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.

This server cannot be installed

security - not tested

license - permissive license

quality - not tested

How are these scores calculated?

hybrid server

The server is able to function both locally and remotely, depending on the configuration or use case.

Сервер протокола вызова моделей, позволяющий магистрам права выполнять строгий байесовский анализ и вероятностные рассуждения, включая вывод, сравнение моделей и прогностическое моделирование с количественной оценкой неопределенности.

Related MCP Servers

Math-MCP
EthanHenrickson
A
security
A
license
A
quality
A Model Context Protocol server that provides basic mathematical and statistical functions to LLMs, enabling them to perform accurate numerical calculations through a simple API.
Last updated -
13
19
JavaScript
MIT License
Calculator MCP Server
githejie
A
security
A
license
A
quality
A Model Context Protocol server that enables LLMs to perform precise numerical calculations by evaluating mathematical expressions.
Last updated -
1
100
Python
MIT License
MCP Database Server
manpreet2000
-
security
A
license
-
quality
A Model Context Protocol server that enables LLMs to interact with databases (currently MongoDB) through natural language, supporting operations like querying, inserting, deleting documents, and running aggregation pipelines.
Last updated -
TypeScript
MIT License
MCP Orchestrator
gramanoid
-
security
A
license
-
quality
A sophisticated server that coordinates multiple LLMs (Claude, Gemini, etc.) using the Model Context Protocol to enhance reasoning capabilities through strategies like progressive deep dive and consensus-based approaches.
Last updated -
Python
MIT License

View all related MCP servers

Bayesian MCP