엑스피1
1. 저장소 복제
git clone https://github.com/3a3/fujitsu-sdt-mcp.git
cd fujitsu-sdt-mcp
2. 환경 설정
uv 사용(권장) :
먼저, uv를 설치하세요:
# Install uv using pip
pip install uv
# Or using curl (Linux/macOS)
curl -sSf https://astral.sh/uv/install.sh | sh
그런 다음 uv를 사용하여 환경을 설정하세요.
# Create virtual environment
uv venv
# Activate virtual environment
# Windows:
.venv\Scripts\activate
# Unix/MacOS:
source .venv/bin/activate
# Install dependencies
uv pip install -r requirements.txt
또는 제공된 설정 스크립트를 사용할 수 있습니다.
# Make the script executable
chmod +x setup.sh
# Run setup
./setup.sh
3. 환경 변수 설정
# Windows:
set FUJITSU_API_BASE_URL=https://apigateway.research.global.fujitsu.com/sdtp
set FUJITSU_API_KEY=your_api_key_here
# Unix/MacOS:
export FUJITSU_API_BASE_URL=https://apigateway.research.global.fujitsu.com/sdtp
export FUJITSU_API_KEY=your_api_key_here
또는 다음 설정을 사용하여 .env 파일을 만들 수 있습니다.
FUJITSU_API_BASE_URL=https://apigateway.research.global.fujitsu.com/sdtp
FUJITSU_API_KEY=your_api_key_here
용법
MCP 서버 시작
python -m fujitsu_sdt_mcp
서버는 표준 I/O를 사용하여 MCP 클라이언트와 통신합니다.
대화형 클라이언트 사용
MCP 서버와 직접 상호 작용할 수 있는 간단한 클라이언트도 제공됩니다.
클라이언트를 시작하면 사용 가능한 리소스와 도구 목록이 표시되고, 명령줄에서 이를 호출할 수 있습니다.
Claude Desktop으로 설정
Claude Desktop과 같은 MCP 호환 LLM 클라이언트와 함께 서버를 사용하려면:
클로드 데스크톱 열기
설정 > 개발자 설정 > 구성 파일 편집으로 이동하세요.
다음 설정을 추가합니다.
"command": "uvx",
"args": [
"fujitsu-sdt-mcp"
],
"env": {
"FUJITSU_API_BASE_URL": "https://apigateway.research.global.fujitsu.com/sdtp",
"FUJITSU_API_KEY": "your_api_key_here"
}
Claude Desktop을 다시 시작하세요
리소스 및 도구
자원
resource://digital_rehearsal_overview : 디지털 리허설 기술 개요
resource://simulation_metrics_explanation : 시뮬레이션 메트릭에 대한 설명
resource://scenario_examples : 예시 시나리오
도구
list_simulations : 시뮬레이션 목록을 검색합니다.
start_simulation : 시뮬레이션을 시작합니다
get_simulation_result : 시뮬레이션 결과 검색
get_metrics : 시뮬레이션 메트릭 검색
list_simdata : 시뮬레이션 데이터 목록을 검색합니다.
get_simdata : 시뮬레이션 데이터 검색
analyze_traffic_simulation : 교통 시뮬레이션 분석
compare_scenarios : 시나리오 비교
create_natural_language_simulation_config : 자연어에서 시뮬레이션 설정 생성
사용 예
시뮬레이션 목록 검색
시뮬레이션 시작
tool start_simulation {"simdataId": "your_simdata_id"}
교통 시뮬레이션 분석
tool analyze_traffic_simulation {"simulationId": "your_simulation_id", "region": "Tokyo", "timeRange": "morning rush hour", "scenario": "traffic optimization"}
자연어에서 시뮬레이션 설정 생성
tool create_natural_language_simulation_config {"description": "I want to run a traffic optimization simulation during morning rush hour in Tokyo"}
LLM 상호 작용 예시
User: I want to run a traffic simulation during morning rush hour in Tokyo
Claude: I can help you run a traffic simulation for Tokyo's morning rush hour. Here's how we can set it up.
First, let's generate simulation settings from your natural language description:
[Tool execution: create_natural_language_simulation_config]
Generated settings:
{
"simulationType": "traffic",
"parameters": {
"region": "Tokyo",
"timeRange": "morning_rush"
},
"name": "traffic_20250416_123045"
}
Next, let's check available simulation data:
[Tool execution: list_simdata]
From this data, I can start a simulation using Tokyo's morning traffic data.
I've selected the appropriate simulation data ID and will start the simulation:
[Tool execution: start_simulation]
The simulation has started. The simulation ID is "sim_12345".
It will take some time for the results to be available. Once complete, I'll analyze them.
(After simulation completes)
Let's analyze the simulation results:
[Tool execution: analyze_traffic_simulation]
Analysis results:
- CO2 emissions: 1,250kg
- Average travel time: 42 minutes
- Total traffic volume: 15,700 vehicles
From these results, I can see that the Shibuya-Shinjuku route experiences particularly severe congestion.
Here are some potential improvements:
1. Optimize traffic signal control
2. Implement one-way traffic on certain roads during specific times
3. Increase public transportation frequency
Would you like to see a more detailed analysis?
기여하다
버그나 기능 요청은 GitHub Issues를 통해 알려주세요. 풀 리퀘스트도 환영합니다.
특허
이 프로젝트는 MIT 라이선스에 따라 배포됩니다. 자세한 내용은 라이선스 파일을 참조하세요.
감사의 말
