Байесовский MCP

Сервер протокола вызова модели (MCP) для байесовского рассуждения, вывода и обновления убеждений. Этот инструмент позволяет LLM выполнять строгий байесовский анализ и вероятностное рассуждение.

Функции

🧠 Байесовский вывод : обновление убеждений с помощью новых доказательств с использованием выборки MCMC
📊 Сравнение моделей : сравнение конкурирующих моделей с использованием информационных критериев.
🔮 Предсказательный вывод : создание прогнозов с количественной оценкой неопределенности
📈 Визуализация : создание визуализаций апостериорных распределений.
🔌 Интеграция с MCP : беспроблемная интеграция с любым LLM, поддерживающим MCP

Установка

Разработка Установка

Клонируйте репозиторий и установите зависимости:

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

Требования

Питон 3.9+
PyMC 5.0+
АрвиЗ
NumPy
Matplotlib
FastAPI
Увикорн

Быстрый старт

Запуск сервера

# 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

Сервер запустится и будет прослушивать запросы MCP на указанном хосте и порту.

Использование API

Байесовский сервер MCP предоставляет несколько функций через свой API:

1. Создать модель

Создайте новую байесовскую модель с указанными переменными.

# 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. Обновите убеждения

Обновите модельные убеждения с помощью новых доказательств.

# 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. Делайте прогнозы

Генерация прогнозов с использованием апостериорного распределения.

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

4. Сравнение моделей

Сравните несколько моделей, используя информационные критерии.

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

5. Создать визуализацию

Создание визуализаций апостериорных распределений модели.

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

Примеры

Каталог examples/ содержит несколько примеров, демонстрирующих использование байесовского сервера MCP:

Линейная регрессия

Простой пример линейной регрессии для демонстрации оценки параметров:

python examples/linear_regression.py

A/B-тестирование

Пример байесовского A/B-тестирования для показателей конверсии:

python examples/ab_test.py

Поддерживаемые дистрибутивы

Байесовский движок поддерживает следующие распределения:

normal : нормальное (гауссовское) распределение
lognormal : Логнормальное распределение
beta : бета-распределение
gamma : Гамма-распределение
exponential : Экспоненциальное распределение
uniform : равномерное распределение
bernoulli : распределение Бернулли
binomial : Биномиальное распределение
poisson : распределение Пуассона
deterministic : Детерминированное преобразование

Интеграция МКП

Этот сервер реализует протокол вызова модели, что делает его совместимым с широким спектром LLM и фреймворков. Чтобы использовать его с вашим LLM:

import requests

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

result = response.json()

Лицензия

Массачусетский технологический институт

Кредиты

Основано на концепциях и коде фреймворка Wrench AI.

Bayesian MCP

Integrations