Bayesian MCP
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
Related MCP server: Calculator MCP Server
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 debugСервер 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.pyA/B-тестирование
Пример байесовского A/B-тестирования для показателей конверсии:
python examples/ab_test.pyПоддерживаемые дистрибутивы
Байесовский движок поддерживает следующие распределения:
normal: нормальное (гауссовское) распределениеlognormal: Логнормальное распределениеbeta: бета-распределениеgamma: Гамма-распределениеexponential: Экспоненциальное распределениеuniform: равномерное распределениеbernoulli: распределение Бернуллиbinomial: Биномиальное распределениеpoisson: распределение Пуассонаdeterministic: 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.
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
Hosted MCP server for LLM cost estimation, model comparison, and budget-aware routing.
A comprehensive Model Context Protocol (MCP) server that enables AI assistants to interact with yo…
MCP server for building and testing AI agents with multi-model experimentation and insights.
MCP server providing access to the Scorecard API to evaluate and optimize LLM systems.
Related MCP Servers
- AlicenseAqualityCmaintenanceA Model Context Protocol server that provides basic mathematical and statistical functions to LLMs, enabling them to perform accurate numerical calculations through a simple API.13191MIT
- AlicenseCqualityDmaintenanceA Model Context Protocol server that enables LLMs to perform precise numerical calculations by evaluating mathematical expressions.16,075 PyPI161MIT
- FlicenseNot gradedqualityDmaintenanceEnables LLMs to perform statistical analysis and generate ML predictions on user data from databases or CSV files through a Model Context Protocol server.2-
- AlicenseAqualityCmaintenanceA Model Context Protocol server that empowers AI agents with metacognitive monitoring to detect reasoning loops and provide intelligent recovery using case-based reasoning and statistical analysis.952 npm9MIT