rigor

为 AI 代理提供经过验证的统计推断。

LLM 在背诵统计知识方面还算不错，但在可靠地执行上却很糟糕—— t 统计量或所需样本量这类数字往往是从训练数据中回忆出来的，而不是计算并核验出来的。rigor 就是替代方案： 经典假设检验、效应量、功效/样本量计算以及多重比较校正，全部从零计算， 并作为附有引用且经过假设核查的答案返回。

它构建为一个 MCP 服务器：对当前 MCP 生态系统的扫描（Context7 用于编程文档， 多个物理/工程/化学/地理服务器，甚至 Bentley 的 STAAD 集成）发现， 统计学/实验设计是为数不多的、尚无人覆盖的常见代理需求之一。

统计部分本身（rigor/distributions.py、inference.py、 effect_size.py、power.py、corrections.py）是纯标准库实现，没有依赖。 整个包确实依赖于官方 mcp SDK，因为 MCP 服务器是它所提供功能的一等组成部分， 而不是附加组件——请参阅安装。

安装

pip install rigor-mcp

（PyPI 发行版名为 rigor-mcp，因为单纯的 rigor 已被一个无关的包占用； 可导入的包和 CLI 命令仍然都叫 rigor。）这样你会同时获得两个控制台命令： rigor（CLI）和 rigor-mcp（MCP 服务器）——有意设计为一次安装即可， 无需配置额外依赖，因为 uvx rigor-mcp（大多数 MCP 客户端实际调用它的方式） 无法请求任何附加依赖。

Related MCP server: Dr. QuantMaster MCP Server

包含内容

• rigor/distributions.py —— t、卡方和 F 分布，在标准库上从零构建（正则化的不完全伽马/贝塔函数）， 通过精确的闭式恒等式进行验证（t(1) = Cauchy、chi2(2) = 缩放指数分布、t² = F(1, df)）， 而不是依赖照搬现成的转录。

• rigor/inference.py —— 单样本/双样本和配对 t 检验、单比例/双比例 z 检验、 卡方拟合优度与独立性检验、单因素方差分析。每个都返回一个 TestResult： 统计量、自由度、双尾 p 值、置信区间、引用以及假设警告 （例如小样本时对正态性的依赖、期望单元格计数过低）。

• rigor/effect_size.py —— Cohen's d、Hedges' g、Cohen's h、Cramér's V。

• rigor/power.py —— 双样本 t 检验和双比例 z 检验的功效与所需样本量。 两个方向（给定 n 求功效；给定功效求 n）在构造上就是彼此的精确数值逆运算 （在同一底层功效函数上使用二分法），并通过 Cohen (1988) d=0.5/α=.05/power=.80 教科书参考案例（n≈64）进行了合理性检查。

• rigor/corrections.py —— Bonferroni 和 Benjamini-Hochberg（FDR）多重比较校正。

• rigor/cli.py —— 覆盖上述所有功能的 CLI（仓库根目录下的 rigor.py 是一个轻量垫片， 因此 python3 rigor.py ... 也能在普通检出目录中运行，无需安装任何东西）。

• rigor/mcp_server.py —— 一个 MCP 工具包装器，向任何 MCP 客户端（Claude Code、Claude Desktop 等） 暴露全部 17 个操作。通过 stdio 对真实客户端进行了端到端冒烟测试——工具发现以及代表性调用 均与已知参考值对照核验，包括完整往返仍然落在 Cohen (1988) 案例的 n=63。

用法

CLI（安装后）：

rigor ttest one-sample --data 5.1,4.9,5.3,5.0,4.8,5.2 --mu0 5.0
rigor power ttest-2samp --effect-size 0.5 --power 0.8
rigor --help   # full list of subcommands (ttest, ztest, chi2, anova, effect-size, power, correct)

或者直接从检出目录运行，无需安装任何东西：

python3 rigor.py ttest one-sample --data 5.1,4.9,5.3,5.0,4.8,5.2 --mu0 5.0

MCP 服务器，通过 stdio（本地客户端如 Claude Code 所期望的传输方式）：

pip install rigor-mcp
rigor-mcp

或从检出目录运行：pip install mcp && python3 -m rigor.mcp_server。

将其注册到 Claude Code：

claude mcp add rigor -- rigor-mcp

（或者，从检出目录运行：claude mcp add rigor -- python3 -m rigor.mcp_server， 在此仓库的根目录下运行，或使用绝对模块路径）。要用 MCP Inspector 进行交互式探索， 请将其作为脚本运行，而不是作为已安装的命令——这意味着需要手动将包根目录添加到路径中， 因为 Inspector 会直接导入该文件：

pip install "mcp[cli]"
PYTHONPATH=. mcp dev rigor/mcp_server.py

一个传输层边界情况，已处理

cohens_d 对于零方差样本会正确地返回 +inf/-inf（依据其自身记录的约定）， 但非有限浮点数在 MCP 的结构化内容中会被序列化为 JSON null——这曾导致工具自身的 number 类型输出模式校验失败，并使调用崩溃。MCP 的 cohens_d 工具现在返回 {"value": float | null, "warnings": [...]}，而不是一个裸浮点数，因此这种情况会被明确报告 （值为 null，并有一条指明方向的警告），而不是直接崩溃。这里所有其他数值工具的输出都是有界的， 对于有效输入始终为有限值，因此这种处理方式仅适用于 cohens_d。

测试

python3 -m unittest discover -s tests -v

70 个测试：65 个直接测试统计功能；5 个像真实 MCP 客户端那样启动 mcp_server.py， 并通过传输层检查结果（如果未安装 mcp，会自动跳过）。

许可证

MIT——参见 LICENSE。