MCP bayesiano

Un servidor de Protocolo de Llamada a Modelos (MCP) para razonamiento bayesiano, inferencia y actualización de creencias. Esta herramienta permite a los LLM realizar análisis bayesianos rigurosos y razonamiento probabilístico.

Características

🧠 Inferencia bayesiana : Actualice las creencias con nueva evidencia utilizando el muestreo MCMC
📊 Comparación de modelos : compare modelos de la competencia utilizando criterios de información
🔮 Inferencia predictiva : Genera predicciones con cuantificación de incertidumbre
📈 Visualización : Crea visualizaciones de distribuciones posteriores
🔌 Integración con MCP : se integra perfectamente con cualquier LLM que admita MCP

Related MCP server: Calculator MCP Server

Instalación

Instalación de desarrollo

Clonar el repositorio e instalar las dependencias:

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

Requisitos

Python 3.9+
PyMC 5.0+
ArviZ
NumPy
Matplotlib
API rápida
Uvicornio

Inicio rápido

Iniciando el servidor

# 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

El servidor se iniciará y escuchará las solicitudes MCP en el host y puerto especificados.

Uso de la API

El servidor MCP bayesiano expone varias funciones a través de su API:

1. Crear modelo

Crea un nuevo modelo bayesiano con variables específicas.

# 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. Actualizar creencias

Actualizar las creencias del modelo con nueva evidencia.

# 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. Haz predicciones

Generar predicciones utilizando la distribución posterior.

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

4. Comparar modelos

Comparar múltiples modelos utilizando criterios de información.

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

5. Crear visualización

Generar visualizaciones de distribuciones posteriores del modelo.

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

Ejemplos

El directorio examples/ contiene varios ejemplos que demuestran cómo utilizar el servidor MCP bayesiano:

Regresión lineal

Un ejemplo de regresión lineal simple para demostrar la estimación de parámetros:

python examples/linear_regression.py

Pruebas A/B

Un ejemplo de prueba A/B bayesiana para tasas de conversión:

python examples/ab_test.py

Distribuciones compatibles

El motor bayesiano admite las siguientes distribuciones:

normal : distribución normal (gaussiana)
lognormal : distribución log-normal
beta : distribución beta
gamma : distribución gamma
exponential : distribución exponencial
uniform : distribución uniforme
bernoulli : distribución de Bernoulli
binomial : distribución binomial
poisson : distribución de Poisson
deterministic : transformación determinista

Integración MCP

Este servidor implementa el Protocolo de Llamada de Modelos, lo que lo hace compatible con una amplia gama de LLM y frameworks. Para usarlo con su LLM:

import requests

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

result = response.json()

Licencia

Instituto Tecnológico de Massachusetts (MIT)

Créditos

Basado en conceptos y código del marco Wrench AI.

Bayesian MCP