mip_coder mcp
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
MIP-coder
面向混合整数规划(MIP)的 研究—编程—求解评测 协作原型。通过 MCP 连接外部 agent,通过 skill 提供方法参考,由 COPT 执行求解并返回可核查的实验反馈。
版本 0.11.0 · 工程原型。 已验证真实求解和工具执行链路,尚未证明真实 LLM 自主研发的性能收益。三个角色不等同于三个已经完成自主协作验证的 LLM。
研究动机与架构
受 auto-research 的“提出假设—实现—实验—修订”范式启发,项目探索如何把算法研发与 MIP 求解状态连接起来。LLM4MIP 的 primal/dual skill 对照结果为经验跨实例复用提供了积极依据,但不等于本系统的泛化或性能已经得到验证。
人的 idea / 研究 agent
↓ 结构化假设、适用条件、实验方案
研究协调器 ──MCP──→ 编程 agent
↑ ↓ 候选代码与冻结快照
└──实验反馈── 求解评测宿主 + COPT
↓
预算、验解、配对比较、日志研究角色:提出与筛选方向,读取实验反馈,决定修复、扩展或终止。
编程角色:实现候选策略,接受语法、接口和运行反馈。
求解评测角色:执行 COPT、校验完整解、计量预算并生成报告;当前主要由确定性程序承担。
人与 agent 的交互:本地聊天工作台支持讨论、草稿、人工审阅、不可变归档与 MCP 递交。
接下来重点研究:根据当前求解状态决定何时调用何种算子,以及如何在不同算子、辅助求解和研发尝试之间分配有限预算。性能需要在相同预算下与原生求解器和空策略对照验证。
Related MCP server: Agent Harness Kit
当前能力与边界
能力 | 状态 |
通用 MCP 接口、讨论与 idea 归档 | 已实现;外部客户端可选自己的模型 |
研究任务、后台编程、版本快照与实验反馈 | 已用离线模型回复及真实 COPT 验证 |
v1 完整原始解策略 | 支持 START / MIPRELAX,独立验解后提交 |
v2 连续补全和辅助 MIP | 独立工程实验可用;默认关闭,需要显式预算 |
正式研究中的 v2 | 尚未接入;研究/R1 仍采用冻结的 v1 契约 |
真实 LLM 多轮自主研发 | 尚未完成验证,当前不宣称已发现新算法 |
自定义割、分支或对偶证书接口 | 尚未开放 |
v2 支持固定全部整数变量后的 LP 连续补全,以及固定部分变量或限制二进制 Hamming 距离的受限 MIP。宿主在独立单线程进程中重建模型,对返回向量检查原模型和受限模型;子问题的界与最优/不可行状态不会冒充原模型的全局证明。
启动、复制、序列化、辅助求解和验解开销都计入任务。提供调用次数、累计时间和单次时间限制,外层硬超时回收进程树。进程隔离用于生命周期管理,不是操作系统安全沙箱;当前无内存配额。
安装与快速开始
Python 3.11+;目前完整本地验证环境为 Windows、Python 3.13、COPT 8.0.7。
git clone https://github.com/leeskywalker060726-star/MIP-coder.git
cd MIP-coder
python -m venv .venv激活环境:Windows PowerShell 使用 .\.venv\Scripts\Activate.ps1,Linux/macOS 使用 source .venv/bin/activate。
python -m pip install -e ".[mcp,research]"
python -m mip_coder demo
python -m mip_coder workbench工作台地址为 http://127.0.0.1:8765。demo 使用确定性离线回复验证工具循环,不调用 LLM 或求解器。未配置讨论模型时,工作台支持手动讨论和外部 MCP agent 接入。
需要真实求解时:
python -m pip install -e ".[copt,mcp,research]"
python -m mip_coder doctor
python scripts/check_copt_installation.py
python -m mip_coder.auxiliary_demo请自行按 COPT 官方说明 配置许可证。doctor 不申请许可证;安装检查与演练会执行真实求解。仓库不包含任何个人许可证或求解器二进制。
MCP、skill 与模型
python -m mip_coder mcp --workspace /absolute/path/to/MIP-coder --profile research
python -m mip_coder mcp --workspace /absolute/path/to/MIP-coder --profile coding
python -m mip_coder mcp --workspace /absolute/path/to/MIP-coder --profile workbench路径替换成自己的项目绝对路径。客户端配置示例在 configs;其中示例路径也需要替换。工作台讨论不会自动启动研究或求解。
get_algorithm_reference:读取 12 张带来源的方法卡;方法卡不是 12 个已实现算法。get_primal_template:读取 v1 基线或实验性 v2 的auxiliary_portfolio。load_skill:按需加载 mip-coding 或 mip-research。研究 MCP 负责结构化任务与反馈;编程 MCP 提供代码、检查和实验工具。
内置模型 provider 当前为 Anthropic Messages,真实配置参考 coding_profiles.example.json。凭据只通过宿主环境变量引用。兼容任意 MCP 客户端不代表内置 provider 已支持所有模型 API;OpenAI 格式适配尚待完成。源码测试中的本地 HTTP 模拟服务也不代表真实模型已接通。
v2 演练与验证记录
python -m mip_coder check-candidate mip_coder/policies/auxiliary_portfolio.py --allow-auxiliary
python -m mip_coder.auxiliary_demo演练生成 3 个小模型,运行 native、policy_noop、candidate,共 9 次求解。无需下载外部数据。输出在本地 .mip-coder/latest-auxiliary-demo.json,每次运行保存源码、请求、结果及辅助求解记录。
本地完整回归 164 项测试通过。
9 次真实 COPT 求解均为 OPTIMAL,最终目标值与两种对照相同。
4 次辅助调用,包含主求解回调中的邻域求解。
候选耗时约为原生 COPT 的 1.64 倍、空策略的 1.76 倍;这是工程验证,没有加速结论。
使用手写策略,外部 LLM 调用为 0。
公开摘要剔除了本机路径和私有运行存储;可通过演练脚本重新生成自己的完整记录。GitHub CI 只执行不需要商业许可证的核心测试;完整测试需要本地 COPT 环境:
python -m unittest discover -s tests -v数据与评测协议
仓库仅提供实例来源、哈希和划分清单,以及人工生成的协议输入;不分发下载的 MIPLIB 模型、解或私有实验结果。下载和恢复脚本为 scripts/prepare_miplib_smoke.py、scripts/prepare_research_data.py。
研究流程冻结数据、代码、宿主和预算;开发、验证、测试分离。失败和负结果保留。旧会话遇到宿主哈希变化时不能直接沿用旧分数继续评测。历史状态文档中的 .mip-coder/ 链接指向本地记录,不随源码发布。
文档与来源
执行循环与会话机制参考固定版本的 ultraworkers/claw-code,可运行层为本项目的 Python 适配;不宣称这是 Anthropic 官方源码,也不分发完整上游或本地 Rust 原文摘录。方法库参考 LLM4MIP skills,保留来源与许可;上游成绩不能当作本项目成绩。
原始项目贡献采用 MIT License。第三方材料保留各自声明,COPT 及外部依赖按其自身许可使用。
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
A paid remote MCP for OpenAI Codex agent coordination MCP, built to return verdicts, receipts, usage
Public MCP for agent verification, work discovery and governed interoperability.
Scoped agent execution. Server-side credentials, policy, budgets and verifiable receipts.
Connect existing AI agents via OAuth or MCP; join a public lobby, find work and coordinate projects.
Related MCP Servers
- AlicenseNot gradedqualityAmaintenanceEnables AI coding providers to run structured multi-agent workflows with tracked tasks, specifications, handoffs, and health-gated completion. It exposes MCP tools for task claiming, action logging, repairs, document validation, and lifecycle evidence.29 npmMIT
- AlicenseNot gradedqualityAmaintenanceEnables AI coding providers to run structured multi-agent workflows through MCP with tracked tasks, action logs, handoffs, health gates, and filesystem-backed specification documents.29 npmMIT
- AlicenseNot gradedqualityAmaintenanceEnables AI coding providers to run structured multi-agent workflows with shared documents, tracked tasks, handoffs, and health-gated completion.29 npmMIT
- AlicenseNot gradedqualityAmaintenanceEnables AI coding providers to run structured multi-agent workflows through MCP, including tracked tasks, document specs, handoffs, health gates, and audit evidence.29 npmMIT