Bayesianisches MCP

Ein Model Calling Protocol (MCP)-Server für Bayesianisches Denken, Inferenz und Belief-Updates. Dieses Tool ermöglicht LLMs die Durchführung strenger Bayesianischer Analysen und probabilistischer Schlussfolgerungen.

Merkmale

🧠 Bayesianische Inferenz : Aktualisieren Sie Überzeugungen mit neuen Beweisen unter Verwendung von MCMC-Sampling
📊 Modellvergleich : Vergleichen Sie konkurrierende Modelle anhand von Informationskriterien
🔮 Prädiktive Inferenz : Generieren Sie Vorhersagen mit Unsicherheitsquantifizierung
📈 Visualisierung : Erstellen Sie Visualisierungen von Posterior-Verteilungen
🔌 MCP-Integration : Nahtlose Integration mit jedem LLM, das MCP unterstützt

Installation

Entwicklungsinstallation

Klonen Sie das Repository und installieren Sie Abhängigkeiten:

git clone https://github.com/wrenchchatrepo/bayesian-mcp.git
cd bayesian-mcp
pip install -e .

Anforderungen

Python 3.9+
PyMC 5.0+
ArviZ
NumPy
Matplotlib
FastAPI
Uvicorn

Schnellstart

Starten des Servers

# Run with default settings
python bayesian_mcp.py

# Specify host and port
python bayesian_mcp.py --host 0.0.0.0 --port 8080

# Set log level
python bayesian_mcp.py --log-level debug

Der Server wird gestartet und wartet auf MCP-Anfragen auf dem angegebenen Host und Port.

API-Nutzung

Der Bayesianische MCP-Server stellt über seine API mehrere Funktionen bereit:

1. Modell erstellen

Erstellen Sie ein neues Bayes-Modell mit angegebenen Variablen.

# MCP Request
{
    "function_name": "create_model",
    "parameters": {
        "model_name": "my_model",
        "variables": {
            "theta": {
                "distribution": "normal",
                "params": {"mu": 0, "sigma": 1}
            },
            "likelihood": {
                "distribution": "normal",
                "params": {"mu": "theta", "sigma": 0.5},
                "observed": [0.1, 0.2, 0.3, 0.4]
            }
        }
    }
}

2. Überzeugungen aktualisieren

Aktualisieren Sie Modellüberzeugungen mit neuen Erkenntnissen.

# MCP Request
{
    "function_name": "update_beliefs",
    "parameters": {
        "model_name": "my_model",
        "evidence": {
            "data": [0.1, 0.2, 0.3, 0.4]
        },
        "sample_kwargs": {
            "draws": 1000,
            "tune": 1000,
            "chains": 2
        }
    }
}

3. Vorhersagen treffen

Generieren Sie Vorhersagen mithilfe der Posterior-Verteilung.

# MCP Request
{
    "function_name": "predict",
    "parameters": {
        "model_name": "my_model",
        "variables": ["theta"],
        "conditions": {
            "x": [1.0, 2.0, 3.0]
        }
    }
}

4. Modelle vergleichen

Vergleichen Sie mehrere Modelle anhand von Informationskriterien.

# MCP Request
{
    "function_name": "compare_models",
    "parameters": {
        "model_names": ["model_1", "model_2"],
        "metric": "waic"
    }
}

5. Visualisierung erstellen

Generieren Sie Visualisierungen von Modell-Posterior-Verteilungen.

# MCP Request
{
    "function_name": "create_visualization",
    "parameters": {
        "model_name": "my_model",
        "plot_type": "trace",
        "variables": ["theta"]
    }
}

Beispiele

Das Verzeichnis examples/ “ enthält mehrere Beispiele, die die Verwendung des Bayesian MCP-Servers demonstrieren:

Lineare Regression

Ein einfaches Beispiel für eine lineare Regression zur Demonstration der Parameterschätzung:

python examples/linear_regression.py

A/B-Tests

Ein Beispiel für Bayesianisches A/B-Testing für Konversionsraten:

python examples/ab_test.py

Unterstützte Distributionen

Die Bayes-Engine unterstützt die folgenden Verteilungen:

normal : Normalverteilung (Gauß-Verteilung)
lognormal : Log-Normalverteilung
beta : Beta-Verteilung
gamma : Gammaverteilung
exponential : Exponentialverteilung
uniform : Gleichmäßige Verteilung
bernoulli : Bernoulli-Verteilung
binomial : Binomialverteilung
poisson : Poisson-Verteilung
deterministic : Deterministische Transformation

MCP-Integration

Dieser Server implementiert das Model Calling Protocol und ist daher mit einer Vielzahl von LLMs und Frameworks kompatibel. So verwenden Sie ihn mit Ihrem LLM:

import requests

response = requests.post("http://localhost:8000/mcp", json={
    "function_name": "create_model",
    "parameters": {
        "model_name": "example_model",
        "variables": {...}
    }
})

result = response.json()

Lizenz

MIT

Credits

Basierend auf Konzepten und Code aus dem Wrench AI-Framework.

Bayesian MCP

Integrations